图像在深度学习里是怎么表示的：像素、通道、tensor、batch（二）

这一篇要解决一个非常关键的问题：

图像为什么能送进神经网络？

你平时看到的是"人、车、猫、路灯、天空"。

但神经网络并不直接看到这些语义，它先看到的是：

按规则排好的数字。

所以这一篇的核心，不是教你写代码，而是把下面几件事讲清楚：

• 图像为什么本质上是数字

• 宽、高、分辨率在说什么

• 什么是通道

• 为什么彩色图像常写成 [3, H, W]

• tensor 和图像到底是什么关系

• batch 是什么

• resize、crop、标注框为什么和图像表示有关

如果这一篇弄明白了，后面你再看 YOLOv8 的输入、输出、训练数据、特征图，就会顺很多。

---

一、为什么要先学"图像怎么表示"

很多初学者一开始学 YOLOv8，会先碰到这些词：图像尺寸、通道、shape、tensor、batch、

resize、坐标、标注框。

如果这些词只是"眼熟"，后面很容易变成这样：

• 会跑模型

• 会看结果图

• 但不知道模型到底吃进去的是什么

• 也不知道为什么图像一会儿变成 [3, 640, 640]，一会儿又变成 [16, 3, 640, 640]

所以这一步其实是在补"视觉任务的底层输入逻辑"。

先把下面几件事真正弄明白：

**•**一张图为什么可以用数字表示

**•**什么是宽、高、通道

**•**为什么彩色图像经常写成 [3, H, W]

**•**tensor 和图像之间到底是什么关系

**•**batch 又是什么，为什么训练时经常一次送多张图

**•**resize、crop、标注框这些操作为什么和图像表示密切相关

可以先记一句总纲：

在深度学习里，图像不是按"照片"处理的，而是按"多维数字数据"处理的。

---

二、图像为什么本质上是数字

你看到一张图，会觉得它是连续的、自然的、完整的。但在计算机里，它其实是由很多很多小格子组成的。

这些小格子，就叫像素（pixel）。

你可以先把像素想成：

图像里最小的一个小点。

整张图就是很多像素排成的一个网格。

1. 灰度图最容易理解

如果是一张灰度图，那么每个像素只需要一个数，就能表示它有多亮。这个数越小，越偏黑；这个数越大，越偏白。最常见的 8 位图像里，像素值通常落在 0 到 255 之间。

比如：

• 0：很黑

• 255：很白

• 中间值：不同程度的灰

所以一张大小为 H×W 的灰度图，本质上就可以写成一个二维表：H 行，W 列。

图 1 灰度图像可以看成一个二维数字表，每个数字对应一个像素强度

2. 这一步很重要

这一步一定要真正理解：

图像之所以能进入神经网络，不是因为神经网络会直接看"风景"或"人脸"，而是因为图像可以先表示成数字。

也就是说：

• 图像 → 像素

• 像素 → 数值

• 数值 → tensor

• tensor → 输入网络

这才是它进入深度学习的路径。

---

三、宽、高、分辨率，到底在说什么

这一组词特别常见，而且后面你看数据集、看训练参数、看模型输入尺寸时都会碰到。

1. 宽和高

如果一张图写成 640 × 480，通常表示：

• 宽 W = 640

• 高 H = 480

也就是：

• 横向有 640 个像素位置

• 纵向有 480 个像素位置

整张图一共有：

个像素位置。

2. 分辨率是什么

分辨率本质上就是在描述图像有多少像素。

你可以简单理解成：

• 像素多，图像更细

• 像素少，图像更粗

3. 为什么这件事对深度学习重要

因为图像尺寸会直接影响很多事：

• 输入张量有多大

• 一次训练占多少显存

• 训练速度快不快

• 小目标能不能保留足够细节

• resize 后目标会不会变形太明显

所以 H 和 W 不只是"图像尺寸信息"，它们是后面整个视觉模型处理流程的基础。

---

四、通道是什么，为什么彩色图像不是一个二维表

前面说灰度图时，每个像素只需要一个数。但彩色图不是这样。因为彩色图里的每个像素通常至少

要回答三个问题：红色有多强、绿色有多强、蓝色有多强。

• R：红色强度

• G：绿色强度

• B：蓝色强度

1. 一个像素为什么要三个数

比如某个像素点：

• R = 255

• G = 0

• B = 0

那这个点就偏红。

如果：

• R = 0

• G = 255

• B = 0

那这个点就偏绿。

所以一张彩色图里，每个像素其实对应三个数字，而不是一个数字。

2. 什么叫通道

你可以把 RGB 通道理解成：

同一张图，被拆成了三层数字表。

• 一层只管红色有多强

• 一层只管绿色有多强

• 一层只管蓝色有多强

所以彩色图不再只是二维，而是三维数据。

3. 彩色图为什么常写成 [3, H, W]

