## 学习目标 理解目标检测与图像分类的区别 掌握YOLO系列的发展脉络 了解目标检测在设计中的应用 ### 从分类到检测 #### 图像分类 `输入图像`` → CNN → ``类别标签`\ `"``猫``" (``单标签``)` #### 目标检测 `输入图像`` → CNN → [``位置``, ``类别``]`\ `[``边界框``, "``猫``", 0.95]`\ `[``边界框``, "``狗``", 0.87]` **核心差异**：检测需要同时解决"是什么"和"在哪里" ### 检测器类型 #### Two-Stage检测器 `第一阶段：候选区域生成`\ ` RPN (Region Proposal Network)`\ \ `第二阶段：分类与回归`\ ` ``对每个候选框进行精确预测`\ \ `代表：``R-CNN, Fast R-CNN, Faster R-CNN` 特点：准确率高，速度慢 #### One-Stage检测器 `直接预测：一次性输出所有边界框和类别`\ \ `代表：``YOLO, SSD, ``RetinaNet` 特点：速度快，实时性好 ### YOLO系列演进 #### YOLO v1 (2016) **核心思想**：将检测转化为回归问题 `输入图像`` → S×S``网格`` → ``每个网格预测``B``个边界框` 创新点： - 端到端训练 - 实时检测 (45 FPS) #### YOLO v2-v4 ---------------------------------- 版本 主要改进 ------ --------------------------- v2 Batch Normalization, 锚框 v3 多尺度预测 v4 CSPDarknet, PANet v5 PyTorch实现，工程优化 v8 重新设计，更易用 ---------------------------------- #### YOLO工作流程 ##### 1. 输入图像 (640×640) `↓` ##### 2. Backbone特征提取 `↓` ##### 3. Neck特征融合 (FPN + PAN) `↓` ##### 4. Head检测输出 `- ``边界框坐标` `- ``目标置信度` `- ``类别概率` ### 评估指标 #### IoU (交并比) `IoU`` = ``预测框与真实框的交集`` / ``并集`\ \ ` ┌─────────┐`\ ` │ ``预测框`` │`\ ` │ ┌───┐ │`\ ` │ │``真`` │ │`\ ` └──┼──┼─┘`\ ` └───┘`\ \ `IoU`` = ``重叠面积`` / ``总面积` ### mAP (平均精度均值) 在不同IoU阈值(0.5, 0.75...)下的平均精度 综合衡量定位准确度和分类准确度 ### COCO数据集 80类物体，包含： - 目标检测 - 实例分割 - 关键点检测 - 图像说明 ## 设计领域应用 建筑识别 `卫星图像`` → YOLO → ``建筑物边界框`\ ` ↓`\ `自动生成建筑轮廓` 场景分析 `室内照片`` → ``目标检测`` → ``家具识别`\ ` ↓`\ `空间布局分析` 遗产保护 `无人机影像`` → ``建筑病害检测`\ ` ↓`\ `自动化巡检与记录` ## 思考与练习 1.Two-Stage和One-Stage检测器的权衡是什么？ 2.为什么YOLO能实现实时检测？ 3.目标检测在规划设计中有哪些潜在应用？ ## 关键术语 ------------------------------------------------------- 中文 英文 说明 -------------- -------------- ------------------------- 边界框 Bounding Box 矩形目标框 锚框 Anchor Box 预定义的候选框 非极大值抑制 NMS 去除重复检测 交并比 IoU Intersection over Union 平均精度 AP Average Precision ------------------------------------------------------- ## 延伸阅读 [Ultralytics YOLO文档](https://docs.ultralytics.com/) [COCO数据集](https://cocodataset.org/) \# 02.3 语义分割与空间分析