山烛-CSDN博客

原创一文读懂YOLOv4：目标检测领域的技术融合与性能突破

YOLOv4 并非依赖单一技术的 “单点突破”，而是目标检测领域 “技术融合” 的典范 —— 它把数据增强、损失计算、网络结构等方向的先进设计系统性整合，既解决了前代模型的定位不准、漏检、速度慢等问题，又保持了工业场景需要的实用性，最终实现了检测精度与推理速度的完美平衡。

2025-11-10 22:42:50 1972

原创 YOLO v3：目标检测领域的经典革新与实战指南

YOLO 系列的核心思想是将目标检测问题转化为 “回归问题”—— 通过一个神经网络直接预测目标的类别概率与位置坐标，无需先生成候选框（如两阶段算法 Faster R-CNN 的 RPN 网络）。YOLO v1 以 “快” 著称，但存在小目标检测效果差、每个网格仅预测 1 个类别等问题；YOLO v2 通过锚框（Anchor Box）、多尺度训练等改进提升了精度，但小目标检测仍有瓶颈。

2025-10-14 22:08:47 1254 1

YOLO v2 通过对训练策略、网络架构、定位方法的全方位优化，打破了 “速度与精度不可兼得” 的魔咒，成为目标检测领域的经典之作。它不仅解决了 YOLO v1 的核心痛点，更开创了 “跨数据集联合训练”“动态先验框” 等创新思路，为后续 YOLO 系列的演进奠定了坚实基础。即使在 YOLO v8 已发布的今天，YOLO v2 的设计思想仍对轻量级目标检测算法的研发具有重要参考价值，是学习目标检测技术不可绕过的关键模型。

2025-10-12 23:09:08 1117

原创 YOLO 系列目标检测算法入门：从 YOLO v1 开始理解 One-Stage 检测器

将目标检测问题转化为一个回归问题，通过单次前向传播即可完成对图像中所有目标的定位与分类。任务是否加权权重原因定位（x, y, w, h）是λcoord5λcoord5定位不准影响大无目标置信度是λnoobj0.5λnoobj0.5负样本过多有目标置信度 & 分类否1.0正样本已稀疏这种设计体现了 YOLO v1 在样本不平衡和多任务冲突下的工程智慧。YOLO v1 虽然在精度上不如后来的版本，但其开创性的“单次检测”思想彻底改变了目标检测的范式。

2025-10-10 22:15:30 1547

原创 YOLO v1：目标检测领域的单阶段革命之作

YOLO v1虽然存在精度不足、小目标检测能力弱等问题，但它开创了“单阶段目标检测”的新范式，证明了“端到端回归”在目标检测任务中的可行性。其核心思想（网格划分、边界框回归、置信度设计）为后续YOLO系列（v2、v3、v5）及其他单阶段算法（如SSD、RetinaNet）提供了重要借鉴。如果说R-CNN系列奠定了目标检测的深度学习基础，那么YOLO v1则开启了实时目标检测的新时代。对于刚接触目标检测的开发者，理解YOLO v1的设计思路，是掌握后续复杂算法的关键一步。

2025-10-10 21:36:26 1380

原创手把手教你用 Flask+PyTorch 实现图像分类模型部署

通过本文的步骤，你已经实现了一个完整的 “客户端 - 服务器” 图像分类系统。这种部署方式不仅适用于图像分类，还可扩展到目标检测、语义分割等其他深度学习任务，只需修改模型加载和数据处理逻辑即可。

2025-10-09 21:46:42 990

原创一文读懂循环神经网络（RNN）：原理、局限与LSTM解决方案

RNN通过“隐状态”实现对序列数据的处理，但受限于梯度消失，无法学习长期依赖；LSTM通过“遗忘门”“输入门”“输出门”的门控机制，解决了RNN的痛点，能有效捕捉长序列中的关键信息；在实际NLP项目（如本文后续会讲的微博情感分析）中，LSTM是处理长文本的首选模型，而RNN可用于短序列任务以降低计算成本。

