前两节，我们让机器人拥有了“看”的能力——它能捕捉彩色图像，能感知深度距离。但这一切还停留在原始信号的层面。一堆像素和一堆深度值，并不能直接告诉机器人“水杯在哪”。
机器人需要的不是像素，是答案。
它需要知道画面里有没有水杯，水杯在什么位置，占据了多大的区域。这项技术叫做目标检测——在图像中同时识别出物体的类别和它的边界框。它是机器人视觉最基础也最核心的能力之一。
按照传统教材的节奏，这一节应该从卷积神经网络的原理开始讲起，手写一个模型架构，标注几千张数据，然后训练几十个小时。但这条路会让大多数初学者在看见成果之前就耗尽了热情。
我们的策略不同。先跑通，再理解。 这一节，你要用现成的预训练模型，一分钟之内在自己的电脑上跑出一个完整的目标检测程序。让摄像头画面里的水杯、键盘、人，被彩色方框自动圈出来。先看到魔法，后面再拆解魔法背后的机关。
我们要用的模型叫YOLO，全称You Only Look Once——你只看一眼。
这个名字起得非常传神。传统的目标检测方法会把图像切分成很多小块，逐块分析“这里有东西吗”，过程很慢。而YOLO的思路简单而优雅：把整张图一次性送进一个神经网络，网络直接输出所有物体的类别和位置。 就像人眼扫一眼桌面，瞬间就知道水杯在哪、键盘在哪，不需要从左到右逐行扫描。
从数学上看，YOLO把目标检测转化为一个回归问题。输入是一张形状为 $H \times W \times 3$ 的RGB图像，输出是一系列预测框，每个框包含五个核心信息：
$$ \text{Prediction} = (x, y, w, h, \text{confidence}, \text{class_scores}) $$
其中 $(x, y)$ 是边界框的中心坐标，$w$ 和 $h$ 是框的宽度和高度，$\text{confidence}$ 是这个框里确实有物体的置信度，$\text{class_scores}$ 是一个向量，表示这个物体属于各个类别的概率分布。
YOLO把输入图像划分成 $S \times S$ 的网格。每个网格负责预测落在自己区域内的物体。整个网络一次性输出 $S \times S$ 组预测，然后通过一个叫非极大值抑制的后处理步骤，去掉那些重复框选同一个物体的冗余框，只保留最准确的那个。
这些细节你现在不需要完全理解。你只需要知道：有一个叫YOLO的模型，它已经被高手们在海量数据上训练好了，可以直接拿来用。
在开始之前，确保你已经装好了Python环境。我们使用Ultralytics这个开源库，它把YOLO的调用封装得极其简洁。打开终端，输入一行命令：
pip install ultralytics opencv-python
Ultralytics会自动帮你下载模型权重文件。YOLO有多个版本，从轻量级的YOLOv8n到重量级的YOLOv8x，参数量从几百万到上亿不等。第一次使用时，推荐使用YOLOv8n，体积最小，CPU也能跑得动。
先做一个最简单的测试——对一张静态图片做检测。在你的Python脚本或者Jupyter Notebook里输入：
from ultralytics import YOLO
# 加载预训练模型（首次运行会自动下载约6MB的权重文件）
model = YOLO('yolov8n.pt')
# 对一张图片进行推理
results = model('https://ultralytics.com/images/bus.jpg')
# 显示检测结果
results[0].show()
就这么三行。程序会自动下载模型权重，对图片进行推理，然后弹出一个窗口，上面显示着检测结果——行人被蓝色框圈出，旁边标注着"person"，公交车、小轿车也各有各的框，每一条框上都带着置信度分数。
YOLO的预训练模型默认能识别80类常见物体，包括人、汽车、自行车、水杯、键盘、笔记本电脑、书本、椅子等等——这些基本覆盖了机器人日常会遇到的绝大多数东西。
静态图片还不够酷。接下来，我们要让摄像头画面实时跑目标检测，让每一帧都自动标注出其中的物体。这才是机器人视角应有的样子。
新建一个Python文件，输入以下代码：
import cv2
