幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

電腦視覺(YOLO目標檢測原理與實踐)

  • 作者：凌峰|責編:王金柱
  • 出版社：清華大學
  • ISBN：9787302706182
  • 出版日期：2026/04/01
  • 裝幀：平裝
  • 頁數：334
人民幣：RMB 119 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書詳細介紹YOLO目標檢測核心技術與前沿進展，涵蓋基礎概念、主流演算法框架及其實際應用場景。本書分為3部分，共10章。基礎理論部分（第1~3章）：介紹目標檢測的核心概念、評估指標與公開數據集，常用的深度學習框架及其目標檢測開發環境的搭建與使用，以及卷積神經網路（CNN）的核心原理與經典架構。技術實現部分（第4~8章）：重點介紹YOLO目標檢測框架的技術演進，從YOLOv1到YOLOv11，涵蓋特徵提取、特徵融合、Anchor機制、損失函數優化、多維注意力機制等關鍵技術，並結合實際案例介紹YOLOv11的小目標檢測實現過程。實戰應用部分（第9、10章）：以交通場景中的目標檢測為例，介紹YOLOv11在實際項目中的應用，以及開放世界目標檢測技術YOLO-UniOW框架在動態開放環境下的表現。
    本書內容系統且案例豐富，適合電腦專業的學生、目標檢測領域的初學者，以及希望深入掌握目標檢測最新進展的科研人員與工程師使用。
作者介紹
凌峰|責編:王金柱
    凌峰，博士，就職于985高校，長期從事機器學習、人工智慧、電腦視覺及大語言模型方向的研發與教學工作。專註于模型優化、訓練加速與數據驅動演算法設計，具備紮實的理論基礎與豐富的實踐經驗，主持及參與多項相關科研項目，致力於推動大模型及多模態技術在教學與產業中的落地應用。
目錄
第1部分  基礎理論
  第1章  目標檢測概述
    1.1  目標檢測的基礎概念
      1.1.1  目標檢測的定義與任務
      1.1.2  目標檢測的評估指標
      1.1.3  目標檢測方法的分類
      1.1.4  目標檢測方法的發展歷程
    1.2  目標檢測的實際應用
      1.2.1  人臉識別的進展與挑戰
      1.2.2  智慧交通中的目標檢測應用
      1.2.3  工業自動化檢測的趨勢
    1.3  公開數據集與標準評測
      1.3.1  PASCALVOC數據集
      1.3.2  MSCOCO數據集
      1.3.3  Visdrone數據集
    1.4  本章小結
    1.5  思考題
  第2章  常用的深度學習框架
    2.1  深度學習框架概述
      2.1.1  Theano與TensorFlow
      2.1.2  PyTorch
      2.1.3  MXNet與Keras
    2.2  搭建目標檢測開發環境
      2.2.1  使用Anaconda與Conda管理環境
      2.2.2  配置PyTorch與TensorFlow
      2.2.3  處理GPU與多GPU訓練環境
    2.3  數據處理與NumPy
      2.3.1  創建與操作數組
      2.3.2  矩陣運算與廣播
      2.3.3  數據增強與轉換
    2.4  本章小結
    2.5  思考題
  第3章  卷積神經網路
    3.1  CNN的基礎結構與原理
      3.1.1  卷積層與池化層
      3.1.2  激活函數與批量歸一化
      3.1.3  Dropout與正則化
    3.2  經典卷積神經網路架構
      3.2.1  LeNet與AlexNet
      3.2.2  VGGNet與GoogLeNet
      3.2.3  ResNet與DenseNet
    3.3  高效卷積網路與自適應特徵融合
      3.3.1  Depthwise卷積與輕量化設計
      3.3.2  特徵金字塔網路
      3.3.3  高效卷積網路的實踐應用
    3.4  本章小結
    3.5  思考題
第2部分  技術實現
  第4章  目標檢測的前處理與數據增強
    4.1  數據增強技術概述