因为：

• 3：通道数

• H：高

• W：宽

比如一张 224 × 224 的 RGB 图像，常写成：

[3, 224, 224]

这表示：

• 有 3 个通道

• 高是 224

• 宽是 224

4. 为什么有时又看到 [H, W, 3]

因为不同库的数据排列习惯不一样。现阶段先记住最常见、最重要的一种：

在 PyTorch 里，更常见的是 [C, H, W]。

所以后面看到：

[3, 640, 640]

就可以直接翻译成：

一张 RGB 彩色图，高 640，宽 640。

---

五、tensor 到底和图像是什么关系

1. tensor 就是张量

是的，tensor 就是张量。

在深度学习里，tensor 是统一的数据表示形式。图像、标签、模型参数、中间特征图、loss，最后

都可以表示成 tensor。

图 3 可以把 tensor 看成"不同维度的数字块"；图像只是其中一种常见形式。

2. 图像为什么适合用 tensor 表示

因为图像本来就是数字块。

比如：

• 灰度图：二维数字表

• 彩色图：三维数字块

• 一批彩色图：四维数字块

这些都非常适合用 tensor 表示。

3. tensor 不只是装图像

这一点很关键，不要理解窄了。

在深度学习里，tensor 不只可以装图像，还可以装：

• 标签

• 模型参数

• 中间特征图

• loss 的数值

• 梯度

所以更准确地说：

图像是 tensor 的一种典型应用，但 tensor 不等于"图像容器"这么简单。

4. 从维度角度怎么理解 tensor

可以这样记：

• 0 维：一个数

• 1 维：一排数

• 2 维：一张表

• 3 维：一张彩色图

• 4 维：一批图像

所以如果你看到：

[16, 3, 640, 640]

这就不是"一张奇怪的图"，而是：

• 16 张图

• 每张图 3 个通道

• 每张图高 640，宽 640

---

六、batch 是什么，为什么训练时经常不是一张图一张图地送

batch 是后面训练 YOLOv8 时一定会碰到的概念。

1. 什么是 batch

batch 可以理解成：

一次送进模型的样本数量

比如：

• batch size = 1：每次送 1 张图

• batch size = 8：每次送 8 张图

• batch size = 16：每次送 16 张图

2. 为什么不用"一张图一张图"训练

因为训练神经网络时，一次只看一张图通常不太划算。

常见原因有几个：

第一，GPU 更擅长并行计算。

一次处理一批数据，通常效率更高。

第二，一次只看一张图，梯度可能抖动得更厉害。

一次看一批图，更新通常更稳定一些。

第三，很多训练框架和优化过程，本来就是围绕 batch 设计的。

3. batch 和 shape 怎么对应

如果一张 RGB 图是：

[3, 640, 640]

那么 16 张图组成一个 batch 后，就会变成：

[16, 3, 640, 640]

也就是说，最前面多了一维。

这最前面这一维，就是 batch 维度。

---

七、像素值为什么有时是 0~255，有时又变成 0~1

1. 原始图像里常见的是 0~255

无论灰度图还是 RGB 图，常见的 8 位图像里，像素值通常都在 0 到 255 之间。

2. 进入模型前为什么常做归一化

因为神经网络训练时，数值尺度更统一，通常更好优化。

所以很多时候，图像在真正输入网络前，会先做归一化，比如变成：

• 0 到 1

• 或者减均值、除方差后变成更适合训练的范围

3. 这并不表示图像内容变了

这只是数字尺度变了。

你可以理解成：

• 图像还是那张图

• 只是从"整数表示"变成了"更适合计算的数值表示"

