《YOLO目标检测》（异步图书深度学习系列）杨建华

如何自学 占星术 占星教程网盘 塔罗牌教程百度网盘

《YOLO目标检测》（异步图书深度学习系列）杨建华【文字版_PDF电子书_】

内容简介：

本书主要介绍基于视觉的YOLO框架的技术原理和代码实现，并讲解目标检测领域中的诸多基础概念和基本原理，在YOLO框架的基础上介绍流行目标检测框架。本书分为4个部分，共13章。第1部分介绍目标检测领域的发展简史、主流的目标检测框架和该领域常用的数据集。第2部分详细讲解从YOLOv1到YOLOv4这四代YOLO框架的网络结构、检测原理和训练策略，以及搭建和训练的YOLO框架的代码实现。第3部分介绍两个较新的YOLO框架——YOLOX和YOLOv7，着重讲解其设计理念、网络结构和检测原理。第4部分介绍DETR、YOLOF和FCOS在内的流行目标检测框架和相应的代码实现。本书侧重目标检测的基础知识，包含丰富的实践内容，是目标检测领域的入门书，适合对目标检测领域感兴趣的初学者、算法工程师、软件工程师等人员学习和阅读。

作者简介：

杨建华，哈尔滨工业大学在读博士，主要研究方向为基于视觉的目标检测与人体时空行为分析，长期耕耘于多个知乎专栏(知乎ID：Kissrabbit)。

李瑞峰，哈尔滨工业大学教授、机器人研究所副所长，中国人工智能学会智能机器人专业委员会秘书长，黑龙江省机器人学会理事长。

目  录：

目 录

第　1部分 背景知识

第　1章 目标检测架构浅析　2

1.1　目标检测发展简史　2

1.2　目标检测网络框架概述　5

1.3　目标检测网络框架浅析　5

1.3.1　主干网络　5

1.3.2　颈部网络　7

1.3.3　检测头　9

1.4　小结　10

第　2章 常用的数据集　11

2.1　PASCAL VOC 数据集　11

2.2　MS COCO 数据集　12

2.3　小结　14

第　2部分 学习YOLO框架

第3章　YOLOv1　16

3.1　YOLOv1 的网络结构　16

3.2　YOLOv1 的检测原理　18

3.3　YOLOv1 的制作训练正样本的方法　21

3.3.1　边界框的位置参数 tx、ty、w、h　21

3.3.2　边界框的置信度　23

3.3.3　类别置信度　26

3.4　YOLOv1 的损失函数　26

3.5　YOLOv1 的前向推理　27

3.6　小结　29

第4章　搭建YOLOv1网络　30

4.1　改进 YOLOv1　30

4.1.1　改进主干网络　31

4.1.2　添加一个颈部网络　32

4.1.3　修改检测头　33

4.1.4　修改预测层　35

4.1.5　修改损失函数　37

4.2　搭建 YOLOv1 网络　37

4.2.1　搭建主干网络　39

4.2.2　搭建颈部网络　41

4.2.3　搭建检测头　41

4.2.4　YOLOv1 前向推理　41

4.3　YOLOv1 的后处理　44

4.3.1　求解预测边界框的坐标　44

4.3.2　后处理　46

4.4　小结　48

第5章　训练YOLOv1网络　49

5.1　读取 VOC 数据　49

5.2　数据预处理　56

5.2.1　基础变换　56

5.2.2　数据增强　59

5.3　制作训练正样本　61

5.4　计算训练损失　64

5.5　开始训练 YOLOv1　67

5.6　可视化检测结果　74

5.7　使用 COCO 数据集 ( 选读 )　75

5.8　小结　76

第6章　YOLOv2　77

6.1　YOLOv2 详解　77

6.1.1　引入批归一化层　78

6.1.2　高分辨率主干网络　78

6.1.3　先验框机制　79

6.1.4　全卷积网络与先验框机制　80

6.1.5　使用新的主干网络　81

6.1.6　基于 k 均值聚类算法的先验框聚类　82

6.1.7　融合高分辨率特征图　84

6.1.8　多尺度训练策略　85

6.2　搭建 YOLOv2 网络　87

6.2.1　搭建 DarkNet-19 网络　87

6.2.2　先验框　91

6.2.3　搭建预测层　92

6.2.4　YOLOv2 的前向推理　92

6.3　基于 k 均值聚类算法的先验框聚类　95

6.4　基于先验框机制的正样本制作方法　96

6.4.1　基于先验框的正样本匹配策略　96

6.4.2　正样本匹配的代码　97

6.5　损失函数　103

6.6　训练 YOLOv2 网络　105

6.7　可视化检测结果与计算 mAP　105

