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1.2k 收藏 27
点赞数 12
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

目标检测模型的基础
专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。
09-08 572
目标检测模型的基础知识包括 anchor box、iou、focal loss、nms算法等内容。
PyTorch深度学习实战（18）——目标检测基础
盼小辉丶的博客
09-29 7626
目标检测是计算机视觉领域中的重要任务，它旨在从图像或视频中准确地定位和识别出感兴趣的目标物体，目标是将输入图像中的目标区域框出，并为每个目标提供正确的类别标签，在许多应用领域都有广泛的应用，包括智能监控、自动驾驶、人脸识别等。在本节中，介绍了如何利用 ybat 准备训练数据集、使用 SelectiveSearch 库实现区域提议算法、对模型的预测执行非极大值抑制以及衡量模型性能。
深度学习目标检测理论知识（1）
qq_45281711的博客
04-07 544
目录Two-stage基本流程常见方法核心组件one-stage基本流程常见算法核心组件两种算法比较 Two-stage 基本流程 常见方法 核心组件 one-stage 基本流程 常见算法 核心组件 两种算法比较 ...
深度学习---目标检测理论笔记
aBIT_Tu的博客
03-07 707
主要内容来自于对 “专知深度学习-高君宇” 教学资料的梳理笔记 和 来自互联网知识的辅助理解，感谢。 目标检测 就是在一张图片中找到所有的物体并且给出其类别和边框（bounding box），如图。 早期的目标检测有很多模型，典型的有基于部件的模型（DPM），Pedro F在2010年提出来的利用HOG对多精度下的图片进行特征提取，然后将特征转换成响应信号，进行响应集成，最终获得目标检测框...
深度学习第四周--第三课目标检测理论
qq_37199669的博客
03-19 1441
文章目录前言目标定位特征点检测目标检测滑动窗口的卷积实现bounding box预测交并比非极大值抑制anchor boxesyolo算法候选区域 前言 本文结构： 目标定位 特征点检测 目标检测 滑动窗口的卷积实现 bounding box预测 交并比 非极大值抑制 anchor boxes yolo算法 候选区域 目标定位 定义：分类+定位 一个卷积神经网络可以用softmax输出检测的可...
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 9832
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
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
深度学习06-pytorch从入门到精通
liaomin416100569的专栏
07-06 8248
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。
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
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...
Python----循环神经网络（LSTM：长短期记忆网络）
weixin_64110589的博客
05-23 1016
RNN在处理长序列时存在长期依赖问题，即随着序列增长，模型难以记住较早时刻的信息，导致梯度消失或爆炸。为解决这一问题，LSTM（长短期记忆网络）被提出，它通过引入门控机制（输入门、遗忘门、输出门）来选择性保留或丢弃信息，从而更好地捕捉长期依赖关系。LSTM的输入门决定新信息的保留程度，遗忘门控制旧信息的遗忘程度，细胞状态则通过选择性更新来存储记忆。虽然LSTM不能完全避免梯度消失或爆炸，但它通过门控机制显著改善了这一问题，使其在处理长序列时表现更优。
Dataset和Dataloader
zx15600886035的博客
05-27 571
维度DatasetDataLoader核心职责定义“数据是什么”和“如何获取单个样本”定义“如何批量加载数据”和“加载策略”核心方法（获取单个样本）、__len__（样本总数）无自定义方法，通过参数控制加载逻辑预处理位置在中通过transform执行预处理无预处理逻辑，依赖Dataset返回的预处理后数据并行处理无（仅单样本处理）支持多进程加载（典型参数root（数据路径）、transform（预处理）batch_sizeshuffle核心结论Dataset类：定义数据的内容和格式。
深度学习之-目标检测算法汇总(超全面)
一个不怎么正经的算法工程师的博客~不定期更新一些我所覆盖领域的干货~~~包你满意噢~~
05-22 1838
概括了目前YOLO目标检测模型从YOLOv1到YOLOv12的演进，并介绍了多种改进方法。这些改进包括引入注意力机制、多尺度特征融合、模型轻量化、与其他新技术结合（如Mamba模型、扩散模型等），以及优化损失函数和训练策略。文章还探讨了YOLO在农业、医疗、交通等领域的应用，并展示了其在复杂场景中的检测性能提升。此外，文章介绍了基于Transformer和MLP的目标检测改进方法，以及如何将大模型（如SAM）应用于目标检测任务。这些改进不仅提高了检测精度，还增强了模型的实时性和适应性。
学习深度学习是否要先学习机器学习？
2501_91695603的博客
05-17 1830
不管你后面是不是真的想要从事机器学习或者深度学习这方面，我都希望你能有时间去学习的时候，多多的了解一下 AI 技术 ，还是那句话，时间紧的情况下，怎么快速的为目标服务是最重要的，先学对自己有用自己需要的内容。就比如我给计算机一些动物的图片，然后告诉计算机哪个是老虎，哪个是狮子，计算机根据我给出的“图片和答案的特征”去学习“老虎为什么是老虎，狮子为什么是狮子”。这三部分看着挺唬人，其实只需要学习需要的内容，如果你的时间稍微宽裕一点，可以花一个半月左右的时间，如果时间紧，那就压在一个月以内一鼓作气的搞定。
生成模型——PixelRNN与PixelCNN
大摆王的博客
05-24 1182
PixelRNN 是一种基于循环神经网络（RNN）的像素级生成模型，通过逐个像素地生成图像来构建完整的图像，其核心思想是将图像中的像素视为序列，并利用 RNN 的能力来捕捉像素之间的依赖关系。PixelCNN 是一种基于卷积神经网络（CNN）的像素级生成模型，它使用掩码卷积来捕捉像素之间的依赖关系。
Python打卡 DAY 38
最新发布
2401_86098690的博客
05-27 450
Dataset类的__getitem__和__len__方法（本质是python的特殊方法）了解下cifar数据集，尝试获取其中一张图片。minist手写数据集的了解。Dataloader类。
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