---

八、resize 和 crop 到底在做什么

这两个操作在 YOLOv8 和各种视觉任务里都非常高频。

1. resize

resize 就是：

把整张图缩放到指定大小。

比如把一张原始尺寸不规则的图，统一变成：

640 × 640

为什么要这么做？

因为模型通常希望输入尺寸相对统一，这样更方便批量处理和网络计算。

2. crop

crop 就是：

从原图里裁出一块区域。

比如原图里有一只猫，你只保留猫附近这一块，其他地方裁掉。

3. 它们为什么不只是"普通图片处理"

因为它们会直接影响：

• 输入图像的尺寸

• 目标在图里的相对大小

• 坐标系统

• 标注框位置是否需要同步变化

这一点特别关键。

如果你改了图，但没同步改标签，训练就会出问题。

比如：

• 图像缩放了

• 框坐标没缩放

那模型学到的就是错位的监督信号。

图 4 resize、crop 和标注框都和"图像怎样被表示、怎样被处理"直接相关。

---

九、标注框和坐标，为什么对目标检测特别重要

目标检测和普通分类最大的区别之一，就是：

它不只要判断"有什么"，还要判断"在哪里"

所以检测任务里的标签，一般不只是类别名，还包括位置信息。

1. 什么是标注框

标注框就是一个矩形框，用来把目标圈出来。

比如：

• 这个框里是一只猫

• 那个框里是一辆车

• 

2. 框通常怎么表示

最常见的两种方式是：

第一种，左上角 + 右下角：

x1, y1, x2, y2

第二种，中心点 + 宽高：

cx, cy, w, h

不管写法怎么变，本质上都是在描述：

• 这个框在哪里

• 这个框有多大

3. 图像坐标系和数学课坐标系不一样

这里你要特别注意：

在图像里，通常默认：

• 左上角是原点

• x 向右增大

• y 向下增大

这和很多数学图像里"y 轴向上"为正不同。

---

十、进入神经网络后，图像还会保持原来的样子吗

不会。

图像进入网络之后，不会一直保持"原始像素"的状态。会经过卷积、下采样、激活等一系列操作，

逐步变成新的 tensor。

这些新的 tensor，通常叫做：

特征图（feature map）

1. 什么叫特征图

图像经过网络提炼之后得到的新表示

2. 原图和特征图的区别

原图更接近真实像素。

特征图更接近模型在提取"有用信息"之后的内部表示。

比如：

• 浅层特征图更容易保留边缘、纹理、局部细节

• 深层特征图更强调整体语义，比如"像人""像车"

3. 这和 YOLOv8 有什么关系

关系非常大。

因为后面你学 YOLOv8 的 Backbone、Neck、Head 时，会一直看到"特征图"这个词。

你现在先知道一件事就够了：

特征图本质上仍然是 tensor，只是已经不是原始图像了。

---

十一、把这一篇和 YOLOv8 连接起来

1. [3, 640, 640]

表示一张 RGB 图像。

2. [16, 3, 640, 640]

表示一个 batch，有 16 张 RGB 图像。

3. resize 到 640

表示把图像统一缩放到模型期望的输入尺寸附近。

4. bbox 坐标

表示目标在图里的位置。

5. feature map

表示图像进入网络后，被变换成的新 tensor 表示。

所以 YOLOv8 并不是直接"看懂了照片"，而是先接收图像 tensor，再对这些 tensor 做多层计算，最后预测目标框和类别。

---

十二、这一篇最容易混淆的点

1. 图像不等于图片文件

你磁盘里的 jpg、png 是文件格式。

真正参与神经网络计算的，是文件解码之后得到的像素数据。

2. tensor 不只装图像

图像很常见，但标签、参数、特征图、loss 也都可以表示成 tensor。

3. batch 不是"更大的一张图"

batch 表示一批样本，它是在最前面多加了一维，不是把多张图拼成一张图。

4. resize 不只是视觉上的缩放

在深度学习里，它会改变输入尺寸，也可能影响目标相对大小和坐标。

5. 标注框不是画给人看的装饰

在检测任务里，框的位置本身就是监督信息的一部分。

---

十三、本篇小结

• 图像在计算机里本质上是数字

• 灰度图通常是二维数据，彩色图通常有多个通道

• 在深度学习里，图像常被组织成 tensor

• 一张图常写成 [C, H, W]

• 一批图常写成 [N, C, H, W]

• resize、crop、bbox、坐标都和图像表示直接相关

• 图像进入网络后，会逐步变成新的特征图 tensor

---