- 博客(13)
- 收藏
- 关注
RSS订阅原创 YOLOv3全面剖析：从多尺度预测到骨干网络的设计哲学
通过上采样（Upsampling）和拼接（Concatenation）融合深层语义与浅层细节。：成为工业界最广泛应用的版本（衍生出YOLOv3-spp、YOLOv3-tiny等变体）：在3个不同尺度的特征图上进行预测（13×13, 26×26, 52×52）：根据特征图尺度分配不同大小的锚框（大尺度特征图检测小物体）：自动标注用户上传图片中的多类别物体（如“人+狗+滑板”）：从YOLOv2的5组锚框扩展至9组（每个尺度分配3组）：支持多标签分类（如同时标注“人”和“骑自行车的人”）
2025-04-07 09:58:13
784
原创 【目标检测基础】YOLOv1算法详解：从“一次看全”到实时检测的革命性突破
2016年，Joseph Redmon等人提出YOLO（You Only Look Once）算法，开启了单阶段目标检测的新时代。：在GPU上达到45 FPS（Faster R-CNN仅为7 FPS），首次让实时视频分析成为可能。：为Anchor-Free（无锚框）方法奠定基础，如CenterNet、DETR等。：直接输入图像输出检测结果，避免复杂的人工设计模块（如锚框、区域提议）。：直接催生YOLO系列（v2-v10），持续领跑实时检测领域。：推动智能终端（如手机、机器人）的实时检测落地。
2025-04-06 20:37:58
470
原创 【目标检测进阶】Anchor-Based vs Anchor-Free：核心原理、优劣对比与实战选择指南
Anchor-Based与Anchor-Free的竞争推动着目标检测技术的发展。：通过预定义锚框（Anchor Box）预测物体位置（如Faster R-CNN、SSD）追求精度：选Anchor-Based（如Faster R-CNN）平衡需求：现代算法趋向融合两者优势（如YOLOv5的灵活锚框设置）：预测物体边界角点（如CornerNet检测左上/右下角点）追求速度：选Anchor-Free（如YOLOv1变体）：将物体视为点（如CenterNet预测中心点+宽高）：探索Anchor-Free的潜力。
2025-03-21 09:10:57
590
原创 【目标检测基础】TP/FP/TN/FN与目标检测的关系
在目标检测任务中，模型性能的评估直接影响算法优化方向。了解TP/FP/TN/FN四大基础指标，是掌握。、mAP（平均精度均值）等高级指标的前提。：使用更高分辨率的特征图（如YOLOv3的3尺度检测）：使用多尺度特征融合网络（如FPN）增强小目标检测。：IoU=0.5（PASCAL VOC标准）：IoU=0.75（COCO数据集部分任务）：通过NMS（非极大值抑制）减少重复检测。🔍 诊断模型问题（如过拟合、欠拟合）：通常忽略（因背景区域无限多）：降低分类阈值，增加候选框数量。：小目标检测中FN过高。
2025-03-19 15:56:58
410
原创 YOLO算法 | 速度与精度的博弈（深度学习目标检测系列）
YOLO（You Only Look Once）自2016年诞生以来，便以迅雷不及掩耳之势席卷目标检测领域。Joseph Redmon在论文中喊出那句经典口号：“You Only Look Once”，直接道明了YOLO的速度哲学。YOLO跳出“检测=定位+分类”的传统框架，直接将目标检测视为一个，在单个神经网络的“端到端”推理中，完成所有检测任务，真正做到了「一图一测」。
2025-03-18 11:36:46
278
原创 SSD算法 | 单阶段检测器的速度革命（深度学习目标检测系列）
相比于R-CNN系列繁琐的“提议+分类”的两阶段策略，SSD一举打破常规，提出「端到端」的检测流程——不再依赖外部区域提议，而是直接在图像中“划分”检测框，真正实现了检测任务的实时性。SSD凭借“快”与“准”的平衡，迅速成为工业界、移动端检测任务的热门选择，并启发了诸如YOLOv2、RetinaNet等后续算法的设计。如果R-CNN是“以精度取胜”的深思熟虑者，SSD便是“以速度制敌”的敏捷行者。两种理念，正是目标检测世界中，速度与精度永恒的博弈。
