台灣之光物件辨識 - 最新 YOLO 原理精讀 + 實戰 (好評熱銷版)

楊建華 李瑞峰 著

  • 出版商: 深智
  • 出版日期: 2026-07-19
  • 定價: $800
  • 售價: 7.9$632
  • 語言: 繁體中文
  • 頁數: 384
  • ISBN: 6267889491
  • ISBN-13: 9786267889497
  • 相關分類: 影像辨識 Image-recognition
  • 尚未上市,歡迎預購

  • 台灣之光物件辨識 - 最新 YOLO 原理精讀 + 實戰 (好評熱銷版)-preview-1
  • 台灣之光物件辨識 - 最新 YOLO 原理精讀 + 實戰 (好評熱銷版)-preview-2
  • 台灣之光物件辨識 - 最新 YOLO 原理精讀 + 實戰 (好評熱銷版)-preview-3
  • 台灣之光物件辨識 - 最新 YOLO 原理精讀 + 實戰 (好評熱銷版)-preview-4
  • 台灣之光物件辨識 - 最新 YOLO 原理精讀 + 實戰 (好評熱銷版)-preview-5
  • 台灣之光物件辨識 - 最新 YOLO 原理精讀 + 實戰 (好評熱銷版)-preview-6
  • 台灣之光物件辨識 - 最新 YOLO 原理精讀 + 實戰 (好評熱銷版)-preview-7
  • 台灣之光物件辨識 - 最新 YOLO 原理精讀 + 實戰 (好評熱銷版)-preview-8
  • 台灣之光物件辨識 - 最新 YOLO 原理精讀 + 實戰 (好評熱銷版)-preview-9
  • 台灣之光物件辨識 - 最新 YOLO 原理精讀 + 實戰 (好評熱銷版)-preview-10
  • 台灣之光物件辨識 - 最新 YOLO 原理精讀 + 實戰 (好評熱銷版)-preview-11
  • 台灣之光物件辨識 - 最新 YOLO 原理精讀 + 實戰 (好評熱銷版)-preview-12
  • 台灣之光物件辨識 - 最新 YOLO 原理精讀 + 實戰 (好評熱銷版)-preview-13
  • 台灣之光物件辨識 - 最新 YOLO 原理精讀 + 實戰 (好評熱銷版)-preview-14
台灣之光物件辨識 - 最新 YOLO 原理精讀 + 實戰 (好評熱銷版)-preview-1

相關主題

商品描述

☆★☆YOLO專書好評熱銷再上市☆★☆

 

本書共分為四大部分13章,首章介紹了從深度學習時代開始的物件辨識發展,包括R-CNNYOLO系列,第二章則介紹PASCAL VOCMS COCO等重要資料集,從第三章到第八章,深入講解YOLO系列從YOLOv1YOLOv4的發展,包括網路架構、檢測原理和訓練策略等,並提供程式實作的指導,幫助讀者建立對物件辨識任務的全面認識。第九章和第十章,介紹了YOLOXYOLOv7的技術進展和實現細節,展示了對YOLOv3的改進及新型標籤分配的動態策略。

 

  第十一章詳細介紹了DETR,這是一種基於Transformer的物件辨識框架,改變了傳統物件辨識的方法。第十二章探討了YOLOF,一種新型的單級物件辨識網路,而第十三章則專注於FCOS,這是一種無先驗框的檢測器,為物件辨識領域帶來新的思路。第四部分重點介紹了大型語言模型的擴充應用和評估。包括與外部工具和知識源連接的LangChain 技術。

 

本書特色

 

  ★物件辨識架構淺析

  ★PascalCOCO資料集詳解

  ★YOLOv1YOLOv2YOLOv3網路介紹及架設、訓練實作

  ★新的YOLO架構YOLOXYOLOv7網路介紹及架設、訓練實作

  ★DETR網路介紹及架設、訓練實作

  ★YOLOF網路介紹及架設、訓練實作

  ★FCOS網路介紹及架設、訓練實作

作者簡介

楊建華

  哈爾濱工業大學在讀博士,主要研究方向為基於視覺的目標檢測與人體時空行為分析,長期耕耘于多個知乎專欄(知乎IDKissrabbit)

 

李瑞峰

  哈爾濱工業大學教授、機器人研究所副所長,中國人工智能學會智能機器人專業委員會秘書長,黑龍江省機器人學會理事長。

目錄大綱

1 部分 背景知識

 

1 物件辨識架構淺析

1.1 物件辨識發展簡史

1.2 物件辨識網路框架概述

1.3 物件辨識網路框架淺析

1.4 小結

 

2 常用的資料集

2.1 PASCAL VOC 資料集

2.2 MS COCO 資料集

2.3 小結

 

2 部分 學習YOLO 框架

 

3 YOLOv1

3.1 YOLOv1 的網路結構

3.2 YOLOv1 的檢測原理

3.3 YOLOv1 的製作訓練正樣本的方法

3.4 YOLOv1 的損失函數

3.5 YOLOv1 的前向推理

3.6 小結

 

4 架設 YOLOv1 網路

4.1 改進 YOLOv1

4.2 架設 YOLOv1 網路

4.3 YOLOv1 的後處理

4.4 小結

 

5 訓練 YOLOv1 網路

5.1 讀取 VOC 資料

5.2 資料前置處理

5.3 製作訓練正樣本

5.4 計算訓練損失

5.5 開始訓練 YOLOv1

5.6 視覺化檢測結果

5.7 使用 COCO 資料集 ( 選讀 )

5.8 小結

 

6 YOLOv2

6.1 YOLOv2 詳解

6.2 架設 YOLOv2 網路

6.3 基於 k 平均值聚類演算法的先驗框聚類

6.4 基於先驗框機制的正樣本製作方法

6.5 損失函數

6.6 訓練 YOLOv2 網路

6.7 視覺化檢測結果與計算 mAP

6.8 使用 COCO 資料集(選讀)

6.9 小結

 

7 YOLOv3

7.1 YOLOv3 解讀

7.2 架設 YOLOv3 網路

7.3 正樣本匹配策略

7.4 損失函數

7.5 資料前置處理

7.6 訓練 YOLOv3

7.7 測試 YOLOv3

7.8 小結

 

8 YOLOv4

8.1 YOLOv4 解讀

8.2 架設 YOLOv4 網路

8.3 製作訓練正樣本

8.4 測試 YOLOv4

8.5 小結

 

3 部分 較新的YOLO 框架

 

9 YOLOX

9.1 解讀 YOLOX

9.2 架設 YOLOX 網路

9.3 YOLOX 的標籤匹配:SimOTA

9.4 YOLOX 風格的混合增強

9.5 測試 YOLOX

9.6 小結

 

10 YOLOv7

10.1 YOLOv7 的主幹網絡

10.2 YOLOv7 的特徵金字塔網路

10.3 測試 YOLOv7

10.4 小結

 

4 部分 其他流行的物件辨識框架

 

11 DETR

11.1 解讀 DETR

11.2 實現 DETR

11.3 測試 DETR 檢測器

11.4 小結

 

12 YOLOF

12.1 YOLOF 解讀

12.2 架設 YOLOF

12.3 訓練 YOLOF 檢測器

12.4 測試 YOLOF 檢測器

12.5 計算 mAP

12.6 小結

 

13 FCOS

13.1 FCOS 解讀

13.2 架設 FCOS

13.3 測試 FCOS 檢測器

13.4 小結

 

參考文獻

後記