深度学习基础--目标检测入门简介

已于 2025-05-01 23:31:18 修改
阅读量1.1k 收藏 27
点赞数 11
分类专栏： 目标检测入门 文章标签： 深度学习 目标检测 人工智能 网络 神经网络 计算机视觉 yolo
于 2025-05-01 22:02:37 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_74085818/article/details/147656021
版权

在这里插入图片描述

博主简介：努力学习的22级本科生一枚 🌟​
博客主页：羊小猪~~-CSDN博客
内容简介：探索AI算法，C++，go语言的世界；在迷茫中寻找光芒​🌸​
往期回顾：yolov5基础–一步一步教你训练自己的数据集-CSDN博客

文章目录

1. 基础概念

1.1 目标检测定义

📚 一句话，找出图像中感兴趣的物体，确定其位置和类别。

由于物体类别不同，其形状、外观、姿态都不同，而且还受环境的影响，故在cv领域，目标检测一直都是一个很热门的话题。

1.2 图像识别任务

  • 分类：解决“是什么”，给一张图判断包含什么类别物体；
  • 定位：解决“在哪里”，即定位目标的位置；
  • 👀 目标检测“：解决是什么，在哪里”，定位这个目标的位置并且知道目标检测的物体的位置，本人感觉是分类和定位的结合体；
  • 分割：解决“每个像素点属于哪个目标物体”；

1.3 目标检测核心问题

  • 位置的任意性，目标可以出现在图片的任何位置；

    • 在这里插入图片描述

  • 大小的多样性，同一张图像可能同时出现多个不同或者相同的目标，但是他们大小差异大；

    • 在这里插入图片描述

  • 形态的差异性，同一目标的形态差异可能很大，故同一个物体在目标检测中可能形状各部相同；

    • 在这里插入图片描述

1.4 物体检测概述

🐶 目标检测任务：找出每个物体，类别标注出来，还需要找出具体的位置，位置通常用边缘框表示。

在这里插入图片描述

边缘框概念

用一个边框框主一个物体，如图：

在这里插入图片描述

这个图要注意一下：坐标系和普通不太一样，主要是坐标。

所以，如果物体很多，那需要的成本也是需要很高的。

目标检测数据集

  • 每一行表示一个物体
    • 图片文件名，物体类别，边缘框

1.5 锚框

概念

📄 用李沐老师的话说：就是计算机视觉的算法生成的一些框用来预测变化的框。

一类目标检测的算法是基础锚框的，如图：
在这里插入图片描述

提出多个框(锚框)，首先做分类，是否有需要的目标物体，如果有则以这个框为主移动，直到框住的是目标物体，即真实的边缘框。

IoU–交并比

👀 上面提到，物体检测首先是用多个框框物体，所以这就涉及到如何进行不同框合并的问题，因为对于一个物体来说(假设他比较大哈)，那么在他附近的图相识度一定很高，故需要进行框的合并。

在这里插入图片描述

Jacqard指数是衡量两个框的相似度。

赋予锚框标号

🔬 假设：一个没有训练的模型，每个像素都需要生产几个锚框；

📚 假设结果：

  • 这样就造成了一张图片需要生成大量的锚框，导致大量的负类样本框(框住的不是目标物体)；
  • 无论图片物体多还是少，对于需要预测的一个物体来说，这个模型在这种图片分类只有两种，一个是目标物体，一个是其他，故，这里就需要一个标注的东西，来标注生成的锚框是目标物体来说其他；

在这里插入图片描述

给锚框分配对应的真实框

📘 以李沐老师上课图所示：

在这里插入图片描述

提示：本文给图片进行标号，从左到右为图1，图2，图3。

👀 图片描述，以图片1为例，列向表示真实物体的边缘框，行表示生产的锚框。

🍲 步骤:

  1. 先计算出所有的锚框和真实框的IoU，IoU值填入对应的格子中,；
  2. 找到矩阵中最大的元素，如图1，假设最大值为x23的框，说明锚框2和边缘框重合度最高，即用锚框2代表真实边缘框3；
  3. 每次找到后，将那一行、列删除，继续重复步骤2.