2025-03-18 11:21:19
422
原创 从R-CNN到Mask R-CNN，目标检测的演进之路（深度学习目标检测系列）
从“图像 → 候选框 → 特征 → 分类”，到今天“一张图，端到端即可搞定”，它深刻影响了计算机视觉的工程实践与算法研究。2014年，R-CNN（Region-based Convolutional Neural Networks）正式提出，标志着目标检测领域从传统方法（如HOG、DPM）跨入深度学习新时代。未来，单阶段与两阶段检测器的边界正在被打破，基于Transformer的DETR等新技术不断涌现，但R-CNN家族的思想，依然活跃在现代CV的每一处角落。（图示建议：插入R-CNN流程图）
2025-03-18 10:12:24
824
原创 揭秘目标检测中的锚框（Anchor Boxes）
在目标检测中，模型会对同一物体生成多个重叠的预测框（如不同锚框的预测结果）。NMS 的目的是 保留最准确的预测框，剔除冗余框，确保每个物体仅被检测一次。：作为预测物体位置的基准框，模型只需预测锚框与真实框的偏移量，简化学习难度。：通过不同尺寸的锚框，同时检测大物体（如汽车）和小物体（如行人）。：若其他框与基准框的重叠度（IoU）超过阈值，则视为冗余框并剔除。：锚框是预先定义在图像网格上的不同形状（宽高比）和尺寸的参考框。：匹配不同形状的物体（如横向的船 vs 竖直的人）。：选择分类置信度最高的框作为基准。
2025-03-18 09:00:19
362
1
原创 图像处理技巧：理解与应用显示尺寸、像素分辨率及图像重采样方法
图像在屏幕上占据更大区域，但可能因像素拉伸而模糊。，放大后可能导致显示模糊（像素被拉伸）。：每个子图的显示区域是默认尺寸的2倍。图像在图表中的显示区域会放大到。，而非调整图像本身的像素数量。：控制图像在图表中的。图像的实际像素数仍为。
2025-03-17 19:17:23
452
原创 什么是目标检测？
目标检测（Object Detection）是计算机视觉领域的核心技术，其核心任务是让计算机在图像中同时完成物体的定位（Localization）与分类（Classification）。具体来说，它需要实现两个关键输出：1位置感知：用边界框（Bounding Box）精确标记物体位置，通常用坐标表示如。
2025-03-17 09:58:00
501
原创 PyTorch迁移学习实战：基于ResNet的CIFAR-10图像分类
定义损失函数：交叉熵损失（CrossEntropyLoss）# 适用于多分类任务，内部自动结合Softmax和负对数似然损失# 输入：模型输出（未经过Softmax的logits），目标标签# 输出：标量损失值# 定义优化器：随机梯度下降（SGD）# 使用SGD优化算法更新模型参数model.parameters(), # 需要优化的模型参数（通过model.parameters()获取）lr=learning_rate, # 学习率（控制参数更新步长）
2025-03-17 08:59:10
777
原创 “PyTorch入门必备：手把手教你搭建卷积神经网络实现MNIST分类“
"""卷积神经网络 (CNN) 模型，用于图像分类任务网络结构：参数:input_shape (int) : 输入图像的边长（假设为正方形图像）in_channels (int) : 输入通道数（灰度图=1，RGB图=3）num_classes (int) : 分类任务的类别数"""# 第一个卷积块# 卷积层：提取局部特征# in_channels: 输入通道数# out_channels: 输出通道数（即卷积核数量）# kernel_size: 卷积核尺寸 5x5。
2025-03-16 20:13:29
750
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人