掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
YOLO目標檢測 版權信息
- ISBN：9787115627094
- 條形碼：9787115627094 ; 978-7-115-62709-4
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
YOLO目標檢測 本書特色
1. 全面：涵蓋6個常用目標檢測框架（YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOX、YOLOv7）的發展狀況、技術原理和代碼實現。
2. 流行：涵蓋3個流行目標檢測框架（DETR、YOLOF 和 FCOS）的網絡結構、技術原理和代碼實現。
3. 復現：每個代碼實現章節均配備完整的YOLO項目代碼，幫助讀者輕松復現、優化和調試項目代碼。
4. 豐富：附贈豐富的目標檢測項目代碼和全書彩圖文件，幫助讀者更直觀地理解YOLO目標檢測。
YOLO目標檢測 內容簡介
本書主要介紹基于視覺的YOLO框架的技術原理和代碼實現，并講解目標檢測領域中的諸多基礎概念和基本原理，在YOLO框架的基礎上介紹流行目標檢測框架。本書分為4個部分，共13章。第1部分介紹目標檢測領域的發展簡史、主流的目標檢測框架和該領域常用的數據集。第2部分詳細講解從YOLOv1到YOLOv4這四代YOLO框架的網絡結構、檢測原理和訓練策略，以及搭建和訓練的YOLO框架的代碼實現。第3部分介紹兩個較新的YOLO框架——YOLOX和YOLOv7，著重講解其設計理念、網絡結構和檢測原理。第4部分介紹DETR、YOLOF和FCOS在內的流行目標檢測框架和相應的代碼實現。本書側重目標檢測的基礎知識，包含豐富的實踐內容，是目標檢測領域的入門書，適合對目標檢測領域感興趣的初學者、算法工程師、軟件工程師等人員學習和閱讀。
YOLO目標檢測 目錄
目 錄
第 1部分 背景知識
第 1章 目標檢測架構淺析 2
1.1 目標檢測發展簡史 2
1.2 目標檢測網絡框架概述 5
1.3 目標檢測網絡框架淺析 5
1.3.1 主干網絡 5
1.3.2 頸部網絡 7
1.3.3 檢測頭 9
1.4 小結 10
第 2章 常用的數據集 11
2.1 PASCAL VOC 數據集 11
2.2 MS COCO 數據集 12
2.3 小結 14
第 2部分 學習YOLO框架
第3章 YOLOv1 16
3.1 YOLOv1 的網絡結構 16
3.2 YOLOv1 的檢測原理 18
3.3 YOLOv1 的制作訓練正樣本的方法 21
3.3.1 邊界框的位置參數 tx、ty、w、h 21
3.3.2 邊界框的置信度 23
3.3.3 類別置信度 26
3.4 YOLOv1 的損失函數 26
3.5 YOLOv1 的前向推理 27
3.6 小結 29
第4章 搭建YOLOv1網絡 30
4.1 改進 YOLOv1 30
4.1.1 改進主干網絡 31
4.1.2 添加一個頸部網絡 32
4.1.3 修改檢測頭 33
4.1.4 修改預測層 35
4.1.5 修改損失函數 37
4.2 搭建 YOLOv1 網絡 37
4.2.1 搭建主干網絡 39
4.2.2 搭建頸部網絡 41
4.2.3 搭建檢測頭 41
4.2.4 YOLOv1 前向推理 41
4.3 YOLOv1 的后處理 44
4.3.1 求解預測邊界框的坐標 44
4.3.2 后處理 46
4.4 小結 48
第5章 訓練YOLOv1網絡 49
5.1 讀取 VOC 數據 49
5.2 數據預處理 56
5.2.1 基礎變換 56
5.2.2 數據增強 59
5.3 制作訓練正樣本 61
5.4 計算訓練損失 64
5.5 開始訓練 YOLOv1 67
5.6 可視化檢測結果 74
5.7 使用 COCO 數據集 ( 選讀 ) 75
5.8 小結 76
第6章 YOLOv2 77
6.1 YOLOv2 詳解 77
6.1.1 引入批歸一化層 78
6.1.2 高分辨率主干網絡 78
6.1.3 先驗框機制 79
6.1.4 全卷積網絡與先驗框機制 80
6.1.5 使用新的主干網絡 81
6.1.6 基于 k 均值聚類算法的先驗框聚類 82
6.1.7 融合高分辨率特征圖 84
6.1.8 多尺度訓練策略 85
6.2 搭建 YOLOv2 網絡 87
6.2.1 搭建 DarkNet-19 網絡 87