NMS

预测时，传入一张图片，模型依然生成一大堆框，然后会根据训练出来的偏移等参数预测锚框；这些框，会有很多重叠的类似的框，围着同一个目标输出；所以，就需要一个算法来去重，NMS就是其中之一。

在这里插入图片描述

🔬 分析，以狗分析。

  • 第一步，选取预测概率最大的，这里是dog=0.9；
  • 第二步是去除，就是去除重复面积大于某一个IoU值的预测，这里出去的是dog=0.8，dog=0.7，这样就剩下一个框，就是第一步选中的；
  • 重复第二步操作。

2. 评价指标

2.1 TP、TN、FP、FN

这四个是分类最常用的了，无论是图像分类还是文本分类，都用这几个作为评价指标。

👀 T或者F代表的是该样本是否被正确分类，P或者N代表的是该样本被预测成了正样本还是负样本。

  • TP(True Positives)意思就是被分为了正样本，而且分对了,
  • TN(True Negatives)意思就是被分为了负样本，而且分对了
  • FP(False Positives)意思就是被分为了正样本，但是分错了(事实上这个样本是负样本)
  • FN(False Negatives)意思就是被分为了负样本，但是分错了(事实上这个样本是正样本)

一般对于分类来说，一般都会制作一个混淆矩阵，以上指标都很直观的展示出来了。

2.2 precision和recall

这个也是分类的常用指标。

precision

在这里插入图片描述

👀 解释：分类器分类的正类占总样本正类的比例，说白了就是分类模型预测为正的占总体样本的比例；

recall

在这里插入图片描述

👀 解释：分类器认为的正类样本且确实是正类的样本占所有样本中确实是正类样本的比例。

2.3 置信度

这个是一个统计学的概念，举个例子，一个样本中：

在这里插入图片描述

如果说置信度设置为0.95的话，那么目标检测算法将把1设置为正样本，其他都是负样本。

2.4 AP和mAP

AP其实就是precision和recall的组合画出的图像，如下图所示：

在这里插入图片描述

AP值就是上图画的那条曲线下的面积，面积越大，代表模型效果越好，这个和AUC值我感觉很像。

mAP就是AP的平均值。

3. 参考资料

深度学习之目标检测--Pytorch实战
需要远程指导仿真实验、代码有问题的，请后台私信或者关注公众号
01-18 9746
只需要能看懂python代码，就能最快入门深度学习---目标检测。目标检测简单的玩玩儿还行，模型调优，调参，还需要一定的数学功底。通过代码来实现卷积，池化，非线性激活，正则化，归一化，能让人减少对大量数学公式的敬畏，手写神经网络也是考研复试中上机考试的压轴题，掌握搭建神经网络和如何训练模型是需要掌握的基础的
Keras深度学习实战（14）——从零开始实现R-CNN目标检测
盼小辉丶的博客
07-17 7899
R-CNN 是基于候选区域的经典目标检测算法，其将卷积神经网络引入目标检测领域。本文首先介绍了 R-CNN 模型的核心思想与目标检测流程，然后使用 Keras 从零开始实现了一个基于 R-CNN 的目标检测模型，最后介绍了非极大值抑制用于移除相似的预测边界框。.........
深度学习06-pytorch从入门到精通
liaomin416100569的专栏
07-06 8152
构建5*3数组,只是分配了空间未初始化#这里产生个0-1之间的tensor张量，并且初始化print(x1)自己创建的数据集没有做任何维度的转换。for input,label in dsLoader: #四条数据分成了2批，循环两次。
深度学习-09(目标检测:Object Detection)
yegeli的博客
07-24 1万+
目标检测（Object Detection） 一 、基本概念 1. 什么是目标检测 目标检测( Object Detection )的任务是找出图像中所有感兴趣的目标(物体) ,确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 计算机视觉中关于图像识别有四大类任务: ( 1 )分类.Classification :解决”是什么?”的问题,即给定一-张图片或一段视频判断里面包含什么类别