2025-09-28 22:48:09 1921

原创计算机视觉：人脸关键点定位与轮廓绘制

在计算机视觉领域，人脸关键点检测是表情识别、人脸编辑、疲劳监测等高级应用的核心基础。本文将跳过环境搭建环节，直接从核心原理出发，结合 OpenCV 与 dlib 库，详细讲解人脸 68 个关键点的定位与面部轮廓绘制的完整实现过程。

2025-09-27 23:35:58 1473 1

原创 OpenCV ：基于 Lucas-Kanade 算法的视频光流估计实现

光流估计是指空间运动物体在图像平面上像素运动的瞬时速度，它能反映相邻帧之间像素的位置变化。通过光流向量，我们可以判断目标的运动方向和速度，常用于目标跟踪、运动检测、视频防抖等场景。

2025-09-26 21:53:26 994

原创计算机视觉：OpenCV+Dlib 人脸检测

在计算机视觉领域，人脸检测是人脸识别、表情分析、疲劳监测等应用的基础步骤。本文结合 OpenCV 与 Dlib 两大工具库，从环境配置到实战代码，手把手教你实现高效的人脸检测，尤其适合刚入门计算机视觉的开发者。

2025-09-25 21:34:09 1407

原创一文读懂循环神经网络（RNN）：原理、局限与LSTM解决方案

RNN通过“隐状态”实现对序列数据的处理，但受限于梯度消失，无法学习长期依赖；LSTM通过“遗忘门”“输入门”“输出门”的门控机制，解决了RNN的痛点，能有效捕捉长序列中的关键信息；在实际NLP项目（如本文后续会讲的微博情感分析）中，LSTM是处理长文本的首选模型，而RNN可用于短序列任务以降低计算成本。

2025-09-24 23:03:26 1432

原创 OpenCV：指纹识别

指纹系统的核心算法围绕 “特征提取（SIFT）+ 特征匹配（FLANN）SIFT 确保指纹特征在尺度、旋转变化下的稳定性，是匹配的 “基础”；FLANN 通过 K 近邻 + Lowe's 比率，快速筛选优质匹配对，是精度的 “保障”；多模板识别则通过 “遍历 + 最优筛选”，将单对匹配扩展到多用户场景。实际开发中，需根据指纹图像质量（噪声、分辨率）、设备算力、实时性要求，调整算法参数或替换算法，实现 “精度与速度” 的平衡。

2025-09-23 23:00:06 1178

原创 OpenCV：人脸识别实战，3 种算法（LBPH/EigenFaces/FisherFaces）代码详解

在计算机视觉领域，人脸识别是最经典且实用的技术之一。OpenCV 提供了 LBPH、EigenFaces、FisherFaces 三种成熟的人脸识别算法，无需复杂的深度学习框架，仅用传统机器学习就能实现高效人脸匹配。

2025-09-22 21:18:02 2171

原创 OpenCV：人脸检测，Haar 级联分类器原理

在 OpenCV 的人脸检测技术中，Haar 级联分类器凭借高效的定位能力和低部署门槛，成为计算机视觉入门的核心工具。它通过捕捉人脸灰度特征与多级筛选机制，实现从图像中快速定位人脸的目标，广泛应用于人脸识别、表情分析等场景。

2025-09-21 21:01:13 1305

原创 OpenCV：DNN 模块实现图像风格迁移

本次实操严格遵循 DNN 模块 “预处理→模型导入→推理→结果处理” 的流程，核心是理解 “模型输入格式要求” 与 “图像维度转换逻辑”，这是保证风格迁移成功的关键。

2025-09-20 22:59:37 1264 2

原创 OpenCV ：基于 Lucas-Kanade 算法的视频光流估计实现

光流估计是指空间运动物体在图像平面上像素运动的瞬时速度，它能反映相邻帧之间像素的位置变化。通过光流向量，我们可以判断目标的运动方向和速度，常用于目标跟踪、运动检测、视频防抖等场景。

2025-09-19 22:54:36 1447

原创 OpenCV：背景建模

在计算机视觉的视频分析领域，背景建模是核心技术之一。它的核心目标是从动态视频序列中分离出与（如移动的人、车辆、物体等），为后续的运动目标跟踪、行为分析等任务奠定基础。

