科普入門：電腦怎麼「看」

在學 YOLO 之前，先建立直覺：對電腦來說，一張影像不是「畫面」，而是一堆數字。 AI 的工作，是把這堆數字變成「有什麼、在哪裡」的答案。

影像對電腦只是數字

一張彩色照片，是由很多像素組成的格子，每個像素用三個 0~255 的數字記錄紅、綠、藍。 一張 1920×1080 的照片就有約 200 萬個像素、600 萬個數字。電腦看不到「人」或「車」—— 它只看到數字。所以「認出物體」本質上是：從數字裡找出有意義的模式。

人看圖 vs 電腦看圖

這就是為什麼資料這麼重要：模型只會它看過的東西。沒看過的場景，往往要自己標、自己訓練（第 2、5 章會做）。

物件偵測能做什麼

把「有什麼、在哪裡、有幾個」自動算出來，就能撐起很多應用。每個案例：原圖 → YOLO 偵測 → 說明。

交通

車流統計、車種辨識、違規偵測、行人安全。
影像：國道1號即時影像

生活 / 零售

來客計數、排隊偵測、居家有人 / 車 / 寵物的通知。

動物

生態監測、農場 / 畜牧計數、路殺預警、野生動物調查。
影像：斑馬群（Wikimedia, CC BY-SA）

製造

產線計數、缺件偵測、料件分類、安全區監控。
自訓練模型偵測金屬零件，做法見第 5 章 · 工業級

為什麼是 YOLO

YOLO（You Only Look Once）最大的特點是快：一次掃描整張圖就同時給出所有物體的框與類別， 快到能即時處理影片。這讓它特別適合現場、邊緣裝置（像 Raspberry Pi）上的即時應用。 原理與演進在第 3 章細談。