深入理解计算机视觉：在边缘端构建高效的目标检测应用

参考文献

附录C TensorFlow矩阵基本操作

附录B 本书运行环境搭建说明

附录A 官方代码引用说明

16.3 自动驾驶的点云特征提取

16.2 KITTI数据集计算原理

16.1 自动驾驶数据集简介

第16章 三维目标检测和自动驾驶

第5篇 三维计算机视觉与自动驾驶

15.2 开发工具链和神经网络模型部署

15.1 RK3588边缘推理开发系统结构

第15章 边缘计算开发系统和RK3588

14.5 模型的编译和部署

14.4 边缘端全整数量化模型部署

14.3 浮点32位模型部署的全流程

14.2 开发环境准备

14.1 边缘计算网关的整体结构

第14章 使用边缘计算网关进行多路摄像头目标检测

13.2 餐盘识别神经网络性能测试案例

13.1 神经网络性能量化的基本概念

第13章 模型性能的定量测试和决策阈值选择

12.3 使用Albumentations进行数据增强

12.2 数据的增强

12.1 农村公路占道数据的目标检测应用

第12章 个性化目标检测数据集处理

第4篇 个性化数据增强和目标检测神经网络性能测试

11.4 YOLO量化模型的编译和边缘端部署

11.3 YOLO目标检测模型的量化和编译

11.2 神经网络模型的编译

11.1 TensorFlow模型的量化

第11章 以YOLO和Edge TPU为例的边缘计算实战

10.4 不支持算子的替换技巧

10.3 量化性能分析和量化模型的逐层调试

10.2 神经网络量化模型的制作和分析

10.1 神经网络量化模型的基本概念

第10章 神经网络的INT8全整数量化原理

9.3 在亚马逊SageMakerStudio上训练云计算模型

9.2 目标检测推理模型的云端部署

9.1 一阶段目标检测神经网络的推理模型设计

第9章 一阶段目标检测神经网络的云端训练和部署

第3篇 目标检测神经网络的云端和边缘端部署

8.4 静态模式训练和TensorBoard监控

8.3 训练中非法数值的监控和调试

8.2 动态模式训练

8.1 数据集和模型准备

第8章 YOLO神经网络的训练

7.7 总误差的合并和数值合理性确认

7.6 分类预测误差

7.5 前景和背景的预测误差

7.4 预测矩形框的误差度量

7.3 预测矩形框的前背景归类和权重分配

7.2 真实数据和预测数据的对应和分解

7.1 损失函数框架和输入数据的合理性判别

第7章 一阶段目标检测的损失函数的设计和实现

6.2 将原始数据集打包为可计算数据集

6.1 数据集的加载和打包

第6章 数据集的后续处理

5.6 从数据集提取样本进行核对

5.5 遍历全部样本制作完整数据集

5.4 单样本的example对象制作

5.3 TFRecord数据集文件的制作

5.2 数据资源的解析和提取

5.1 数据资源的加载

第5章 将数据资源制作成标准TFRecord数据集文件

第2篇 YOLO神经网络的损失函数和训练

4.8 YOLO模型的发展与展望

4.7 YOLO模型的多个衍生变种简介

4.6 NMS算法的原理和预测结果可视化

4.5 原版YOLO模型的预测

4.4 YOLO神经网络的迁移学习和权重加载

4.3 建立YOLO神经网络

4.2 先验锚框和YOLO神经网络的检测思路

4.1 YOLO家族目标检测神经网络简介

第4章 一阶段目标检测神经网络典型案例——YOLO解析

3.5 神经网络输出的解码

3.4 YOLO的多尺度特征融合中段网络案例

3.3 不同融合方案中段网络的关系和应用

3.2 一阶段目标检测神经网络的若干中段网络介绍

3.1 一阶段目标检测神经网络的整体结构

第3章 一阶段目标检测神经网络的特征融合和中段网络

2.3 矩形框的交并比评价指标和实现

2.2 目标检测神经网络分类和高阶API资源

2.1 几个著名的目标检测神经网络

第2章 目标检测神经网络综述

1.4 目标检测标注的解析和统计

1.3 MS COCO挑战赛和数据集

1.2 PASCAL VOC竞赛和数据集

1.1 计算机视觉坐标系的约定和概念

第1章 目标检测的竞赛和数据集

第1篇 一阶段目标检测神经网络的结构设计

前言

推荐序二

推荐序一

内容简介