2025-09-17 15:58:15 1069 1

原创 OpenCV：答题卡识别

一共有4个坐标点rect = np.zeros(shape=(4, 2), dtype="float32") # 用来存储排序之后的坐标位置# 按顺序找到对应坐标0123分别是左上，右上，右下，左下s = pts.sum(axis=1) # 对pts矩阵的每一行进行求和操作，(x+y)diff = np.diff(pts, axis=1) # 对pts矩阵的每一行进行求差操作，(y-x)

2025-09-16 20:19:03 676

原创 OpenCV：图像拼接（SIFT 特征匹配 + 透视变换）

在计算机视觉领域，图像拼接是一项重要且实用的技术，它能将多幅存在重叠区域的图像融合成一幅宽视角的完整图像，广泛应用于全景摄影、遥感图像处理等场景。本文将详细介绍如何使用 Python 结合 OpenCV 库，通过 SIFT 特征检测与匹配、透视变换等核心步骤，实现两张图像的自动拼接，并在正文中明确标注各步骤对应的 OpenCV API 及参数含义。

2025-09-15 22:42:26 2042 1

原创 OpenCV：指纹识别

指纹系统的核心算法围绕 “特征提取（SIFT）+ 特征匹配（FLANN）SIFT 确保指纹特征在尺度、旋转变化下的稳定性，是匹配的 “基础”；FLANN 通过 K 近邻 + Lowe's 比率，快速筛选优质匹配对，是精度的 “保障”；多模板识别则通过 “遍历 + 最优筛选”，将单对匹配扩展到多用户场景。实际开发中，需根据指纹图像质量（噪声、分辨率）、设备算力、实时性要求，调整算法参数或替换算法，实现 “精度与速度” 的平衡。

2025-09-14 23:26:25 1891

原创 OpenCV：特征提取

图像特征是图像中具有独特性、可区分性的 “关键信息”，能够反映图像局部或全局的本质属性。局部特征：如角点、边缘、纹理，聚焦图像局部区域的灰度变化或结构信息，适用于目标匹配、姿态估计等场景；全局特征：如直方图、图像矩，描述整幅图像的统计属性，常用于图像检索、风格分类；深度学习特征：通过 CNN 网络自动学习的抽象特征，如 CNN 的卷积层输出，适用于复杂场景的图像识别。在传统计算机视觉中，局部特征因具备尺度不变性（对图像缩放不敏感）、旋转不变性（对图像旋转不敏感）和光照鲁棒性。

2025-09-13 23:27:07 1537

原创 OpenCV：特征提取

图像特征是图像中具有独特性、可区分性的 “关键信息”，能够反映图像局部或全局的本质属性。局部特征：如角点、边缘、纹理，聚焦图像局部区域的灰度变化或结构信息，适用于目标匹配、姿态估计等场景；全局特征：如直方图、图像矩，描述整幅图像的统计属性，常用于图像检索、风格分类；深度学习特征：通过 CNN 网络自动学习的抽象特征，如 CNN 的卷积层输出，适用于复杂场景的图像识别。在传统计算机视觉中，局部特征因具备尺度不变性（对图像缩放不敏感）、旋转不变性（对图像旋转不敏感）和光照鲁棒性。

2025-09-12 23:27:21 1343

原创 OpenCV：图像透视变换

在计算机视觉领域，我们经常会遇到拍摄角度不佳导致图像变形的问题，比如倾斜的发票、扭曲的文档等。这时候，图像透视变换就成了“救星”。它能将倾斜、变形的图像矫正为正视角，为后续的文字识别、信息提取等操作扫清障碍。今天，我们就从原理入手，结合实战案例，带大家全面掌握图像透视变换。

2025-09-11 23:01:34 1934

原创 OpenCV：图像直方图

图像直方图是图像像素灰度级别分布的图形化表达，它以 “像素灰度值” 为横轴，以 “该灰度值对应的像素数量” 为纵轴，直观地呈现图像的明暗分布特征。举个简单例子：一张纯黑图像的直方图，只会在灰度值 0 的位置出现一个峰值；而一张高对比度图像的直方图，像素会集中在灰度值较低（暗部）和较高（亮部）的区域，中间灰度区域像素较少。