6.2.2 先驗框 91
6.2.3 搭建預測層 92
6.2.4 YOLOv2 的前向推理 92
6.3 基于 k 均值聚類算法的先驗框聚類 95
6.4 基于先驗框機制的正樣本制作方法 96
6.4.1 基于先驗框的正樣本匹配策略 96
6.4.2 正樣本匹配的代碼 97
6.5 損失函數 103
6.6 訓練 YOLOv2 網絡 105
6.7 可視化檢測結果與計算 mAP 105
6.8 使用 COCO 數據集（選讀） 106
6.9 小結 108
第7章 YOLOv3 110
7.1 YOLOv3 解讀 110
7.1.1 更好的主干網絡 : DarkNet-53 111
7.1.2 多級檢測與特征金字塔 112
7.1.3 修改損失函數 116
7.2 搭建 YOLOv3 網絡 118
7.2.1 搭建 DarkNet-53 網絡 118
7.2.2 搭建頸部網絡 121
7.2.3 搭建解耦檢測頭 123
7.2.4 多尺度的先驗框 125
7.2.5 YOLOv3 的前向推理 127
7.3 正樣本匹配策略 130
7.4 損失函數 133
7.5 數據預處理 133
7.5.1 保留長寬比的 resize 操作 133
7.5.2 馬賽克增強 136
7.5.3 混合增強 138
7.6 訓練 YOLOv3 140
7.7 測試 YOLOv3 140
7.8 小結 142
第8章 YOLOv4 143
8.1 YOLOv4 解讀 144
8.1.1 新的主干網絡：CSPDarkNet-53 網絡 144
8.1.2 新的特征金字塔網絡：PaFPN 146
8.1.3 新的數據增強：馬賽克增強 147
8.1.4 改進邊界框的解算公式 148
8.1.5 multi anchor 策略 149
8.1.6 改進邊界框的回歸損失函數 149
8.2 搭建 YOLOv4 網絡 150
8.2.1 搭建 CSPDarkNet-53 網絡 151
8.2.2 搭建基于 CSP 結構的 SPP 模塊 153
8.2.3 搭建 PaFPN 結構 155
8.3 制作訓練正樣本 157
8.4 測試 YOLOv4 159
8.5 小結 161
第3部分 *新的YOLO框架
第9章 YOLOX 164
9.1 解讀 YOLOX 166
9.1.1 baseline 的選擇：YOLOv3 166
9.1.2 訓練 baseline 模型 166
9.1.3 改進一：解耦檢測頭 167
9.1.4 改進二：更強大的數據增強 168
9.1.5 改進三：anchor-free 機制 169
9.1.6 改進四：多正樣本 169
9.1.7 改進五：SimOTA 169
9.2 搭建 YOLOX 網絡 173
9.2.1 搭建 CSPDarkNet-53 網絡 173
9.2.2 搭建 PaFPN 結構 175
9.3 YOLOX 的標簽匹配：SimOTA 178
9.4 YOLOX 風格的混合增強 182
9.5 測試 YOLOX 185
9.6 小結 187
第 10章 YOLOv7 188
10.1 YOLOv7 的主干網絡 189
10.2 YOLOv7 的特征金字塔網絡 195
10.3 測試 YOLOv7 199
10.4 小結 200
第4部分 其他流行的目標檢測框架
第 11章 DETR 204
11.1 解讀 DETR 205
11.1.1 主干網絡 205
11.1.2 Transformer 的編碼器 208
11.1.3 Transformer 的解碼器 211
11.2 實現 DETR 217
11.2.1 DETR 網絡 217
11.2.2 數據預處理 221
11.2.3 正樣本匹配 : Hungarian Matcher 222
11.2.4 損失函數 225
11.3 測試 DETR 檢測器 228
11.4 小結 228
第 12章 YOLOF 230
12.1 YOLOF 解讀 232
12.1.1 YOLOF 的網絡結構 232
12.1.2 新的正樣本匹配規則：Uniform Matcher 234
12.1.3 與其他先進工作的對比 236
12.2 搭建 YOLOF 237
12.2.1 搭建主干網絡 238
12.2.2 搭建 DilatedEncoder 模塊 241
12.2.3 搭建解碼器模塊 242
12.2.4 數據預處理 244