YOLOv7（目标检测）入门教程详解---检测，推理，训练
热门推荐
weixin_64524066的博客
09-14 11万+
零基础入门yolov7，从环境配置到检测，推理，训练，再到c++预测
人工智能--目标检测
考研小钻风
07-01 3254
区域卷积神经网络（Region-based Convolutional Neural Network，R-CNN）是目标检测领域的一个重要里程碑，为后续更先进的目标检测算法奠定了基础。🍈R-CNN 的详细工作原理R-CNN（Region-based Convolutional Neural Network）是目标检测领域的一项开创性工作，其独特的方法为后续的目标检测算法提供了重要的思路和基础。🍍工作流程目标检测是计算机视觉领域的重要任务，旨在从图像或视频中准确识别和定位感兴趣的目标对象。
深度学习保姆级入门教程 -- 论文+代码+常用工具
奋斗の博客
06-11 4万+
导读 该篇文章可以看作是我研一如何入门深度学习的一个大总结，本人本科专业为软件工程，硕士期间研究方向为基于深度学习的图像分割，跨度相对而言不算太大，。如果你对如何入门深度学习还很迷茫的话，那么看下去吧。 一、Python的学习 虽然是深度学习入门教程，但是Python的学习是必不可少的，一套完整神经网络代码是由Python串起来的，网络结构部分主要是靠PyTorch实现。 二、必读入门论文 建议按照顺序依次往下看： LeNet：https://ieeexplore.ieee.org/abstract/d
目标检测入门常见问题（深度学习 / 图像分类）
CV在读
04-20 4697
参考文献： 目标检测 - 搜索结果 - 知乎 目标检测的指标AP与mAP - 知乎 1. 目标检测常用指标 FPS：每秒处理的图像帧数 IoU：重叠度，真实边框和预测边框的交集面积与并集面积的比值 P R AP：把每一个R的P都求出来，取最大的P作为该R的P，然后 mAP：所有类别的AP的均值 ​​​​​​​目标检测的指标AP与mAP - 知乎 关于AP和mAP（详见知乎） 训练样本分为正例样本和反例样本，其中正例样本是指待检测目标样本，反例样本指不是目标需要检测的样本。 准确率
旋转目标检测【1】如何设计深度学习模型
黎国溥
05-11 5153
平常的目标检测是平行的矩形框，“方方正正”的；但对于一些特殊场景（遥感），需要倾斜的框，才能更好贴近物体，旋转目标检测来啦~常见的水平框参数表达方式为（x,y,w,h），四个参数分别表示水平框中心的横纵坐标、宽度以及高度。常用的YOLOv5也是用这边表示方式的。旋转框参数表示五参数表示法(𝑥,𝑦,ℎ,𝑤,𝜃)，它在原来基础上添加多了一个角度𝜃，表示框的旋转情况。八参数表示法量(𝑥1,𝑦1,𝑥2,𝑦2,𝑥3,𝑦3,𝑥4,𝑦4)，分别表示框的四个顶点。
深度学习目标检测算法梳理
蜗牛博客
05-19 2772
梳理目标: 整理自己在入门深度学习目标检测领域时读取的一些论文和对一些论文方法的见解。便于自己记忆和梳理思路，仅供参考。 发展历程： 思路整理: 阅读过的内容: R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、YOLO v1、SSD、YOLO v2、FPN、Mask R-CNN、YOLO v3 基于传统机器学习的目标检测方式： 在梳理深度学习目标检测前，个人还是喜欢首先梳理一下传统机器学习的目标检测方式，因为深度学习的目标检测方式是在传统机器学...
深度学习基础-TensorFlow入门与使用指南-tensorflow-basics-and-use-cases.md
12-25
TensorFlow是Google开源的机器学习框架，广泛应用于深度学习领域。其具备灵活性和强大的功能，吸引新手和资深开发者使用。TensorFlow的核心概念包括Tensor（张量）、Graph（计算图）、Session（会话）和Variable...
