你有沒有看過一張照片裡有好幾個物件，模型卻要找很久才標得出來？
你可以把 Faster R-CNN 想成先找可疑位置，再做精準確認的偵測流程，先縮小範圍，再判斷那裡是不是目標。
它重要，是因為物件偵測不只要知道「有沒有」，還要知道「在哪裡」，而這一步常比單純分類更費算力。
容易混淆
Faster R-CNN vs R-CNN R-CNN 先找區域、再逐個丟給分類器，流程比較慢。 Faster R-CNN 把區域建議做得更自動，速度和整合度都更好。
錨框 vs 邊界框偵測 錨框是先放好的候選參考框。 邊界框偵測是最後真正輸出的物件位置，兩者不是同一件事。
記住這句就好
先找可能的位置，再判斷是不是目標，就是 Faster R-CNN。
實際案例
路口監視器 先從畫面裡找出可能有車、人、機車的位置，再做分類和框選，速度比逐格人工看快很多。
工廠品管 產線照片裡若要抓瑕疵位置，先用候選區域縮小檢查範圍，再做精細判讀會更有效率。
算法與應用
它的核心是區域建議網路 RPN，會先提出可能含有物件的區域。 接著共享卷積特徵，對候選區域做分類與邊界框回歸，形成兩階段偵測流程。
情境判斷
Q1： 如果你要做圖片裡的人臉偵測，Faster R-CNN 會比只做分類更合適嗎？
會，因為你不只要知道有沒有臉，還要知道臉的位置，這正是物件偵測要解的問題。
Q2： 如果你要在超低延遲手機端即時偵測，Faster R-CNN 一定是最佳選擇嗎？
不一定，因為它是兩階段流程，通常較重；若裝置算力有限，可能要看情況改用更輕量的偵測器。
常見問題
Faster R-CNN 為什麼比舊版快？
因為它把區域建議自動化，減少很多手工搜尋候選區域的成本。
RPN 在做什麼？
它負責提出可能有物件的區域，讓後面的分類與框選更集中。
Faster R-CNN 適合什麼場景？
適合需要較高準確率、可接受多一點計算量的物件偵測工作。
錨框一定要很多嗎？
不一定，數量和尺寸要配合資料集中的物件大小與比例，太多會拖慢計算。