目标检测

🧬 知识点关系网络

候选区域→特征提取→分类+回归→后处理

⬆️ 在哪里？是什么？目标检测同时回答两个问题。

R-CNN系列 —— R-CNN选择性搜索+CNN，Fast R-CNN引入RoI池化，Faster R-CNN用RPN生成候选框。
💡 理解RPN的锚框机制与边框回归目标。
YOLO —— 将检测视为回归问题，直接预测边框与类别，速度极快。YOLOv5/v8是工业界首选。
💡 用Ultralytics YOLOv8训练自定义数据集。
IoU与mAP —— 交并比衡量预测框与真实框的重叠度。mAP在不同IoU阈值下平均精度。
💡 计算两个矩形框的IoU，理解mAP@0.5与mAP@0.5:0.95的区别。
NMS —— 按置信度排序，抑制与高分框IoU过大的其他框。Soft-NMS降低分数而非直接删除。
💡 手动实现一个简单的NMS算法。

💡 学习贴士： 理论与代码并重，动手实现经典模型，在GPU上验证想法。

前置依赖： 学习目标检测前，建议具备Python编程、线性代数、概率论基础。

后续延伸： 学完目标检测后，可继续深入AI的其他子领域或应用方向。

🔵 已开放 · 可随时探索🟠 生长中 · 内容持续丰富🟣 探索级 · 深度拓展

🌱 为了包容与博爱的传递，为了知识平权，善智导航正在陆续深化每一个知识点页面。
下方所有知识点均已预留链接，可随时点击探索。

✨ 每个链接都是一扇门，推开即是新世界。

检测车辆、行人、交通标志。

识别货架上的商品并计数。

检测产品表面缺陷。

我是一名正在学习目标检测的学生，请用生动易懂的方式为我讲解其核心概念，并结合AI领域的实际应用场景加以说明。