封面
前折页
书名页
版权
前言
第一部分 理论
 第1章 目标检测基础
  1.1 目标检测简介
  1.2 目标检测应用
  1.3 目标检测的基础概念
   1.3.1 边界框
   1.3.2 锚框
   1.3.3 交并比
   1.3.4 非极大值抑制
   1.3.5 评价指标
  1.4 两阶段目标检测算法
   1.4.1 R-CNN算法
   1.4.2 Fast R-CNN算法
   1.4.3 Faster R-CNN算法
  1.5 一阶段目标检测算法
   1.5.1 YOLO算法
   1.5.2 SSD算法
  1.6 本章小结
 第2章 YOLOv1至YOLOv5算法的原理与架构
  2.1 目标检测网络架构浅析
   2.1.1 主干网络
   2.1.2 颈部网络
   2.1.3 检测头
  2.2 YOLOv1算法原理与架构
   2.2.1 YOLOv1的设计理念
   2.2.2 YOLOv1的网络架构
   2.2.3 YOLOv1的损失函数
   2.2.4 YOLOv1的不足
  2.3 YOLOv2算法原理与架构
   2.3.1 批量归一化
   2.3.2 高分辨率分类器
   2.3.3 带锚框的卷积
   2.3.4 维度聚类
   2.3.5 直接位置预测
   2.3.6 多尺度训练
   2.3.7 细粒度特征
   2.3.8 新的主干网络：Darknet-19
   2.3.9 YOLOv2整体架构
  2.4 YOLOv3算法原理与架构
   2.4.1 YOLOv3的主干网络：Darknet-53
   2.4.2 多尺度特征融合
   2.4.3 YOLOv3的网络架构
   2.4.4 YOLOv3的损失函数
  2.5 YOLOv4算法原理与架构
   2.5.1 YOLOv4的网络架构
   2.5.2 YOLOv4的主干网络：CSPDarknet53
   2.5.3 YOLOv4的颈部网络
   2.5.4 YOLOv4的数据增强
  2.6 YOLOv5算法原理与架构
   2.6.1 YOLOv5的创新点
   2.6.2 YOLOv5的网络架构
  2.7 本章小结
 第3章 YOLOv6至YOLO11算法的原理与架构
  3.1 YOLOv6算法原理与架构
   3.1.1 YOLOv6的主干网络
   3.1.2 YOLOv6的颈部网络
   3.1.3 YOLOv6的检测头
   3.1.4 YOLOv6的网络架构
   3.1.5 更有效的训练策略
   3.1.6 实验结果
  3.2 YOLOv7算法原理与架构
   3.2.1 扩展高效层聚合网络
   3.2.2 基于拼接模型的缩放
   3.2.3 标签分配策略
   3.2.4 计划重参数卷积
   3.2.5 YOLOv7的网络架构
  3.3 YOLOv8算法原理与架构
   3.3.1 YOLOv8的网络架构
   3.3.2 YOLOv8的损失函数
   3.3.3 正负样本的匹配策略
  3.4 YOLOv9算法原理与架构
   3.4.1 PGI
   3.4.2 GELAN
   3.4.3 消融研究
   3.4.4 结论
  3.5 YOLOv10算法原理与架构
   3.5.1 无NMS训练的一致性双任务分配
   3.5.2 效率-精度驱动的整体模型设计
   3.5.3 实验和结果
  3.6 YOLO11算法原理与架构
   3.6.1 YOLO11的网络架构
   3.6.2 YOLO11的性能表现
   3.6.3 YOLO11与其他YOLO的比较
  3.7 本章小结
第二部分 工具
 第4章 YOLO11使用详解
  4.1 YOLO11的安装
   4.1.1 本地安装Ultralytics YOLO11
   4.1.2 在Kaggle Notebook中安装Ultralytics YOLO11
  4.2 YOLO11快速上手
   4.2.1 命令行界面的使用方式
   4.2.2 Python接口的使用方式
   4.2.3 YOLO11常用配置
  4.3 基于Streamlit搭建Web应用程序
   4.3.1 Streamlit的安装及使用
   4.3.2 Streamlit的主要组件
   4.3.3 Streamlit的布局和容器
  4.4 基于大模型进行数据交互
   4.4.1 PandasAI简介
   4.4.2 PandasAI安装及使用