12.2.5 正樣本匹配 : Uniform Matcher 246
12.2.6 損失函數 248
12.3 訓練 YOLOF 檢測器 250
12.4 測試 YOLOF 檢測器 250
12.5 計算 mAP 251
12.6 小結 251
第 13章 FCOS 252
13.1 FCOS 解讀 253
13.1.1 FCOS 網絡結構 253
13.1.2 正樣本匹配策略 255
13.1.3 損失函數 258
13.2 搭建 FCOS 258
13.2.1 搭建主干網絡 259
13.2.2 正樣本匹配 262
13.3 測試 FCOS 檢測器 266
13.4 小結 267
參考文獻 268
后記 272
第 1部分 背景知識
第 1章 目標檢測架構淺析 2
1.1 目標檢測發展簡史 2
1.2 目標檢測網絡框架概述 5
1.3 目標檢測網絡框架淺析 5
1.3.1 主干網絡 5
1.3.2 頸部網絡 7
1.3.3 檢測頭 9
1.4 小結 10
第 2章 常用的數據集 11
2.1 PASCAL VOC 數據集 11
2.2 MS COCO 數據集 12
2.3 小結 14
第 2部分 學習YOLO框架
第3章 YOLOv1 16
3.1 YOLOv1 的網絡結構 16
3.2 YOLOv1 的檢測原理 18
3.3 YOLOv1 的制作訓練正樣本的方法 21
3.3.1 邊界框的位置參數 tx、ty、w、h 21
3.3.2 邊界框的置信度 23
3.3.3 類別置信度 26
3.4 YOLOv1 的損失函數 26
3.5 YOLOv1 的前向推理 27
3.6 小結 29
第4章 搭建YOLOv1網絡 30
4.1 改進 YOLOv1 30
4.1.1 改進主干網絡 31
4.1.2 添加一個頸部網絡 32
4.1.3 修改檢測頭 33
4.1.4 修改預測層 35
4.1.5 修改損失函數 37
4.2 搭建 YOLOv1 網絡 37
4.2.1 搭建主干網絡 39
4.2.2 搭建頸部網絡 41
4.2.3 搭建檢測頭 41
4.2.4 YOLOv1 前向推理 41
4.3 YOLOv1 的后處理 44
4.3.1 求解預測邊界框的坐標 44
4.3.2 后處理 46
4.4 小結 48
第5章 訓練YOLOv1網絡 49
5.1 讀取 VOC 數據 49
5.2 數據預處理 56
5.2.1 基礎變換 56
5.2.2 數據增強 59
5.3 制作訓練正樣本 61
5.4 計算訓練損失 64
5.5 開始訓練 YOLOv1 67
5.6 可視化檢測結果 74
5.7 使用 COCO 數據集 ( 選讀 ) 75
5.8 小結 76
第6章 YOLOv2 77
6.1 YOLOv2 詳解 77
6.1.1 引入批歸一化層 78
6.1.2 高分辨率主干網絡 78
6.1.3 先驗框機制 79
6.1.4 全卷積網絡與先驗框機制 80
6.1.5 使用新的主干網絡 81
6.1.6 基于 k 均值聚類算法的先驗框聚類 82
6.1.7 融合高分辨率特征圖 84
6.1.8 多尺度訓練策略 85
6.2 搭建 YOLOv2 網絡 87
6.2.1 搭建 DarkNet-19 網絡 87
6.2.2 先驗框 91
6.2.3 搭建預測層 92
6.2.4 YOLOv2 的前向推理 92
6.3 基于 k 均值聚類算法的先驗框聚類 95
6.4 基于先驗框機制的正樣本制作方法 96
6.4.1 基于先驗框的正樣本匹配策略 96
6.4.2 正樣本匹配的代碼 97
6.5 損失函數 103
6.6 訓練 YOLOv2 網絡 105
6.7 可視化檢測結果與計算 mAP 105
6.8 使用 COCO 數據集（選讀） 106
6.9 小結 108
第7章 YOLOv3 110
7.1 YOLOv3 解讀 110
7.1.1 更好的主干網絡 : DarkNet-53 111
7.1.2 多級檢測與特征金字塔 112
7.1.3 修改損失函數 116
7.2 搭建 YOLOv3 網絡 118
7.2.1 搭建 DarkNet-53 網絡 118
7.2.2 搭建頸部網絡 121
7.2.3 搭建解耦檢測頭 123
7.2.4 多尺度的先驗框 125
7.2.5 YOLOv3 的前向推理 127
7.3 正樣本匹配策略 130
7.4 損失函數 133
7.5 數據預處理 133
7.5.1 保留長寬比的 resize 操作 133
7.5.2 馬賽克增強 136
