Object Detection / Recognition / Localization

https://www.ultralytics.com/ko/blog/a-guide-to-deep-dive-into-object-detection-in-2025#Ta6HDcB5

1️⃣ Object Detection (객체 탐지)

👉 “어디에 있고 + 무엇인지”를 찾는 것

• 이미지 안에서 객체의 위치(좌표, bounding box) 를 찾음

• 동시에 그 객체가 무엇인지 분류

• 결과: 박스 + 클래스 라벨

• 예시
  - 사진 속에서 사람 3명, 자동차 2대를 각각 박스로 표시
  - CCTV에서 사람 위치 추적
  - 자율주행에서 보행자/차량 위치 파악

• 대표 모델:
  - YOLO
  - Faster R-CNN
  - SSD

📌 핵심: Localization + Classification 둘 다 함

2️⃣ Object Recognition (객체 인식)

👉 “이게 뭐냐”만 판단하는 것

• 이미지 전체 또는 잘라진 객체가 무엇인지 분류

• 위치는 모름

• 결과: 클래스 이름만 나옴

• 예시
  - 사진이 "고양이 사진"인지 판별
  - 잘라낸 물체가 "사과"인지 판별

• 대표 모델
  - ResNet
  - VGG

📌 핵심: Classification만 함

3️⃣ Object Localization (객체 위치 추정)

👉 “이 이미지 안에 있는 하나의 객체가 어디 있는지” 찾는 것

• 전제: 이미지에 객체가 1개 있다고 가정

• 하는 일:
  - 그 객체가 무엇인지 분류
  - 그 객체의 위치(bounding box) 예측
  

• 출력:
  - 클래스 라벨

  • 바운딩 박스 좌표(보통 정규화된 값으로 예측)

• 예시:
  - 고양이 한 마리가 있는 사진에서 고양이를 감싸는 박스 생성

  • 제품 사진에서 중심 물체 위치만 찾는 경우
  • 의료 영상에서 하나의 종양 위치 예측

📌 핵심: Classification + Bounding Box (단, 객체는 1개)
→ Detection의 "단일 객체 버전"이라고 보면 이해 쉬움

🔥 한 줄 정리

Detection

• 위치 찾음: ✅
• 분류함: ✅
• 결과: 클래스 + 바운딩 박스

Recognition

• 위치 찾음: ❌
• 분류함: ✅
• 결과: 클래스

Localization

• 위치 찾음: ✅
• 분류함: ✅
• 결과: 클래스 + 바운딩 박스(단, 객체는 1개)
  
  

💡 쉽게 비유하면

Recognition

• “이 사진은 개야”

Detection

• “여기(좌표)에 개 2마리, 저기(좌표)에 사람 1명 있어”

Localization

• “이 사진에 있는 개는 여기(이 박스 위치)에 있어”
  → 단, 개는 1마리라고 가정
  
  

🔎 Detection과의 관계 정리

• Localization은 객체가 1개라고 가정

• Detection은 객체가 여러 개 존재 가능

• 그래서 Detection이 Localization보다 한 단계 더 복잡함 (객체 개수까지 함께 예측해야 함)
  
  

💡 모델 관점에서 보면

• 과거에는 Classification 모델(예: ResNet)에
  Bounding Box 회귀(regression) 헤드를 추가해서
  Localization을 구현하기도 했음

• 반면, YOLO 같은 모델은
  애초에 다중 객체 Detection을 목표로 설계됨
  
  

내가 전에 YOLO 모델 사용했던건 Object Detection 모델임.