  4.5 综合案例：搭建目标检测平台
   4.5.1 搭建简易目标检测平台
   4.5.2 丰富目标检测平台
   4.5.3 集成大模型进行交互查询
   4.5.4 使用VS Code编写及运行.py文件
  4.6 本章小结
 第5章 Supervision：计算机视觉AI工具库
  5.1 Supervision的安装及使用
   5.1.1 Supervision的安装
   5.1.2 Supervision的使用
  5.2 标注目标检测结果
   5.2.1 标注目标检测边框
   5.2.2 显示自定义标签
  5.3 视频处理的相关函数
   5.3.1 在线下载视频
   5.3.2 生成并保存视频
  5.4 保存目标检测结果
   5.4.1 保存为CSV文件
   5.4.2 保存为JSON文件
  5.5 过滤目标检测结果
   5.5.1 按指定类别过滤
   5.5.2 按指定类别集合过滤
   5.5.3 按置信度过滤
   5.5.4 按面积过滤
   5.5.5 按相对面积过滤
   5.5.6 按边界框过滤
   5.5.7 按组合条件过滤
  5.6 案例：目标跟踪项目实践
   5.6.1 跟踪器
   5.6.2 案例：行人目标跟踪
   5.6.3 案例：高速公路跟踪车辆进出统计
  5.7 本章小结
 第6章 数据标注工具使用详解
  6.1 LabelImg使用详解
   6.1.1 LabelImg的安装
   6.1.2 LabelImg的使用
  6.2 Ybat使用详解
   6.2.1 Ybat的主要特点
   6.2.2 Ybat的下载与使用
  6.3 案例：利用标注数据进行模型训练及预测
   6.3.1 标注数据准备
   6.3.2 模型训练
   6.3.3 模型验证
   6.3.4 模型预测
  6.4 本章小结
第三部分 应用
 第7章 项目实践：自动驾驶中的交通标志检测
  7.1 交通标志数据集的介绍及探索
   7.1.1 交通标志数据集介绍
   7.1.2 在Notebook中加载数据集
   7.1.3 交通标志数据集探索
  7.2 训练交通标志检测模型
   7.2.1 模型下载
   7.2.2 模型训练
   7.2.3 模型验证
   7.2.4 模型预测
   7.2.5 将结果导出到本地
  7.3 搭建交通标志检测平台
   7.3.1 搭建简易的Web界面
   7.3.2 搭建图片中交通标志的检测界面
   7.3.3 搭建视频中交通标志的检测界面
  7.4 本章小结
 第8章 项目实践：自动驾驶中的车道线检测
  8.1 车道线数据集的介绍及探索
   8.1.1 车道线数据集介绍
   8.1.2 车道线数据集探索
  8.2 训练车道线检测模型
   8.2.1 模型下载
   8.2.2 模型训练
   8.2.3 模型验证
   8.2.4 模型预测
  8.3 搭建车道线检测平台
   8.3.1 搭建车道线目标检测平台的侧边栏
   8.3.2 搭建图片中车道线的检测界面
   8.3.3 保存车道线检测图片及文件
   8.3.4 查看历史车道线检测图片和文件
   8.3.5 搭建视频中车道线的检测界面
   8.3.6 集成大模型交互查询车道线结果
  8.4 本章小结
 第9章 项目实践：自动驾驶中的路面坑洞检测
  9.1 路面坑洞数据集的介绍及探索
   9.1.1 路面坑洞数据集介绍
   9.1.2 路面坑洞数据集探索
  9.2 训练路面坑洞检测模型
  9.3 搭建路面坑洞检测平台
   9.3.1 搭建路面坑洞检测平台的侧边栏
   9.3.2 在平台界面中创建图片/视频选项卡
   9.3.3 使用CSS美化路面坑洞检测平台界面
   9.3.4 搭建图片中路面坑洞的检测界面
   9.3.5 搭建视频中路面坑洞的检测界面
  9.4 本章小结
 第10章 项目实践：道路车辆事故检测
  10.1 事故检测数据集的介绍及清洗
   10.1.1 事故检测数据集介绍
   10.1.2 删除无事故的图片及标签
   10.1.3 事故检测数据集探索
   10.1.4 修改data.yaml文件内容
  10.2 训练道路车辆事故检测模型
  10.3 搭建道路车辆事故检测平台
   10.3.1 搭建道路车辆事故检测平台侧边栏
   10.3.2 搭建道路车辆事故检测平台界面
   10.3.3 上传图片作为界面背景
   10.3.4 修改页面图标
