《YOLO目標檢測》是2023年人民郵電出版社出版的圖書。
基本介紹
- 中文名：YOLO目標檢測
- 作者：楊建華，李瑞峰
- 出版時間：2023年12月
- 出版社：人民郵電出版社
- 頁數：272 頁
- ISBN：9787115627094
- 開本：16 開
- 裝幀：平裝
內容簡介,圖書目錄,作者簡介,
內容簡介
本書主要介紹基於視覺的YOLO框架的技術原理和代碼實現，並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框架的網路結構、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、網路結構和檢測原理。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、軟體工程師等人員學習和閱讀。
圖書目錄
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 目標檢測網路框架概述 5
1．3 目標檢測網路框架淺析 5
1．3．1 主幹網路 5
1．3．2 頸部網路 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 的網路結構 16
3．2 YOLOv1 的檢測原理 18
3．3 YOLOv1 的製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 的損失函式 26
3．5 YOLOv1 的前向推理 27
3．6 小結 29
第4章 搭建YOLOv1網路 30
4．1 改進 YOLOv1 30
4．1．1 改進主幹網路 31
4．1．2 添加一個頸部網路 32
4．1．3 修改檢測頭 33
4．1．4 修改預測層 35
4．1．5 修改損失函式 37
4．2 搭建 YOLOv1 網路 37
4．2．1 搭建主幹網路 39
4．2．2 搭建頸部網路 41
4．2．3 搭建檢測頭 41
4．2．4 YOLOv1 前向推理 41
4．3 YOLOv1 的後處理 44
4．3．1 求解預測邊界框的坐標 44
4．3．2 後處理 46
4．4 小結 48
第5章 訓練YOLOv1網路 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 製作訓練正樣本 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 高解析度主幹網路 78
6．1．3 先驗框機制 79
6．1．4 全卷積網路與先驗框機制 80
6．1．5 使用新的主幹網路 81
6．1．6 基於 k 均值聚類算法的先驗框聚類 82
6．1．7 融合高解析度特徵圖 84
6．1．8 多尺度訓練策略 85
6．2 搭建 YOLOv2 網路 87
6．2．1 搭建 DarkNet-19 網路 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 基於 k 均值聚類算法的先驗框聚類 95
6．4 基於先驗框機制的正樣本製作方法 96
6．4．1 基於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 損失函式 103
6．6 訓練 YOLOv2 網路 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 更好的主幹網路 ： DarkNet-53 111
7．1．2 多級檢測與特徵金字塔 112
7．1．3 修改損失函式 116
7．2 搭建 YOLOv3 網路 118
7．2．1 搭建 DarkNet-53 網路 118
7．2．2 搭建頸部網路 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 損失函式 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 新的主幹網路：CSPDarkNet-53 網路 144
8．1．2 新的特徵金字塔網路：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式 149
8．2 搭建 YOLOv4 網路 150
8．2．1 搭建 CSPDarkNet-53 網路 151
8．2．2 搭建基於 CSP 結構的 SPP 模組 153
8．2．3 搭建 PaFPN 結構 155
8．3 製作訓練正樣本 157
8．4 測試 YOLOv4 159
8．5 小結 161
第3部分 最新的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 網路 173
9．2．1 搭建 CSPDarkNet-53 網路 173
9．2．2 搭建 PaFPN 結構 175
9．3 YOLOX 的標籤匹配：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 的主幹網路 189
10．2 YOLOv7 的特徵金字塔網路 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 主幹網路 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 網路 217
11．2．2 數據預處理 221
11．2．3 正樣本匹配 ： Hungarian Matcher 222
11．2．4 損失函式 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 的網路結構 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 搭建主幹網路 238
12．2．2 搭建 DilatedEncoder 模組 241
12．2．3 搭建解碼器模組 242
12．2．4 數據預處理 244
12．2．5 正樣本匹配 ： Uniform Matcher 246
12．2．6 損失函式 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 網路結構 253
13．1．2 正樣本匹配策略 255
13．1．3 損失函式 258
13．2 搭建 FCOS 258
13．2．1 搭建主幹網路 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
後記 272
作者簡介
楊建華，哈爾濱工業大學在讀博士，主要研究方向為基於視覺的目標檢測與人體時空行為分析，長期耕耘於多個知乎專欄（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，中國人工智慧學會智慧型機器人專業委員會秘書長，黑龍江省機器人學會理事長。
