随着望远镜观测能力的提升，天文图像中包含的天体数量激增。要准确定位每个天体的位置并识别其属性，单靠肉眼几乎无法完成。人工智能能够帮助天文学家应对这一挑战，实现高效的星系检测与分类。例如，2018年发表在《天文与计算》杂志上的一项研究中，研究人员利用YOLO（You Only Look Once）神经网络模型成功实现了星系的自动定位与分类。
YOLO 是一种用于目标检测的深度学习算法，能够同时完成多个目标的定位与分类。它的工作流程可以分为以下几个步骤：
- 图片划分为网格：首先，YOLO 将整张图片划分为多个小网格，每个网格像一个小窗口，负责检测其区域内是否有目标对象。
- 选择最佳结果：由于多个网格可能会检测到同一个目标，YOLO 会选择最可靠的那个框作为最终结果，避免重复检测。
- 判断目标类别：除了预测位置，每个网格还要识别目标的类别，例如"这个目标是狗、自行车，还是小轿车？"。
- 框出目标位置：每个网格都尝试在它的区域里"画"出目标的位置和大小，即目标的中心在哪里，范围有多大。有了这些信息，就可以用一个小方框标记目标对象。
图 : YOLO 示意图。卷积神经网络（左）预测每个网格包含的对象位置（中上）和类别（中下）。来自不同网格的预测最终被合并（右）。图片来源：Hatab et al., 2021.
YOLO 的独特之处在于，它能够在一次处理过程中同时检测多个目标，而不像传统方法需要逐步扫描整张图片。因此，YOLO 速度更快，检测效率更高。
图 : YOLO 检测出的星系及其类别。"Elliptical"为椭圆星系，"Edge-On"为侧向星系。图片来源：Gonzálezet al., 2018.
基于YOLO 的这种检测和识别能力，研究者人员将哈勃空间望远镜传回的深空图像送入YOLO 模型，成功实现了对星系的定位与检测，包括（1）检测图像中出现的星系，标记它们的位置；（2）判断星系类型，如螺旋星系、椭圆星系、不规则星系等。