2025-09-10 23:23:46 1523

原创 OpenCV：图像金字塔

图像金字塔是由同一幅图像的多个不同分辨率子图构成的集合，因其层级结构形似“金字塔”而得名。层级关系：金字塔的底部是原始高分辨率图像（记为G₀），向上每一层（G₁、G₂、…、Gₙ）的分辨率都逐步降低，顶部可能仅保留1个像素点。分辨率变化规律：通常每向上移动一层，图像的宽度和高度会缩小为前一层的1/2，像素总数减少为1/4（也可根据需求调整缩放比例）。核心作用：将单分辨率图像转化为多尺度表示，让算法能在不同“尺度”下分析图像（例如大尺度检测目标整体，小尺度捕捉细节）。示例。

2025-09-09 21:43:59 1329

原创 OpenCV：银行卡号识别

myutils.py轮廓排序和图像缩放import cv2"""对轮廓进行排序（支持4种排序方式）:param cnts: 输入的轮廓列表:param method: 排序方式，默认左到右（left-to-right），可选：right-to-left、top-to-bottom、bottom-to-top:return: 排序后的轮廓列表、对应的边界框列表"""reverse = False # 是否逆序，默认正序i = 0 # 排序依据：0=x坐标（左右排序），1=y坐标（上下排序）

2025-09-08 23:23:19 2755 1

原创深度学习：残差网络ResNet与迁移学习

读取图像（假设路径在csv第0列）img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 转为RGBimg = cv2.resize(img, (224, 224)) # 统一尺寸img = img.transpose((2, 0, 1)) # (H,W,C) → (C,H,W)，适应PyTorchlabel = (label + 1) / 2 # 假设原始标签为[-1,1]，归一化到[0,1]# 应用数据增强回归任务使用均方误差（MSE）损失# 前向传播。

2025-09-06 23:42:33 2094 2

原创深度学习：CNN 模型训练中的学习率调整（基于 PyTorch）

当预设策略无法满足需求时，可通过LambdaLR自定义学习率调整规则，支持为不同层设置不同学习率（如微调预训练 CNN 时，对浅层和深层采用不同学习率）。原理：通过lr_lambda函数定义学习率与 epoch 的关系，函数输入为当前 epoch，输出为学习率调整倍数。适用场景迁移学习中，对预训练层（如 ResNet 的 conv1-conv4）用小学习率微调，对新增全连接层用大学习率训练；需特殊学习率变化规则（如前期快速衰减，后期固定）的场景。代码实现 1：全局自定义调整。

2025-09-05 20:43:56 1874 1

原创深度学习：自定义数据集处理、数据增强与最优模型管理

深度学习项目通常遵循 "数据→模型→训练→部署" 的闭环流程，本文以食物识别任务为例，详解从自定义数据集处理到模型训练、优化及调用的完整流程。自定义数据集构建与预处理数据增强策略设计卷积神经网络 (CNN) 模型构建模型训练与最优模型保存训练后模型调用与推理├── train/│ ├── 苹果/│ └── 香蕉/│ └── ...└── test/└── ...使用 PyTorch 的Dataset类封装数据集，实现数据的按需加载。核心代码# 从索引文件读取数据。

2025-09-04 22:39:23 941

原创 OpenCV：图像轮廓检测

本文详细介绍了 OpenCV 中轮廓检测的核心技术，包括轮廓检测的预处理步骤、函数的使用、轮廓绘制方法以及轮廓的各种属性计算与操作（面积、周长、筛选、排序、外接形状、轮廓近似等）。轮廓检测在目标识别、图像分割、物体测量等领域有着广泛的应用，掌握这些基础操作是进行更复杂计算机视觉任务的前提。实际应用中，需要根据具体场景选择合适的轮廓检索模式和近似方法，以达到最佳的检测效果。

2025-09-03 22:45:40 1354

原创 OpenCV：模板匹配

在计算机视觉领域，模板匹配是一种简单有效的目标检测方法，它可以在一幅图像中快速查找与模板图像相似的区域。本文将基于 OpenCV 库，介绍如何使用模板匹配技术在图像中定位目标。