深度学习入门-基于Python的理论实现.zip
02-19
在这个“深度学习入门-基于Python的理论实现”项目中，我们将深入探讨如何使用Python这一强大编程语言来构建和训练深度学习模型。 首先，Python是数据科学和机器学习领域的首选语言，因为它拥有丰富的库和工具，如...
YOLOv5开源代码解析与深度学习目标检测入门
04-12
适合人群：对深度学习尤其是目标检测感兴趣的初学者和有一定编程基础的研发人员。 使用场景及目标：①理解YOLOv5的工作原理和技术细节；②掌握如何利用官方代码进行定制化开发；③提高对工业级项目的认识，学习优秀...
第一讲-深度学习基础.ppt
05-04
本讲主要介绍深度学习的基础知识，特别是卷积神经网络（CNN）的概念和结构。 首先，深度学习的基础包括神经元模型，它是神经网络的基本构建单元，模仿人脑神经元的工作方式。传统的神经网络结构通常采用反向传播...
在深度学习中，什么是线性插值（linear interpolation）？
weixin_44649780的博客
04-30 438
线性插值是寻找两个点之间中间值的最基础方法之一，广泛应用于：数值计算计算机图形学机器学习和深度学习它的标准公式是：x0,x1∈Rn：两个向量或标量t∈[0,1]：插值系数（0 表示完全靠近 x0，1 表示完全靠近 x1​）它对应的是两个点之间的一条线段轨迹。线性插值就是“在两个已知点之间，按一定比例找到中间点”的方法，无论是图像、特征、模型参数，它都可以用来“平滑地过渡”。📢 想要了解更多内容，可在VX小程序搜索🔍AI Pulse,获取更多最新内容。
远程深度学习新环境配置流程
weixin_45668967的博客
04-30 293
下载并安装适合你系统的 Miniconda 版本。
Transformer：颠覆深度学习的架构革命与技术演进
源滚滚编程
04-30 1698
2017年，谷歌团队在论文《Attention Is All You Need》中提出的Transformer架构，彻底改变了人工智能对序列数据的处理范式。通过这种机制，模型能够自动识别并强化相关位置的语义关联，例如在句子“The cat sat on the mat”中，“cat”与“sat”的关联权重显著高于其他无关词汇。其核心思想是：每个位置的输入向量通过**查询（Query）、键（Key）、值（Value）**三个矩阵变换，动态计算与其他位置的关联权重。，实现了全局上下文感知与并行计算的完美平衡。
《解锁LibTorch：开启C++深度学习新征程》
最新发布
zheng_ruiguo的专栏
04-30 685
LibTorch 作为 PyTorch 的 C++ 接口，凭借其独特的优势在深度学习领域占据了重要的一席之地。它不仅继承了 PyTorch 的动态计算图和自动求导机制，还充分发挥了 C++ 语言的高性能和低延迟特性，为深度学习的研究和应用提供了强大的支持。从功能特性上看，LibTorch 在张量操作、神经网络训练与推理、多平台支持以及与 Python 的互操作性等方面表现出色。其张量操作接口简洁高效，与 PyTorch 类似，方便开发者快速上手。
基于Python Flask的深度学习电影评论情感分析可视化系统（2.0升级版，附源码）
IT徐师兄
04-27 1169
基于Python Flask的深度学习电影评论情感分析可视化系统（2.0升级版），集成了Flask框架与先进的word2vec向量模型，能够自动解析影评文本的情感倾向，精准评估电影的好评与差评比例，并通过直观的可视化界面展示分析结果。该项目通过大数据技术分析海量影评，量化好评与差评的分布，为电影评论提供全面的汇总评价分析。
YOLOv8入门指南：深度学习新手轻松掌握目标检测
最后，压缩包子文件的文件名称列表中的“.pdf”格式表明用户可以下载一个包含相关指导的电子文档，该文档应该包含了如何使用YOLOv8进行目标检测的详细指南和教程，是帮助新手入门的重要资料。通过对这份资料的阅读和...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值