      4.1.1  圖像裁剪與縮放
      4.1.2  隨機翻轉與旋轉
      4.1.3  亮度與對比度的隨機變化
    4.2  數據的標準化與格式化
      4.2.1  數據集的創建與預處理
      4.2.2  VOC與COCO格式的轉換
    4.3  數據增強的新技術
      4.3.1  圖像混合技術：CutMix與MixUp
      4.3.2  GAN生成的圖像增強
      4.3.3  自監督學習在數據增強中的應用
    4.4  本章小結
    4.5  思考題
  第5章  YOLO架構初步演化與具體實現
    5.1  YOLOv1的基本結構與工作原理
      5.1.1  目標檢測的回歸問題
      5.1.2  YOLOv1的優勢與局限
    5.2  YOLOv2與新技術的加入
      5.2.1  批歸一化與高解析度特徵圖
      5.2.2  先驗框與多尺度訓練
    5.3  YOLOv3與性能優化
      5.3.1  特徵融合與多尺度檢測
      5.3.2  改進的損失函數
    5.4  YOLOv4的創新與應用
      5.4.1  結合CSPNet與PANet
      5.4.2  高效訓練策略
    5.5  YOLOv5與YOLOv6的現代化設計
      5.5.1  模塊化設計與性能優化
      5.5.2  YOLOv5在移動端的應用
    5.6  初步實戰：基於YOLOv5的目標檢測框架實現
      5.6.1  環境配置與框架搭建
      5.6.2  模型訓練結果分析及評價指標解析
      5.6.3  加入CBAM模塊的目標檢測改進
      5.6.4  基於Transformer的多頭注意力機制改進
    5.7  本章小結
    5.8  思考題
  第6章  YOLOv7至YOLOv11的一些改進
    6.1  YOLOv7的特性與技術創新詳解
      6.1.1  新的主幹網路與特徵提取模塊
      6.1.2  對抗性訓練與自監督學習
    6.2  YOLOv8與YOLOv10創新技術點詳解
      6.2.1  多尺度特徵融合與自適應池化
      6.2.2  YOLOv8的輕量化與實時檢測
    6.3  YOLOv11：高效目標檢測
      6.3.1  YOLOv11的全新架構與自適應模塊
      6.3.2  在大規模數據集上的表現
      6.3.3  YOLOv11的移動端推理優化
    6.4  本章小結
    6.5  思考題
  第7章  目標檢測改進方法與最新技術
    7.1  RetinaNet簡介

      7.1.1  RetinaNet的網路架構
      7.1.2  如何解決類別不平衡問題
    7.2  改進的多維度注意力機制
      7.2.1  多維度注意力機制的基本概念
      7.2.2  多維注意力模塊的實現
    7.3  弱化的非極大值抑制演算法
      7.3.1  NMS的改進方法
      7.3.2  弱化NMS的優勢
    7.4  RetinaNet的損失函數與訓練策略
      7.4.1  FocalLoss的原理與實現
      7.4.2  焦點損失在密集目標檢測中的應用
      7.4.3  自適應學習率策略
    7.5  基於LSTM的視頻目標檢測
      7.5.1  LSTM的基本概念
      7.5.2  LSTM網路與視頻目標檢測
      7.5.3  記憶引導網路
      7.5.4  交叉檢測原理
      7.5.5  交叉檢測框架的應用
      7.5.6  LSTM網路的訓練與優化
    7.6  對抗樣本與模型健壯性
      7.6.1  對抗樣本的生成與防禦
      7.6.2  模型健壯性的提升方法
    7.7  本章小結
    7.8  思考題
  第8章  DETR：Transformer在目標檢測中的應用
    8.1  DETR架構與Transformer的結合
      8.1.1  DETR的主幹網路
      8.1.2  基於Transformer的YOLO框架改進
    8.2  DETR的實現與訓練
      8.2.1  數據預處理與樣本匹配
      8.2.2  以YOLOv11為例：損失函數與優化
    8.3  本章小結
    8.4  思考題
第3部分  實戰應用
  第9章  基於YOLOv11架構的密集小目標檢測實戰
    9.1  小目標檢測的挑戰與YOLOv11的優化策略
      9.1.1  小目標檢測的技術難點
      9.1.2  YOLOv11的Anchor機制與特徵融合
      9.1.3  自適應損失函數與小目標優化
    9.2  YOLOv11的訓練流程與技術實現
      9.2.1  數據預處理與小目標數據構建
      9.2.2  YOLOv11的訓練流程與超參數調優
      9.2.3  使用PyTorch訓練YOLOv11模型
      9.2.4  YOLOv11源碼文件結構及各文件的作用
    9.3  后處理與優化：精確檢測小目標
      9.3.1  YOLOv11的后處理流程
      9.3.2  自定義NMS演算法與小目標優化
    9.4  YOLOv11在小目標檢測中的實戰案例
      9.4.1  基於YOLOv11的交通目標與行人檢測
      9.4.2  模型評估與性能優化

      9.4.3  實戰項目中的調優與結果分析
    9.5  本章小結
    9.6  思考題
  第10章  領域前沿：開放世界目標檢測技術
    10.1  開放世界目標檢測OWOD的核心問題
      10.1.1  閉集目標檢測的局限性
      10.1.2  OWOD的核心問題
    10.2  YOLO-UniOW開放世界框架
      10.2.1  YOLO-UniOW開放世界框架簡介
      10.2.2  自適應決策學習
      10.2.3  通配符學習的原理
      10.2.4  無須增量學習的動態適配機制
    10.3  YOLO-UniOW的性能評估與應用實踐
      10.3.1  多數據集實驗分析
      10.3.2  實際應用場景中的表現
      10.3.3  與現有框架的對比與未來發展
    10.4  本章小結
    10.5  思考題

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032