深度學(xué)習(xí)之PyTorch物體檢測實(shí)戰(zhàn)

深度學(xué)習(xí)之PyTorch物體檢測實(shí)戰(zhàn)讀書筆記模板01思維導(dǎo)圖讀書筆記目錄分析內(nèi)容摘要精彩摘錄作者介紹目錄0305020406思維導(dǎo)圖物體深度物體角度實(shí)戰(zhàn)方法經(jīng)典讀者物體網(wǎng)絡(luò)深度模型檢測器數(shù)據(jù)經(jīng)典第章發(fā)展特征改進(jìn)本書關(guān)鍵字分析思維導(dǎo)圖內(nèi)容摘要內(nèi)容摘要本書從概念、發(fā)展、經(jīng)典實(shí)現(xiàn)方法等幾個(gè)方面系統(tǒng)地介紹了物體檢測的相關(guān)知識(shí)，重點(diǎn)介紹了FasterRCNN、SDD和YOLO這三個(gè)經(jīng)典的檢測器，并利用PyTorch框架從代碼角度進(jìn)行了細(xì)致講解。另外，本書進(jìn)一步介紹了物體檢測的輕量化網(wǎng)絡(luò)、細(xì)節(jié)處理、難點(diǎn)問題及未來的發(fā)展趨勢，從實(shí)戰(zhàn)角度給出了多種優(yōu)秀的解決方法，便于讀者更深入地掌握物體檢測技術(shù)，從而做到在實(shí)際項(xiàng)目中靈活應(yīng)用。讀書筆記讀書筆記滿分，內(nèi)容較新，pytorch方面的圖像處理，部分新的方法不夠詳細(xì)，專注檢測。對于物體檢測介紹得算比較全面了，而且輔助于pytorch代碼，就更易于理解了。對于比較經(jīng)典的目標(biāo)檢測算法都有介紹，感覺是入門比較好的書啦，看完之后看論文看代碼就輕松很多。介紹的挺全面，深入淺出的介紹基礎(chǔ)網(wǎng)絡(luò)模型以及檢測網(wǎng)絡(luò)模型，同時(shí)配套代碼也很詳細(xì)。純新手不適合。沒有真正可操作的例子，理論講解不夠通俗易懂，堆了一些不必要的代碼。書中有一些筆誤并且不是很適合0基礎(chǔ)學(xué)習(xí)。非常不錯(cuò)的一本入門書。Anchor————->Anchor-free，從入門到調(diào)通FairMOT項(xiàng)目。本書是國內(nèi)原創(chuàng)圖書市場上首部系統(tǒng)介紹物體檢測技術(shù)的圖書。精彩摘錄精彩摘錄對于一個(gè)檢測器，通常使用mAP（meanAveragePrecision）這一指標(biāo)來評價(jià)一個(gè)模型的好壞，這里的AP指的是一個(gè)類別的檢測精度，mAP則是多個(gè)類別的平均精度。對于具體的某個(gè)物體來講，我們可以從預(yù)測框與真實(shí)框的貼合程度來判斷檢測的質(zhì)量，通常使用IoU（IntersectionofUnion）來量化貼合程度。根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)的不同，深度學(xué)習(xí)模型可以分為卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork,CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork,RNN）及生成式對抗網(wǎng)絡(luò)（GenerativeAdviserialNetwork,GAN）。機(jī)器學(xué)習(xí)算法中最重要的就是數(shù)據(jù)，根據(jù)使用的數(shù)據(jù)形式，可以分為三大類：監(jiān)督學(xué)習(xí)（SupervisedLearning）、無監(jiān)督學(xué)習(xí)（UnsupervisedLearning）與強(qiáng)化學(xué)習(xí)（ReinforcementLearning）第一步通常是利用卷積神經(jīng)網(wǎng)絡(luò)處理輸入圖像，生成深層的特征圖，然后再利用各種算法完成區(qū)域生成與損失計(jì)算，這部分卷積神經(jīng)網(wǎng)絡(luò)是整個(gè)檢測算法的“骨架”，也被稱為Backbone。在卷積網(wǎng)絡(luò)中，通常會(huì)在卷積層之間增加池化（Pooling）層，以降低特征圖的參數(shù)量，提升計(jì)算速度，增加感受野，是一種降采樣操作。目錄分析第1章淺談物體檢測與PyTorch第3章網(wǎng)絡(luò)骨架：Backbone第2章PyTorch基礎(chǔ)第1篇物體檢測基礎(chǔ)知識(shí)第1章淺談物體檢測與PyTorch1.1深度學(xué)習(xí)與計(jì)算機(jī)視覺1.2物體檢測技術(shù)1.3PyTorch簡介1.4基礎(chǔ)知識(shí)準(zhǔn)備1.5總結(jié)第2章PyTorch基礎(chǔ)2.1基本數(shù)據(jù)：Tensor2.2Autograd與計(jì)算圖2.3神經(jīng)網(wǎng)絡(luò)工具箱torch.nn2.4模型處理2.5數(shù)據(jù)處理2.6總結(jié)第3章網(wǎng)絡(luò)骨架：Backbone3.1神經(jīng)網(wǎng)絡(luò)基本組成3.2走向深度：VGGNet3.3縱橫交錯(cuò)：Inception3.4里程碑：ResNet3.5繼往開來：DenseNet3.6特征金字塔：FPN3.7為檢測而生：DetNet3.8總結(jié)第4章兩階經(jīng)典檢測器：FasterRCNN第6章單階經(jīng)典檢測器：YOLO第5章單階多層檢測器：SSD第2篇物體檢測經(jīng)典框架第4章兩階經(jīng)典檢測器：FasterRCNN4.1RCNN系列發(fā)展歷程4.2準(zhǔn)備工作4.3FasterRCNN總覽4.4詳解RPN4.5RoIPooling層4.6全連接RCNN模塊4.7FasterRCNN的改進(jìn)算法4.8總結(jié)第5章單階多層檢測器：SSD5.1SSD總覽5.2數(shù)據(jù)預(yù)處理5.3網(wǎng)絡(luò)架構(gòu)5.4匹配與損失求解5.5SSD的改進(jìn)算法5.6總結(jié)第6章單階經(jīng)典檢測器：YOLO6.1無錨框預(yù)測：YOLOv16.2依賴錨框：YOLOv26.3多尺度與特征融合：YOLOv36.4總結(jié)第7章模型加速之輕量化網(wǎng)絡(luò)第8章物體檢測細(xì)節(jié)處理第9章物體檢測難點(diǎn)第10章物體檢測的未來發(fā)展第3篇物體檢測的難點(diǎn)與發(fā)展第7章模型加速之輕量化網(wǎng)絡(luò)7.1壓縮再擴(kuò)展：SqueezeNet7.2深度可分離：MobileNet7.3通道混洗：ShuffleNet7.4總結(jié)第8章物體檢測細(xì)節(jié)處理8.1非極大值抑制：NMS8.2樣本不均衡問題8.3模型過擬合8.4總結(jié)第9章物體檢測難點(diǎn)9.1多尺度檢測9.2擁擠與遮擋9.3總