作者简介

版权信息

封面

封面

版权信息

作者简介

内容简介

推荐序一

推荐序二

前言

第1篇 一阶段目标检测神经网络的结构设计

第1章 目标检测的竞赛和数据集

1.1 计算机视觉坐标系的约定和概念

1.2 PASCAL VOC竞赛和数据集

1.3 MS COCO挑战赛和数据集

1.4 目标检测标注的解析和统计

第2章 目标检测神经网络综述

2.1 几个著名的目标检测神经网络

2.2 目标检测神经网络分类和高阶API资源

2.3 矩形框的交并比评价指标和实现

第3章 一阶段目标检测神经网络的特征融合和中段网络

3.1 一阶段目标检测神经网络的整体结构

3.2 一阶段目标检测神经网络的若干中段网络介绍

3.3 不同融合方案中段网络的关系和应用

3.4 YOLO的多尺度特征融合中段网络案例

3.5 神经网络输出的解码

第4章 一阶段目标检测神经网络典型案例——YOLO解析

4.1 YOLO家族目标检测神经网络简介

4.2 先验锚框和YOLO神经网络的检测思路

4.3 建立YOLO神经网络

4.4 YOLO神经网络的迁移学习和权重加载

4.5 原版YOLO模型的预测

4.6 NMS算法的原理和预测结果可视化

4.7 YOLO模型的多个衍生变种简介

4.8 YOLO模型的发展与展望

第2篇 YOLO神经网络的损失函数和训练

第5章 将数据资源制作成标准TFRecord数据集文件

5.1 数据资源的加载

5.2 数据资源的解析和提取

5.3 TFRecord数据集文件的制作

5.4 单样本的example对象制作

5.5 遍历全部样本制作完整数据集

5.6 从数据集提取样本进行核对

第6章 数据集的后续处理

6.1 数据集的加载和打包

6.2 将原始数据集打包为可计算数据集

第7章 一阶段目标检测的损失函数的设计和实现

7.1 损失函数框架和输入数据的合理性判别

7.2 真实数据和预测数据的对应和分解

7.3 预测矩形框的前背景归类和权重分配

7.4 预测矩形框的误差度量

7.5 前景和背景的预测误差

7.6 分类预测误差

7.7 总误差的合并和数值合理性确认

第8章 YOLO神经网络的训练

8.1 数据集和模型准备

8.2 动态模式训练

8.3 训练中非法数值的监控和调试

8.4 静态模式训练和TensorBoard监控

第3篇 目标检测神经网络的云端和边缘端部署

第9章 一阶段目标检测神经网络的云端训练和部署

9.1 一阶段目标检测神经网络的推理模型设计

9.2 目标检测推理模型的云端部署

9.3 在亚马逊SageMakerStudio上训练云计算模型

第10章 神经网络的INT8全整数量化原理

10.1 神经网络量化模型的基本概念

10.2 神经网络量化模型的制作和分析

10.3 量化性能分析和量化模型的逐层调试

10.4 不支持算子的替换技巧

第11章 以YOLO和Edge TPU为例的边缘计算实战

11.1 TensorFlow模型的量化

11.2 神经网络模型的编译

11.3 YOLO目标检测模型的量化和编译

11.4 YOLO量化模型的编译和边缘端部署

第4篇 个性化数据增强和目标检测神经网络性能测试

第12章 个性化目标检测数据集处理

12.1 农村公路占道数据的目标检测应用

12.2 数据的增强

12.3 使用Albumentations进行数据增强

第13章 模型性能的定量测试和决策阈值选择

13.1 神经网络性能量化的基本概念

13.2 餐盘识别神经网络性能测试案例

第14章 使用边缘计算网关进行多路摄像头目标检测

14.1 边缘计算网关的整体结构

14.2 开发环境准备

14.3 浮点32位模型部署的全流程

14.4 边缘端全整数量化模型部署

14.5 模型的编译和部署

第15章 边缘计算开发系统和RK3588

15.1 RK3588边缘推理开发系统结构

15.2 开发工具链和神经网络模型部署

第5篇 三维计算机视觉与自动驾驶

第16章 三维目标检测和自动驾驶

16.1 自动驾驶数据集简介

16.2 KITTI数据集计算原理

16.3 自动驾驶的点云特征提取

附录A 官方代码引用说明

附录B 本书运行环境搭建说明

附录C TensorFlow矩阵基本操作

参考文献