6.8　使用 COCO 数据集(选读)　106

6.9　小结　108

第7章　YOLOv3　110

7.1　YOLOv3 解读　110

7.1.1　更好的主干网络 : DarkNet-53　111

7.1.2　多级检测与特征金字塔　112

7.1.3　修改损失函数　116

7.2　搭建 YOLOv3 网络　118

7.2.1　搭建 DarkNet-53 网络　118

7.2.2　搭建颈部网络　121

7.2.3　搭建解耦检测头　123

7.2.4　多尺度的先验框　125

7.2.5　YOLOv3 的前向推理　127

7.3　正样本匹配策略　130

7.4　损失函数　133

7.5　数据预处理　133

7.5.1　保留长宽比的 resize 操作　133

7.5.2　马赛克增强　136

7.5.3　混合增强　138

7.6　训练 YOLOv3　140

7.7　测试 YOLOv3　140

7.8　小结　142

第8章　YOLOv4　143

8.1　YOLOv4 解读　144

8.1.1　新的主干网络：CSPDarkNet-53 网络　144

8.1.2　新的特征金字塔网络：PaFPN　146

8.1.3　新的数据增强：马赛克增强　147

8.1.4　改进边界框的解算公式　148

8.1.5　multi anchor 策略　149

8.1.6　改进边界框的回归损失函数　149

8.2　搭建 YOLOv4 网络　150

8.2.1　搭建 CSPDarkNet-53 网络　151

8.2.2　搭建基于 CSP 结构的 SPP 模块　153

8.2.3　搭建 PaFPN 结构　155

8.3　制作训练正样本　157

8.4　测试 YOLOv4　159

8.5　小结　161

第3部分　最新的YOLO框架

第9章　YOLOX　164

9.1　解读 YOLOX　166

9.1.1　baseline 的选择：YOLOv3　166

9.1.2　训练 baseline 模型　166

9.1.3　改进一：解耦检测头　167

9.1.4　改进二：更强大的数据增强　168

9.1.5　改进三：anchor-free 机制　169

9.1.6　改进四：多正样本　169

9.1.7　改进五：SimOTA　169

9.2　搭建 YOLOX 网络　173

9.2.1　搭建 CSPDarkNet-53 网络　173

9.2.2　搭建 PaFPN 结构　175

9.3　YOLOX 的标签匹配：SimOTA　178

9.4　YOLOX 风格的混合增强　182

9.5　测试 YOLOX　185

9.6　小结　187

第　10章 YOLOv7　188

10.1　YOLOv7 的主干网络　189

10.2　YOLOv7 的特征金字塔网络　195

10.3　测试 YOLOv7　199

10.4　小结　200

第4部分　其他流行的目标检测框架

第　11章 DETR　204

11.1　解读 DETR　205

11.1.1　主干网络　205

11.1.2　Transformer 的编码器　208

11.1.3　Transformer 的解码器　211

11.2　实现 DETR　217

11.2.1　DETR 网络　217

11.2.2　数据预处理　221

11.2.3　正样本匹配 : Hungarian Matcher　222

11.2.4　损失函数　225

11.3　测试 DETR 检测器　228

11.4　小结　228

第　12章 YOLOF　230

12.1　YOLOF 解读　232

12.1.1　YOLOF 的网络结构　232

12.1.2　新的正样本匹配规则：Uniform Matcher　234

12.1.3　与其他先进工作的对比　236

12.2　搭建 YOLOF　237

12.2.1　搭建主干网络　238

12.2.2　搭建 DilatedEncoder 模块　241

12.2.3　搭建解码器模块　242

12.2.4　数据预处理　244

12.2.5　正样本匹配 : Uniform Matcher　246

12.2.6　损失函数　248

12.3　训练 YOLOF 检测器　250

12.4　测试 YOLOF 检测器　250

12.5　计算 mAP　251

12.6　小结　251

第　13章 FCOS　252

13.1　FCOS 解读　253

13.1.1　FCOS 网络结构　253

13.1.2　正样本匹配策略　255