2025-09-01 20:30:56 834

原创 OpenCV：图像轮廓检测

本文详细介绍了 OpenCV 中轮廓检测的核心技术，包括轮廓检测的预处理步骤、函数的使用、轮廓绘制方法以及轮廓的各种属性计算与操作（面积、周长、筛选、排序、外接形状、轮廓近似等）。轮廓检测在目标识别、图像分割、物体测量等领域有着广泛的应用，掌握这些基础操作是进行更复杂计算机视觉任务的前提。实际应用中，需要根据具体场景选择合适的轮廓检索模式和近似方法，以达到最佳的检测效果。

2025-08-31 21:57:41 1527

原创深度学习：CUDA、PyTorch下载安装

NVIDIA 显卡中的运算平台是 CUDA，不过，即使您的计算机有 NVIDIA 显卡，但您的显卡中也不一定含有 CUDA，没有的话就要下载 CUDA。），它是可以向下兼容的。电脑支持的最高版本的CUDA是由显卡驱动决定的，如果您想下载高版本的CUDA要更新显卡驱动，显卡驱动如何更新与本文无关，这里不赘述，可以自行查找相关教程。】，选择cuda 12.1 版本的，如图，请注意，这里使用 pip 安装，而不是 conda 安装（如果用 conda 安装，最后检验 cuda 时是不可用的）。

2025-08-30 23:16:42 1492

原创深度学习：卷积神经网络（CNN）

卷积就是拿图像局部窗口的数，和卷积核（Filter）做内积 —— 也就是对应元素相乘再相加。卷积核是一组固定权重的小矩阵，就像 “特征探测器”，不同的卷积核能提取不同的特征，比如检测边缘、让图像变模糊等。把卷积核的中心对准输入图像的某个像素，然后把这个像素和周围像素的数值，跟卷积核的权重分别相乘，再把结果加起来，就是输出的像素值；举个例子：输入图像某区域的像素是 [1,2;0,1]，卷积核是 [0,1;-4,2]，那输出像素值就是（1×0）+（2×1）+（0×-4）+（1×2）=4。局部连接与权值共享。

2025-08-29 20:01:16 1421

原创通过代码认识 CNN：用 PyTorch 实现卷积神经网络识别手写数字

卷积神经网络（CNN）是计算机视觉领域的核心模型，相比全连接网络，它能更高效地提取图像特征。本文不空谈理论，而是通过 PyTorch 代码实现一个完整的 CNN 模型，带你在实战中理解卷积、池化等核心概念，掌握 CNN 的工作原理。

2025-08-28 20:45:46 1349 1

原创深度学习入门：神经网络

由于多层神经网络的损失函数是复合函数，需要使用链式法则（即先计算输出层的梯度，再逐步推导隐藏层、输入层的梯度）。因为如果只有线性计算，无论神经网络有多少层，最终的输出仍然是输入的线性组合，无法处理复杂的非线性问题（如图像中的边缘、纹理等特征）。需要注意的是，感知器只能处理线性可分的数据（如用一条直线就能将两类数据分开的情况），无法处理非线性可分问题（如异或问题）。神经元是神经网络的最小单位，其核心是通过线性计算与非线性激活函数的结合，实现对输入信息的处理。是偏置项，用于调整神经元的激活阈值。

2025-08-27 20:34:54 1326

原创深度学习：卷积神经网络（CNN）

卷积就是拿图像局部窗口的数，和卷积核（Filter）做内积 —— 也就是对应元素相乘再相加。卷积核是一组固定权重的小矩阵，就像 “特征探测器”，不同的卷积核能提取不同的特征，比如检测边缘、让图像变模糊等。把卷积核的中心对准输入图像的某个像素，然后把这个像素和周围像素的数值，跟卷积核的权重分别相乘，再把结果加起来，就是输出的像素值；举个例子：输入图像某区域的像素是 [1,2;0,1]，卷积核是 [0,1;-4,2]，那输出像素值就是（1×0）+（2×1）+（0×-4）+（1×2）=4。局部连接与权值共享。

2025-08-26 22:12:17 1555 1

空空如也

空空如也