COCO（Common Objects in Context）是一个广泛使用的计算机视觉数据集和基准，主要用于以下任务：
- 目标检测（Object Detection）
- 实例分割（Instance Segmentation）
- 此外还包括关键点检测、全景分割、图像描述等任务。
下面分别解释 COCO 目标检测 与 COCO 实例分割 的含义：
1. COCO 目标检测（Object Detection）
目标：在图像中定位并识别出属于特定类别的物体。
- 输入：一张图像。
- 输出：
- 每个检测到的物体的类别（如“人”、“汽车”、“狗”等，共80个类别）；
- 一个边界框（Bounding Box），用
(x, y, width, height)表示，框出物体的位置； - 一个置信度分数（表示模型对该检测结果的信心）。
示例：一张街景图中，模型检测出3辆汽车、2个人，并为每个物体画出矩形框。
2. COCO 实例分割（Instance Segmentation）
目标：不仅要知道每个物体在哪里（像目标检测那样），还要精确地分割出每个物体的像素级轮廓。
- 输入：一张图像。
- 输出：
- 每个物体的类别；
- 一个像素级掩码（Mask），精确标出该物体所占的像素区域；
- 通常也包含对应的边界框（因为掩码可以生成边界框）。
与语义分割的区别：
- 语义分割：只区分类别，不区分同一类别的不同个体（例如所有“人”都标为同一颜色）。
- 实例分割：区分每一个独立的物体实例（例如两个人会被分成两个不同的掩码）。
示例：图像中有两只猫挨在一起，实例分割会为每只猫生成独立的、精确到像素的轮廓。
COCO 数据集特点
- 包含超过 33 万张图像；
- 标注了 超过 200 万个实例；
- 涵盖 80 个常见物体类别；
- 注重物体在真实场景中的上下文（in context），即物体出现在自然、复杂背景中，而非孤立存在；
- 提供高质量的边界框 + 像素级掩码标注。
常用评价指标（COCO 官方）
- mAP（mean Average Precision）：
- 对 IoU（交并比）从 0.5 到 0.95（步长 0.05）取平均；
- 同时考虑不同尺度（小、中、大物体）的表现；
- 是 COCO 榜单上最核心的评估标准。
典型模型（在 COCO 上训练/评测）
- Faster R-CNN
- Mask R-CNN（同时做目标检测 + 实例分割）
- YOLO 系列（如 YOLOv5, YOLOv8）
- DETR
- Cascade R-CNN
- SOLO（专用于实例分割）
总结
| 任务 | 输出内容 | 关键区别 |
|---|---|---|
| 目标检测 | 类别 + 边界框 | 定位粗略（矩形框） |
| 实例分割 | 类别 + 像素级掩码（+ 边界框） | 定位精细（轮廓级别），区分同一类别的不同实例 |
COCO 是衡量这些任务性能的黄金标准之一，广泛用于学术研究和工业应用。