YOLO目标检测

目 录

第　1部分 背景知识

第　1章 目标检测架构浅析　2

1.1　目标检测发展简史　2

1.2　目标检测网络框架概述　5

1.3　目标检测网络框架浅析　5

1.3.1　主干网络　5

1.3.2　颈部网络　7

1.3.3　检测头　9

1.4　小结　10

第　2章 常用的数据集　11

2.1　PASCAL VOC 数据集　11

2.2　MS COCO 数据集　12

2.3　小结　14

第　2部分 学习YOLO框架

第3章　YOLOv1　16

3.1　YOLOv1 的网络结构　16

3.2　YOLOv1 的检测原理　18

3.3　YOLOv1 的制作训练正样本的方法　21

3.3.1　边界框的位置参数 tx、ty、w、h　21

3.3.2　边界框的置信度　23

3.3.3　类别置信度　26

3.4　YOLOv1 的损失函数　26

3.5　YOLOv1 的前向推理　27

3.6　小结　29

第4章　搭建YOLOv1网络　30

4.1　改进 YOLOv1　30

4.1.1　改进主干网络　31

4.1.2　添加一个颈部网络　32

4.1.3　修改检测头　33

4.1.4　修改预测层　35

4.1.5　修改损失函数　37

4.2　搭建 YOLOv1 网络　37

4.2.1　搭建主干网络　39

4.2.2　搭建颈部网络　41

4.2.3　搭建检测头　41

4.2.4　YOLOv1 前向推理　41

4.3　YOLOv1 的后处理　44

4.3.1　求解预测边界框的坐标　44

4.3.2　后处理　46

4.4　小结　48

第5章　训练YOLOv1网络　49

5.1　读取 VOC 数据　49

5.2　数据预处理　56

5.2.1　基础变换　56

5.2.2　数据增强　59

5.3　制作训练正样本　61

5.4　计算训练损失　64

5.5　开始训练 YOLOv1　67

5.6　可视化检测结果　74

5.7　使用 COCO 数据集 ( 选读 )　75

5.8　小结　76

第6章　YOLOv2　77

6.1　YOLOv2 详解　77

6.1.1　引入批归一化层　78

6.1.2　高分辨率主干网络　78

6.1.3　先验框机制　79

6.1.4　全卷积网络与先验框机制　80

6.1.5　使用新的主干网络　81

6.1.6　基于 k 均值聚类算法的先验框聚类　82

6.1.7　融合高分辨率特征图　84

6.1.8　多尺度训练策略　85

6.2　搭建 YOLOv2 网络　87

6.2.1　搭建 DarkNet-19 网络　87

6.2.2　先验框　91

6.2.3　搭建预测层　92

6.2.4　YOLOv2 的前向推理　92

6.3　基于 k 均值聚类算法的先验框聚类　95

6.4　基于先验框机制的正样本制作方法　96

6.4.1　基于先验框的正样本匹配策略　96

6.4.2　正样本匹配的代码　97

6.5　损失函数　103

6.6　训练 YOLOv2 网络　105

6.7　可视化检测结果与计算 mAP　105

6.8　使用 COCO 数据集（选读）　106

6.9　小结　108

第7章　YOLOv3　110

7.1　YOLOv3 解读　110

7.1.1　更好的主干网络 : DarkNet-53　111

7.1.2　多级检测与特征金字塔　112

7.1.3　修改损失函数　116

7.2　搭建 YOLOv3 网络　118

7.2.1　搭建 DarkNet-53 网络　118

7.2.2　搭建颈部网络　121

7.2.3　搭建解耦检测头　123

7.2.4　多尺度的先验框　125

7.2.5　YOLOv3 的前向推理　127

7.3　正样本匹配策略　130

7.4　损失函数　133

7.5　数据预处理　133

7.5.1　保留长宽比的 resize 操作　133

7.5.2　马赛克增强　136

7.5.3　混合增强　138

7.6　训练 YOLOv3　140

7.7　测试 YOLOv3　140

7.8　小结　142

第8章　YOLOv4　143

8.1　YOLOv4 解读　144

8.1.1　新的主干网络：CSPDarkNet-53 网络　144

8.1.2　新的特征金字塔网络：PaFPN　146

8.1.3　新的数据增强：马赛克增强　147

8.1.4　改进边界框的解算公式　148

8.1.5　multi anchor 策略　149

8.1.6　改进边界框的回归损失函数　149

8.2　搭建 YOLOv4 网络　150

8.2.1　搭建 CSPDarkNet-53 网络　151

8.2.2　搭建基于 CSP 结构的 SPP 模块　153

8.2.3　搭建 PaFPN 结构　155

8.3　制作训练正样本　157

8.4　测试 YOLOv4　159

8.5　小结　161

第3部分　*新的YOLO框架

第9章　YOLOX　164

9.1　解读 YOLOX　166

9.1.1　baseline 的选择：YOLOv3　166

9.1.2　训练 baseline 模型　166

9.1.3　改进一：解耦检测头　167

9.1.4　改进二：更强大的数据增强　168

9.1.5　改进三：anchor-free 机制　169

9.1.6　改进四：多正样本　169

9.1.7　改进五：SimOTA　169

9.2　搭建 YOLOX 网络　173

9.2.1　搭建 CSPDarkNet-53 网络　173

9.2.2　搭建 PaFPN 结构　175

9.3　YOLOX 的标签匹配：SimOTA　178

9.4　YOLOX 风格的混合增强　182

9.5　测试 YOLOX　185

9.6　小结　187

第　10章 YOLOv7　188

10.1　YOLOv7 的主干网络　189

10.2　YOLOv7 的特征金字塔网络　195

10.3　测试 YOLOv7　199

10.4　小结　200

第4部分　其他流行的目标检测框架

第　11章 DETR　204

11.1　解读 DETR　205

11.1.1　主干网络　205

11.1.2　Transformer 的编码器　208

11.1.3　Transformer 的解码器　211

11.2　实现 DETR　217

11.2.1　DETR 网络　217

11.2.2　数据预处理　221

11.2.3　正样本匹配 : Hungarian Matcher　222

11.2.4　损失函数　225

11.3　测试 DETR 检测器　228

11.4　小结　228

第　12章 YOLOF　230

12.1　YOLOF 解读　232

12.1.1　YOLOF 的网络结构　232

12.1.2　新的正样本匹配规则：Uniform Matcher　234

12.1.3　与其他先进工作的对比　236

12.2　搭建 YOLOF　237

12.2.1　搭建主干网络　238

12.2.2　搭建 DilatedEncoder 模块　241

12.2.3　搭建解码器模块　242

12.2.4　数据预处理　244

12.2.5　正样本匹配 : Uniform Matcher　246

12.2.6　损失函数　248

12.3　训练 YOLOF 检测器　250

12.4　测试 YOLOF 检测器　250

12.5　计算 mAP　251

12.6　小结　251

第　13章 FCOS　252

13.1　FCOS 解读　253

13.1.1　FCOS 网络结构　253

13.1.2　正样本匹配策略　255

13.1.3　损失函数　258

13.2　搭建 FCOS　258

13.2.1　搭建主干网络　259

13.2.2　正样本匹配　262

13.3　测试 FCOS 检测器　266

13.4　小结　267

参考文献　268

后记　272