目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割。它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。目标检测不仅要用算法判断图片中物品的分类， 还要在图片中标记出它的位置， 用边框或红色方框把物品圈起来， 这就是目标检测问题。
目标检测从2001年开始，在2012年成为分水岭，因为这一年基于深度学习的目标检测方法，逐渐使目标检测进入到快速发展的阶段，比较流行的算法可以分为两类，一类是基于Region Proposal的R-CNN系算法（RCNN、SPPNet、FasterRCNN、Pyramid NetWorks等），它们是two-stage的，需要先算法产生目标候选框，也就是目标位置，然后再对候选框做分类与回归。而另一类是Yolo，SSD这类one-stage算法，其仅仅使用一个卷积神经网络CNN直接预测不同目标的类别与位置。第一类方法是准确度高一些，但是速度慢，但是第二类算法是速度快，但是准确性要低一些。
一、统一的实时的目标检测
yolo将特征图划分为SXS的格子，每个格子负责对落入其中的目标进行检测，一次性预测所有格子所含目标不的边界框、定位置信度以及所有类别概率向量。
yolo算法的基本思想
(1)预测特征图
(2)多尺度整合
(3)锚框机制（Anchor)
通过特征提取网络对输入的图像进行特征提取，得到一定大小的特征图
预测得到的输出特征图有两个维度是摄取到的特征维度。
(1)非极大值抑制（NMS--Non-Maximum Suppression）
(2)损失函数（Loss Function)
包括：分类损失、定位损失、置信度损失
总的损失函数=分类损失+定位损失+置信度损失
二：目标检测的性能
| 检测精度 | 检测速度 |
| Precision，Recall,F1 Score | 前传耗时 |
| IoU（交并比） | FPS(每秒帧数） |
| P-R curve | 浮点运算量（Flops） |
| AP（Average Precision） | |
| mAP（mean Average Precision） |
（一）精度
1、什么是混淆矩阵
精度：Precision=TP/(TP+FP)
召回率：Recall=TP/(TP+FN)
F1 score=2*Precision*Recall/(Precision+Recall)
2、IoU（交并比）
3、AP与mAP
AP衡量的是学习出来的模型在每个类别上的好坏。
mAP衡量的是学出来的模型在所有类别上的好坏，是所有类别AP的平均值。
（二）检测速度
1、前传耗时（ms)：从输入的一张图像到输出最终检测结果所消耗的时间。
2、每秒帧数(FPS)：每秒钟能处理的图像数量。
3、浮点运算量（FLOPS)：处理的每一张图像所需要的浮点运算数量。
三：目标检测数据集
1、Pascal Voc
Pacal VOC挑战赛在2005年-2012年间展开，共有两个数据集 Pascal VOC2007（9963张图像，24640个标注）和Pascal VOC2012（11530张图像，27450个标注），该数据集有20个分类。
2、MS COCO
起源于微软于2014年出资标注的Microsoft COCO数据集，与ImageNet竞赛一样，被视为是计算机视觉领域最受关注和最权威的比赛之一。COCO数据集包含20万个图像，其中11.5万张训练集图像，5千张验证集图像，2万多张测试集图像。80个类别中有超过50万个目标标注。
COCO竞赛成为当前目标识别和检测等领域的一个最权威、最重要的标杆，也是目前该领域在国际上能唯一能汇集Google、微软、Facebook以及国内外众多顶尖院校和优秀企业共同参与的大赛。
网站地址：http://cocodataset.org
四：目前国内主流的目标检测技术：
1、YOLOX：由中国的旷视科技研发，是目前国际上运行速度最快的一种深度学习模型。
2、YOLOV1-V5：Yolov1-yolov3由Joseph Redmon研发，yolov4-yolov5则是由yolo团队内部成员完成的。
3、Transformer：原来是做为语音识别的一个模型，现在用在图像的目标识别上面也有不俗的表现
4、ViT：当考虑预训练模型的计算成本时，ViT的性能非常好，以较低的预训练成本在大多数识别基准上达到了最先进的水平。
文章来源：https://www.toymoban.com/news/detail-465711.html
以下为课程预告，我们将遂一的为大家介绍以上目标检测技术，有兴趣的小伙伴可以关注我的微博，我将随时公布培训时间及报名方式。文章来源地址https://www.toymoban.com/news/detail-465711.html
到了这里，关于什么是目标检测--Object Detection的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
