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 折 $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
立即出貨 (庫存 > 10)
買這商品的人也買了...
-
程式設計師的自我修養－連結、載入、程式庫$580$493 -
Android 高效入門>>深度學習－使用 Android Studio 2 開發 Android 6.0 APP$650$507 -
Linux Shell 程式設計實力養成：225個實務關鍵技巧徹底詳解, 2/e$490$382 -
鳥哥的 Linux 基礎學習訓練教材$480$408 -
UML 物件導向系統分析與設計, 4/e$560$436 -
機器學習開發神器！Google Cloud Platform 雲端開發應用超入門$490$416 -
Kaggle 競賽攻頂秘笈 -- 揭開 Grandmaster 的特徵工程心法，掌握制勝的關鍵技術$1,000$850 -
超圖解 ESP32 深度實作$880$748 -
$708嵌入式 C語言自我修養 — 從芯片、編譯器到操作系統 -
$517穿越作業系統迷霧：從零實現作業系統 -
新範式來臨 - 用 PyTorch 了解 LLM 開發微調 ChatGLM 全過程$980$774 -
LLM 竟然這麼靠近 - 使用 llama 模型建立大模型本機系統$980$774 -
Transformer 深度解析與 NLP 應用開發$714$678 -
TRAE與AI Agent協作實戰：多智能體AI編程全棧指南$534$507 -
LLaMA + ChatGLM 大模型實戰$594$564 -
TensorFlow和Keras深度學習案例(第3版)$774$735 -
樹莓派5 AIoT開發——從傳感器到認知系統$354$336 -
OpenClaw從入門到精通：打造你的龍蝦助手$348$330 -
崛起的新勢力 - 在 Linux 下用 AMD GPU 加速實作$880$695 -
AI Agent 時代 - 全功能代理人原理框架及企業開發$880$695 -
AI 搜尋策略優化與實務 - SEO 與 GEO 兼容工作流程$590$466 -
30天之後，你就是團隊內最會 n8n 的人 - 寫給小白的 AI 自動化英雄之旅$780$616 -
Harness 強大應用 - Codex App 超越 Coding Agent 實戰大全$980$774 -
StatQuest 圖解機器學習$790$624 -
Codex Vibe Coding 開發手冊$850$671
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-CNN及YOLO系列，第二章則介紹PASCAL VOC和MS COCO等重要資料集，從第三章到第八章，深入講解YOLO系列從YOLOv1到YOLOv4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YOLOX和YOLOv7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
★Pascal、COCO資料集詳解
★YOLOv1、YOLOv2、YOLOv3網路介紹及架設、訓練實作
★新的YOLO架構YOLOX、YOLOv7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ID：Kissrabbit)。
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
▌第1 部分 背景知識
第 1 章 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
第 2 章 常用的資料集
2.1 PASCAL VOC 資料集
2.2 MS COCO 資料集
2.3 小結
▌第2 部分 學習YOLO 框架
第 3 章 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
第 4 章 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
第 5 章 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
第 6 章 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
第 7 章 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
第 8 章 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
▌第3 部分 較新的YOLO 框架
第 9 章 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
第 10 章 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
▌第4 部分 其他流行的物件辨識框架
第 11 章 DETR
11.1 解讀 DETR
11.2 實現 DETR
11.3 測試 DETR 檢測器
11.4 小結
第 12 章 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
第 13 章 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
