台灣之光物件辨識 - 最新 YOLO 原理精讀+實戰
楊建華、李瑞峰 著
買這商品的人也買了...
-
核心開發者親授！PyTorch 深度學習攻略 (Deep Learning with Pytorch)$1,000$790 -
AIOT 與 OpenCV 實戰應用：Python、樹莓派、物聯網與機器視覺, 3/e$500$375 -
機器學習聖經：最完整的統計學習方法$880$695 -
只要一行指令！FFmpeg 應用開發完全攻略$880$748 -
Python + OpenCV — 機器學習 + 深度學習 40大電腦視覺案例入門到實戰$1,200$792 -
一本精通 - OpenCV 與 AI 影像辨識$680$537 -
Azure DevOps 設計策略與實戰分析：開發工程師從入門到進階完全指南（iThome鐵人賽系列書）【軟精裝】$760$593 -
最強 AI 投資分析：打造自己的股市顧問機器人，股票趨勢分析×年報解讀×選股推薦×風險管理$750$593 -
向 Level-5 前進：全方位自動駕駛感知原理與實作$780$616 -
AI 神助攻！程式設計新境界 – GitHub Copilot 開發 Python 如虎添翼 : 提示工程、問題分解、測試案例、除錯$560$442 -
新一代 Keras 3.x 重磅回歸：跨 TensorFlow 與 PyTorch 建構 Transformer、CNN、RNN、LSTM 深度學習模型$750$593 -
$458大模型應用開發 : 動手做 AI Agent -
NLG 的王者 GPT 圖解 - LLM 的原來是這樣建構出來的$780$616 -
前端測試指南：策略與實踐$650$507 -
Stable Diffusion：與杰克艾米立攜手專精 AI 繪圖$750$593 -
你的第一本 Linux 入門書：使用 WSL 建立 Linux 軟體開發與部署環境，一次學會 Docker、版本控制、建立 AI 預訓練模型$620$484 -
AI 影音生成狂想曲 – 影片生成 × 語音克隆 × AI 翻唱 × 詞曲創作 × 背景音樂 × 虛擬人像 × 自動字幕$680$537 -
工控資安銳視角：石化場域 OT / ICS 學習筆記$680$530 -
深度學習 -- 最佳入門邁向 AI 專題實戰, 2/e$1,200$948 -
建構機器學習系統實踐指南$620$465 -
設計師自救指南：Stable Diffusion 實用教學$539$512 -
LLM 大型語言模型的絕世祕笈：27路獨步劍法，帶你闖蕩生成式 AI 的五湖四海 （iThome鐵人賽系列書）$650$507 -
精確掌握 AI 大趨勢！深度學習技術解密：日本 AI 神人，帶你正確學會從機器學習到生成式 AI 的核心基礎$630$498 -
演算法導論, 4/e (Introduction to Algorithms, 4/e)$1,800$1,188 -
LangChain 奇幻旅程：OpenAI x Gemini x 多模態應用開發指南$680$530
相關主題
商品描述
【新書簡介】
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。
【本書看點】
★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
