台灣之光物件辨識：最新YOLO原理精讀+實戰


	本書共分為四大部分13章，首章介紹了從深度學習時代開始的物件辨識發展，包括R-CNN及YOLO系列，第二章則介紹PASCAL VOC和MS COCO等重要資料集，從第三章到第八章，深入講解YOLO系列從YOLOv1到YOLOv4的發展，包括網路架構、檢測原理和訓練策略等，並提供程式實作的指導，幫助讀者建立對物件辨識任務的全面認識。第九章和第十章，介紹了YOLOX和YOLOv7的技術進展和實現細節，展示了對YOLOv3的改進及新型標籤分配的動態策略。　　第十一章詳細介紹了DETR，這是一種基於Transformer的物件辨識框架，改變了傳統物件辨識的方法。第十二章探討了YOLOF，一種新型的單級物件辨識網路，而第十三章則專注於FCOS，這是一種無先驗框的檢測器，為物件辨識領域帶來新的思路。第四部分重點介紹了大型語言模型的擴充應用和評估。包括與外部工具和知識源連接的LangChain 技術。本書特色　　★物件辨識架構淺析　　★Pascal、COCO資料集詳解　　★YOLOv1、YOLOv2、YOLOv3網路介紹及架設、訓練實作　　★新的YOLO架構YOLOX、YOLOv7網路介紹及架設、訓練實作　　★DETR網路介紹及架設、訓練實作　　★YOLOF網路介紹及架設、訓練實作　　★FCOS網路介紹及架設、訓練實作


	目錄第1 部分背景知識第 1 章物件辨識架構淺析 1.1 物件辨識發展簡史 1.2 物件辨識網路框架概述 1.3 物件辨識網路框架淺析 1.4 小結第 2 章常用的資料集 2.1 PASCAL VOC 資料集 2.2 MS COCO 資料集 2.3 小結第2 部分學習YOLO 框架第 3 章 YOLOv1 3.1 YOLOv1 的網路結構 3.2 YOLOv1 的檢測原理 3.3 YOLOv1 的製作訓練正樣本的方法 3.4 YOLOv1 的損失函數 3.5 YOLOv1 的前向推理 3.6 小結第 4 章架設 YOLOv1 網路 4.1 改進 YOLOv1 4.2 架設 YOLOv1 網路 4.3 YOLOv1 的後處理 4.4 小結第 5 章訓練 YOLOv1 網路 5.1 讀取 VOC 資料 5.2 資料前置處理 5.3 製作訓練正樣本 5.4 計算訓練損失 5.5 開始訓練 YOLOv1 5.6 視覺化檢測結果 5.7 使用 COCO 資料集 ( 選讀 ) 5.8 小結第 6 章 YOLOv2 6.1 YOLOv2 詳解 6.2 架設 YOLOv2 網路 6.3 基於 k 平均值聚類演算法的先驗框聚類 6.4 基於先驗框機制的正樣本製作方法 6.5 損失函數 6.6 訓練 YOLOv2 網路 6.7 視覺化檢測結果與計算 mAP 6.8 使用 COCO 資料集（選讀） 6.9 小結第 7 章 YOLOv3 7.1 YOLOv3 解讀 7.2 架設 YOLOv3 網路 7.3 正樣本匹配策略 7.4 損失函數 7.5 資料前置處理 7.6 訓練 YOLOv3 7.7 測試 YOLOv3 7.8 小結第 8 章 YOLOv4 8.1 YOLOv4 解讀 8.2 架設 YOLOv4 網路 8.3 製作訓練正樣本 8.4 測試 YOLOv4 8.5 小結第3 部分較新的YOLO 框架第 9 章 YOLOX 9.1 解讀 YOLOX 9.2 架設 YOLOX 網路 9.3 YOLOX 的標籤匹配：SimOTA 9.4 YOLOX 風格的混合增強 9.5 測試 YOLOX 9.6 小結第 10 章 YOLOv7 10.1 YOLOv7 的主幹網絡 10.2 YOLOv7 的特徵金字塔網路 10.3 測試 YOLOv7 10.4 小結第4 部分其他流行的物件辨識框架第 11 章 DETR 11.1 解讀 DETR 11.2 實現 DETR 11.3 測試 DETR 檢測器 11.4 小結第 12 章 YOLOF 12.1 YOLOF 解讀 12.2 架設 YOLOF 12.3 訓練 YOLOF 檢測器 12.4 測試 YOLOF 檢測器 12.5 計算 mAP 12.6 小結第 13 章 FCOS 13.1 FCOS 解讀 13.2 架設 FCOS 13.3 測試 FCOS 檢測器 13.4 小結參考文獻後記