from ultralytics import YOLO
# 加载预训练模型
model = YOLO('yolov8n.pt')
# 打开摄像头
cap = cv2.VideoCapture(0)
# 检查摄像头是否成功打开
if not cap.isOpened():
print("无法打开摄像头！请检查设备连接。")
exit()
print("按 'q' 键退出程序")
while True:
# 逐帧读取摄像头画面
ret, frame = cap.read()
if not ret:
print("读取画面失败")
break
# 对这一帧进行目标检测
results = model(frame)
# 在画面上绘制检测结果
# results[0].plot() 会自动在原图上画边界框和标签
annotated_frame = results[0].plot()
# 显示带有检测结果的画面
cv2.imshow('YOLO 实时目标检测 - 机器人视角', annotated_frame)
# 按 'q' 键退出
if cv2.waitKey(1) & 0xFF == ord('q'):
break
# 释放资源
cap.release()
cv2.destroyAllWindows()
运行这段代码。你会看到一个窗口弹出来，里面是你摄像头实时拍摄的画面。把你的水杯举到镜头前，一个方框会立刻把它圈出来，旁边标注着"cup"。把手机放过去，显示"cell phone"。你自己出现在画面里，头上顶着"person"的标签。
这就是机器人看到的你。
画框只是直观的可视化。如果你想拿到结构化的数据——比如用代码自动判断水杯在什么位置——可以这样取：
results = model(frame)
# 遍历检测到的每一个物体
for box in results[0].boxes:
# 边界框的像素坐标
x1, y1, x2, y2 = box.xyxy[0] # 左上角和右下角坐标
# 置信度
confidence = box.conf[0]
# 类别ID
class_id = int(box.cls[0])
# 类别名称
class_name = model.names[class_id]
print(f"检测到 {class_name}，置信度 {confidence:.2f}，位置 ({int(x1)}, {int(y1)}) 到 ({int(x2)}, {int(y2)})")
你会看到终端里不断刷出类似这样的信息：
检测到 person，置信度 0.92，位置 (320, 45) 到 (580, 680)
检测到 cup，置信度 0.87，位置 (150, 290) 到 (230, 380)
检测到 keyboard，置信度 0.95，位置 (100, 520) 到 (600, 600)
这些数字，就是具身智能系统的“视觉感知输出”。后续的决策模块——比如机械臂的抓取规划器——正是依赖这些坐标和类别信息，来决定“机械臂应该往哪个方向伸过去”。
停下手指，回顾一下这一节你做的事情。
你没有写任何神经网络的定义，没有处理任何一张标注数据，没有等几十个小时的训练。你只是加载了一个预训练好的YOLO模型，调用了它的推理接口，然后你电脑上的摄像头就具备了实时识别80类物体的能力。
这不是走捷径，这是工程师的标准工作方式。在实际开发中，站在巨人肩膀上、复用开源社区的训练成果，是效率最高也最普遍的实践。你先把整个流程跑通，获得直观感受，后面如果需要针对特定任务（比如只识别不同种类的零件）做微调，你心里已经有了完整的认知地图。
从零训练一个模型是选修课，而调用预训练模型解决问题是必修课。 这一节，你已经修完了必修课的第一学分。
现在，机器人不仅能看到光、感知深度，还能指着画面里每一个物体说出它们的名字和位置。感知的三块拼图——颜色、深度、语义——已经集齐了两块。
下一章，我们要转向另一个根本性的问题：机器人用什么来执行这些感知结果？ 它怎么伸出手臂，怎么转动关节，怎么把一个“抓取”的意图变成物理世界的真实动作？我们要走进机器人的身体——电机、关节、自由度，以及你在仿真环境里亲手操控的第一个虚拟机器人。