  10.4 本章小结
 第11章 项目实践：足球运动员检测
  11.1 足球运动员检测数据集的介绍及探索
   11.1.1 足球运动员检测数据集介绍
   11.1.2 足球运动员检测数据集探索
  11.2 训练足球运动员检测模型及预测
   11.2.1 训练足球运动员检测模型
   11.2.2 验证足球运动员检测模型
   11.2.3 使用最优模型对测试集进行预测
  11.3 使用最优模型对视频中的足球运动员进行检测
  11.4 本章小结
 第12章 项目实践：火灾及烟雾检测
  12.1 火灾及烟雾检测数据集的介绍与探索
   12.1.1 火灾及烟雾检测数据集介绍
   12.1.2 火灾及烟雾检测数据集探索
  12.2 训练火灾及烟雾检测模型及预测
   12.2.1 训练火灾及烟雾检测模型
   12.2.2 验证火灾及烟雾检测模型
   12.2.3 火灾及烟雾预测
  12.3 搭建火灾及烟雾检测平台
   12.3.1 搭建火灾及烟雾检测平台界面
   12.3.2 进行单张图片的火灾及烟雾检测
   12.3.3 进行多张图片的火灾及烟雾检测
   12.3.4 记录多张图片的火灾及烟雾检测结果
   12.3.5 基于大模型查询历史检测记录
  12.4 本章小结
 第13章 项目实践：安全头盔和反光背心检测
  13.1 安全头盔和反光背心检测数据集的介绍及探索
   13.1.1 安全头盔和反光背心检测数据集介绍
   13.1.2 安全头盔和反光背心检测数据集探索
  13.2 训练安全头盔和反光背心检测模型及预测
   13.2.1 训练安全头盔和反光背心检测模型
   13.2.2 验证安全头盔和反光背心检测模型
   13.2.3 安全头盔和反光背心检测模型预测
   13.2.4 上传本地视频到Kaggle并进行目标跟踪
  13.3 搭建安全头盔和反光背心检测平台
   13.3.1 搭建安全头盔和反光背心检测平台侧边栏
   13.3.2 搭建图片中安全头盔和反光背心的检测界面
   13.3.3 在界面上展示历史图片的检查结果
   13.3.4 在界面上展示记录检测结果的表格
   13.3.5 基于大模型查询所有图片的检测结果
   13.3.6 搭建视频中安全头盔和反光背心的检测界面
  13.4 本章小结
 第14章 项目实践：脑肿瘤检测
  14.1 脑肿瘤检测数据集的介绍及探索
   14.1.1 脑肿瘤检测数据集介绍
   14.1.2 脑肿瘤检测数据集探索
   14.1.3 脑肿瘤检测数据预处理
  14.2 训练脑肿瘤检测模型
   14.2.1 训练轴向T1加权成像检测模型
   14.2.2 训练冠状位T1加权成像检测模型
   14.2.3 训练矢状位T1加权成像检测模型
  14.3 搭建基于YOLO的脑肿瘤检测平台
   14.3.1 设置页面配置及侧边栏
   14.3.2 定义脑肿瘤检测函数
   14.3.3 设置主界面
   14.3.4 使用CSS美化平台
  14.4 本章小结
 第15章 项目实践：骨折检测
  15.1 骨折检测数据集的介绍及预处理
   15.1.1 骨折检测数据集介绍
   15.1.2 统计无标注数据的图片数量
   15.1.3 删除无标注数据的图片
   15.1.4 骨折检测图片可视化
  15.2 训练骨折检测模型
  15.3 搭建骨折检测平台
   15.3.1 设置骨折检测平台页面配置和侧边栏
   15.3.2 定义骨折检测函数
   15.3.3 侧边栏增加“检测”“上一个”“下一个”按钮
   15.3.4 搭建图片中骨折的检测界面
   15.3.5 搭建视频中骨折的检测界面
  15.4 本章小结
 第16章 项目实践：水下生物检测
  16.1 水下生物检测数据集的介绍及预处理
   16.1.1 水下生物检测数据集介绍
   16.1.2 水下生物检测数据集探索
  16.2 训练水下生物检测模型
   16.2.1 训练水下生物检测模型
   16.2.2 验证水下生物检测模型
   16.2.3 水下生物检测模型预测
  16.3 搭建水下生物检测平台
   16.3.1 搭建水下生物检测平台侧边栏
   16.3.2 定义水下生物检测及结果保存函数
   16.3.3 保存目标检测历史记录
   16.3.4 搭建水下生物检测平台界面
   16.3.5 基于大模型查询水下生物的图片
  16.4 本章小结
推荐阅读
后折页
封底