7.5.3 混合增強 138
7.6 訓練 YOLOv3 140
7.7 測試 YOLOv3 140
7.8 小結 142
第8章 YOLOv4 143
8.1 YOLOv4 解讀 144
8.1.1 新的主干網絡：CSPDarkNet-53 網絡 144
8.1.2 新的特征金字塔網絡：PaFPN 146
8.1.3 新的數據增強：馬賽克增強 147
8.1.4 改進邊界框的解算公式 148
8.1.5 multi anchor 策略 149
8.1.6 改進邊界框的回歸損失函數 149
8.2 搭建 YOLOv4 網絡 150
8.2.1 搭建 CSPDarkNet-53 網絡 151
8.2.2 搭建基于 CSP 結構的 SPP 模塊 153
8.2.3 搭建 PaFPN 結構 155
8.3 制作訓練正樣本 157
8.4 測試 YOLOv4 159
8.5 小結 161
第3部分 *新的YOLO框架
第9章 YOLOX 164
9.1 解讀 YOLOX 166
9.1.1 baseline 的選擇：YOLOv3 166
9.1.2 訓練 baseline 模型 166
9.1.3 改進一：解耦檢測頭 167
9.1.4 改進二：更強大的數據增強 168
9.1.5 改進三：anchor-free 機制 169
9.1.6 改進四：多正樣本 169
9.1.7 改進五：SimOTA 169
9.2 搭建 YOLOX 網絡 173
9.2.1 搭建 CSPDarkNet-53 網絡 173
9.2.2 搭建 PaFPN 結構 175
9.3 YOLOX 的標簽匹配：SimOTA 178
9.4 YOLOX 風格的混合增強 182
9.5 測試 YOLOX 185
9.6 小結 187
第 10章 YOLOv7 188
10.1 YOLOv7 的主干網絡 189
10.2 YOLOv7 的特征金字塔網絡 195
10.3 測試 YOLOv7 199
10.4 小結 200
第4部分 其他流行的目標檢測框架
第 11章 DETR 204
11.1 解讀 DETR 205
11.1.1 主干網絡 205
11.1.2 Transformer 的編碼器 208
11.1.3 Transformer 的解碼器 211
11.2 實現 DETR 217
11.2.1 DETR 網絡 217
11.2.2 數據預處理 221
11.2.3 正樣本匹配 : Hungarian Matcher 222
11.2.4 損失函數 225
11.3 測試 DETR 檢測器 228
11.4 小結 228
第 12章 YOLOF 230
12.1 YOLOF 解讀 232
12.1.1 YOLOF 的網絡結構 232
12.1.2 新的正樣本匹配規則：Uniform Matcher 234
12.1.3 與其他先進工作的對比 236
12.2 搭建 YOLOF 237
12.2.1 搭建主干網絡 238
12.2.2 搭建 DilatedEncoder 模塊 241
12.2.3 搭建解碼器模塊 242
12.2.4 數據預處理 244
12.2.5 正樣本匹配 : Uniform Matcher 246
12.2.6 損失函數 248
12.3 訓練 YOLOF 檢測器 250
12.4 測試 YOLOF 檢測器 250
12.5 計算 mAP 251
12.6 小結 251
第 13章 FCOS 252
13.1 FCOS 解讀 253
13.1.1 FCOS 網絡結構 253
13.1.2 正樣本匹配策略 255
13.1.3 損失函數 258
13.2 搭建 FCOS 258
13.2.1 搭建主干網絡 259
13.2.2 正樣本匹配 262
13.3 測試 FCOS 檢測器 266
13.4 小結 267
參考文獻 268
后記 272
展開全部
YOLO目標檢測 作者簡介
楊建華，哈爾濱工業大學在讀博士，主要研究方向為基于視覺的目標檢測與人體時空行為分析，長期耕耘于多個知乎專欄（知乎ID：Kissrabbit）。 李瑞峰，哈爾濱工業大學教授、機器人研究所副所長，中國人工智能學會智能機器人專業委員會秘書長，黑龍江省機器人學會理事長。
書友推薦
- >
二體千字文
- >
月亮與六便士
- >
我從未如此眷戀人間
- >
莉莉和章魚
- >
回憶愛瑪儂
- >
隨園食單
- >
李白與唐代文化
- >
我與地壇
本類暢銷
