深度学习之PyTorch物体检测实战

深度学习之PyTorch物体检测实战读书笔记模板01思维导图读书笔记目录分析内容摘要精彩摘录作者介绍目录0305020406思维导图物体深度物体角度实战方法经典读者物体网络深度模型检测器数据经典第章发展特征改进本书关键字分析思维导图内容摘要内容摘要本书从概念、发展、经典实现方法等几个方面系统地介绍了物体检测的相关知识，重点介绍了FasterRCNN、SDD和YOLO这三个经典的检测器，并利用PyTorch框架从代码角度进行了细致讲解。另外，本书进一步介绍了物体检测的轻量化网络、细节处理、难点问题及未来的发展趋势，从实战角度给出了多种优秀的解决方法，便于读者更深入地掌握物体检测技术，从而做到在实际项目中灵活应用。读书笔记读书笔记满分，内容较新，pytorch方面的图像处理，部分新的方法不够详细，专注检测。对于物体检测介绍得算比较全面了，而且辅助于pytorch代码，就更易于理解了。对于比较经典的目标检测算法都有介绍，感觉是入门比较好的书啦，看完之后看论文看代码就轻松很多。介绍的挺全面，深入浅出的介绍基础网络模型以及检测网络模型，同时配套代码也很详细。纯新手不适合。没有真正可操作的例子，理论讲解不够通俗易懂，堆了一些不必要的代码。书中有一些笔误并且不是很适合0基础学习。非常不错的一本入门书。Anchor————->Anchor-free，从入门到调通FairMOT项目。本书是国内原创图书市场上首部系统介绍物体检测技术的图书。精彩摘录精彩摘录对于一个检测器，通常使用mAP（meanAveragePrecision）这一指标来评价一个模型的好坏，这里的AP指的是一个类别的检测精度，mAP则是多个类别的平均精度。对于具体的某个物体来讲，我们可以从预测框与真实框的贴合程度来判断检测的质量，通常使用IoU（IntersectionofUnion）来量化贴合程度。根据网络结构的不同，深度学习模型可以分为卷积神经网络（ConvolutionalNeuralNetwork,CNN）、循环神经网络（RecurrentNeuralNetwork,RNN）及生成式对抗网络（GenerativeAdviserialNetwork,GAN）。机器学习算法中最重要的就是数据，根据使用的数据形式，可以分为三大类：监督学习（SupervisedLearning）、无监督学习（UnsupervisedLearning）与强化学习（ReinforcementLearning）第一步通常是利用卷积神经网络处理输入图像，生成深层的特征图，然后再利用各种算法完成区域生成与损失计算，这部分卷积神经网络是整个检测算法的“骨架”，也被称为Backbone。在卷积网络中，通常会在卷积层之间增加池化（Pooling）层，以降低特征图的参数量，提升计算速度，增加感受野，是一种降采样操作。目录分析第1章浅谈物体检测与PyTorch第3章网络骨架：Backbone第2章PyTorch基础第1篇物体检测基础知识第1章浅谈物体检测与PyTorch1.1深度学习与计算机视觉1.2物体检测技术1.3PyTorch简介1.4基础知识准备1.5总结第2章PyTorch基础2.1基本数据：Tensor2.2Autograd与计算图2.3神经网络工具箱torch.nn2.4模型处理2.5数据处理2.6总结第3章网络骨架：Backbone3.1神经网络基本组成3.2走向深度：VGGNet3.3纵横交错：Inception3.4里程碑：ResNet3.5继往开来：DenseNet3.6特征金字塔：FPN3.7为检测而生：DetNet3.8总结第4章两阶经典检测器：FasterRCNN第6章单阶经典检测器：YOLO第5章单阶多层检测器：SSD第2篇物体检测经典框架第4章两阶经典检测器：FasterRCNN4.1RCNN系列发展历程4.2准备工作4.3FasterRCNN总览4.4详解RPN4.5RoIPooling层4.6全连接RCNN模块4.7FasterRCNN的改进算法4.8总结第5章单阶多层检测器：SSD5.1SSD总览5.2数据预处理5.3网络架构5.4匹配与损失求解5.5SSD的改进算法5.6总结第6章单阶经典检测器：YOLO6.1无锚框预测：YOLOv16.2依赖锚框：YOLOv26.3多尺度与特征融合：YOLOv36.4总结第7章模型加速之轻量化网络第8章物体检测细节处理第9章物体检测难点第10章物体检测的未来发展第3篇物体检测的难点与发展第7章模型加速之轻量化网络7.1压缩再扩展：SqueezeNet7.2深度可分离：MobileNet7.3通道混洗：ShuffleNet7.4总结第8章物体检测细节处理8.1非极大值抑制：NMS8.2样本不均衡问题8.3模型过拟合8.4总结第9章物体检测难点9.1多尺度检测9.2拥挤与遮挡9.3总