目标检测YOLO实战应用案例100讲-基于改进的YOLOv4柑橘目标检测算法

目录

基于改进的YOLOX目标检测算法研究 

目标检测相关理论基础 

2.1 深度学习 

2.2 目标检测 

2.3 YOLOX目标检测算法 

2.4 目标检测数据集及评价指标 

基于卷积模块增强的目标检测 

3.1 算法原理 

 3.2 本章算法CDT-YOLOX框架 

3.3 算法实现流程 

 3.4 算法实验

基于特征融合的目标检测 

4.1 算法原理 

4.2 本章算法RPH-YOLOX框架 

4.3 算法实现流程 

4.4 算法实验 

基于改进的YOLOv4柑橘目标检测算法 

目标检测相关理论和技术 

2.1 引言 

2.2 卷积神经网络基础 

2.3 基于卷积神经网络的目标检测算法 

柑橘数据集与评价指标 

3.1 引言 

3.2 采集柑橘数据 

3.3 制作柑橘数据集

3.4 数据增强 

3.5 评价指标 

改进YOLOv4检测算法 

4.1 引言 

4.2 YOLOv4算法原理 

4.3 基于YOLOv4改进的柑橘检测 

4.4 实验与结果分析 

基于轻量化的柑橘目标检测研究 

5.1 引言 

5.2 轻量化网络 

5.3 MobileNet-YOLOv4 

5.4 实验与结果分析 

---

 

基于改进的YOLOX目标检测算法研究 
 

上世纪60年代，计算机视觉[1]（Computer Vision，CV）的概念被提出并定
义为简单几何物体的形状识别和重建。随着科技的进步，计算机技术渗透到人
们生活的方方面面。计算机视觉技术赋予计算机以人类智慧，计算机依靠“眼睛”
观察世界、通过“大脑”处理信息和认识世界——摄像头获取外界的图像或视频，
特征提取器获得位置信息和语义信息。人类的想象力只能到达三维空间，计算
机却可以轻松处理一些高维的、抽象的信息，能够参与到诸如视频分析、图像
识别等复杂任务中，人们的工作和生活被大大简化。 
目标检测[2]（Object Detection）任务是CV领域中的核心课题，旨在定位图
像或视频中某类语义对象的实例。它是分类[3]（Classification）任务的延续，同
时也是语