13.1.3　损失函数　258

13.2　搭建 FCOS　258

13.2.1　搭建主干网络　259

13.2.2　正样本匹配　262

13.3　测试 FCOS 检测器　266

13.4　小结　267

参考文献　268

后记　272

浏览器不支持脚本！

YOLO框架 目标检测 深度学习

摘要：杨建华的《YOLO目标检测》（异步图书深度学习系列）是一部系统讲解目标检测技术的专业著作，内容涵盖从基础概念到高级应用的全方位解析。书中详细介绍了YOLO（You Only Look Once）算法的原理、网络结构及其在实际场景中的应用案例，同时对目标检测的优化策略、性能评估以及最新发展趋势进行了深入探讨。通过丰富的示例和图示，读者能够快速理解复杂算法背后的逻辑，并掌握在不同环境下实现高效目标检测的方法。该书兼具理论深度和实践指导，为深度学习爱好者、计算机视觉研究者以及工程实践者提供了全面参考。文章将从算法原理、网络结构、应用实践及优化策略四个方面对本书内容进行详细解读，揭示YOLO目标检测的独特价值和实际意义。

1、算法原理解析

YOLO目标检测的核心在于将目标检测问题转化为回归问题，通过单次前向传播即可同时预测边界框和类别概率。这种端到端的处理方式显著提高了检测速度，相比传统的候选框方法，YOLO在实时性方面具有明显优势。

书中对YOLO的基础原理进行了详细剖析，作者首先介绍了网格划分方法，将图像分为多个单元格，每个单元格负责预测固定数量的边界框。这种设计既保证了检测的全局信息，又降低了计算复杂度。

此外，杨建华还深入讲解了损失函数的构建方式，包括边界框坐标误差、置信度误差以及分类误差的综合计算。通过权重调整，YOLO能够在不同尺寸目标上保持较高的检测精度。

2、网络结构设计

书中对YOLO的网络架构进行了系统解读，从最初的YOLOv1到后续的YOLOv5及YOLOv8，作者逐步展示了网络演进的脉络。网络结构的设计核心在于平衡速度与精度，通过卷积层、残差结构和特征融合实现高效特征提取。

杨建华特别强调了特征金字塔网络（FPN）在多尺度目标检测中的作用。通过多层特征融合，YOLO能够同时捕捉小目标和大目标信息，解决了单一尺度特征难以覆盖不同尺寸物体的问题。

另外，书中还介绍了网络轻量化策略，包括深度可分离卷积和剪枝技术。这些优化手段使得YOLO在嵌入式设备和移动端同样能够实现快速检测，满足实际工程需求。

3、应用实践探索

《YOLO目标检测》中提供了丰富的实践案例，包括智能交通、安防监控、无人驾驶以及工业检测等领域。这些案例展示了YOLO在复杂环境下的适应能力和高效检测效果。

作者通过实战项目讲解了数据标注、训练流程以及模型评估方法。读者可以借助示例数据集完成模型训练，并在实际场景中进行部署和调优。

此外，书中还介绍了YOLO在视频流检测中的应用，利用连续帧信息优化目标追踪与检测速度。这一部分强调了算法在实时性场景中的重要性，为开发者提供了可直接落地的解决方案。

4、优化策略与前沿发展

在算法优化方面，杨建华深入分析了学习率调节、数据增强以及迁移学习等方法对YOLO性能的提升作用。通过合理配置训练参数，模型在精度与速度之间取得最佳平衡。

书中还探讨了YOLO在小样本和复杂背景下的优化技巧，如Focal Loss和自适应锚框设计。这些策略有效提高了算法对稀有类别和密集目标的检测能力。

最后，作者对YOLO的发展趋势进行了展望，包括多模态目标检测、轻量化部署以及与生成模型结合的新方向。这些前沿内容为研究者提供了未来研究和应用的参考路线。

总结：

《YOLO目标检测》系统阐述了YOLO算法的基本原理、网络设计、应用实践和优化策略。书中内容由浅入深，通过丰富案例和详细解析，使读者能够全面理解目标检测技术及其实现方法。

该书不仅适合深度学习初学者，也为专业研究者和工程实践者提供了可操作的技术指南。通过学习本书，读者能够掌握YOLO在不同场景下的应用技巧，提高模型性能，实现高效目标检测。

本文由nayona.cn整理

点击联系需要东西方神秘学学习资料，专业的咨询

只要网页介绍资料，全部都有，还有很多还没来得及更新
每天更新200-300款资料
全网最大最全的神秘学资料平台
请需要什么资料，直接在对话框直接联系我，24小时在线，方便快捷
请需要什么资料，直接在对话框直接联系我，24小时在线，方便快捷
请需要什么资料，直接在对话框直接联系我，24小时在线，方便快捷
有看中网站记得联系我

           

联系我们

关注公众号

打赏 微信扫一扫 支付宝扫一扫

雅书

对占星塔罗感兴趣关注公众号