回过头来再看一下图像分类和目标检测的区别，先看下图， 

         由上图可知，图像分类解决了是什么的问题，目标检测解决了在哪里的问题。简单来说就是在图像分类的基础上，以包围盒的(bounding box)形式框出物体。很多计算机视觉任务（如人脸识别，车牌识别，场景描述）背后的基础都是目标检测。自从 AlexNet 获得 ILSVRC 2012 挑战赛冠军后，用 CNN 进行图像分类成为主流。目标检测也得益于CNN在图像分类领域的进步发展越来越快。

        图像分类是一张图片输入，一个类标签输出。

        目标检测，无论是通过深度学习还是其他计算机视觉技术实现，目标检测均基于图像分类，同时试图精准定位图像中每个目标的位置。在执行目标检测时，给定一个输入图像，我们能够获得：1.边框列表，或者图像中每个目标的 (x, y) 坐标；2.每个边框所对应的类标签；3.每个边框和类标签相应的概率和置信度分数。