目标检测不仅要识别"是什么"，还要定位"在哪里"。本课从滑动窗口到锚框，理解目标检测的核心思想。
输入：图像
输出：{(类别₁, 置信度₁, [x₁,y₁,w₁,h₁]), ...}
核心挑战：多目标、多尺度、遮挡、背景
最朴素的方法：在图像上用不同大小的窗口滑动，每个窗口做分类。问题：计算量爆炸！
| 方法 | 年份 | 速度 | 精度 |
|---|---|---|---|
| R-CNN | 2014 | 慢(47s/图) | 高 |
| Fast R-CNN | 2015 | 中 | 高 |
| Faster R-CNN | 2015 | 快 | 高 |
YOLO核心思想：将检测视为回归问题
将图像分成S×S网格，每个网格预测B个边界框
输出：S×S×(B×5+C)的张量
IoU = |A∩B| / |A∪B|
mAP = 各类别AP的平均值
AP = PR曲线下的面积
import torch
import torch.nn as nn
import math
# 锚框生成
def generate_anchors(feature_size, scales, ratios):
"""在特征图上生成锚框"""
anchors = []
for i in range(feature_size):
for j in range(feature_size):
cx = (j + 0.5) / feature_size
cy = (i + 0.5) / feature_size
for scale in scales:
for ratio in ratios:
w = scale * math.sqrt(1/ratio)
h = scale * math.sqrt(ratio)
anchors.append([cx, cy, w, h])
return anchors
# 生成锚框
anchors = generate_anchors(8, [0.5, 0.3], [1.0, 2.0, 0.5])
print(f"特征图8×8, 2个尺度, 3个比例 → 锚框数: {len(anchors)}")
print(f"示例锚框: {anchors[:3]}")
# IoU计算
def compute_iou(box1, box2):
"""计算两个框的IoU, box格式: [cx, cy, w, h]"""
x1 = box1[0] - box1[2]/2
y1 = box1[1] - box1[3]/2
x2 = box1[0] + box1[2]/2
y2 = box1[1] + box1[3]/2
x1g = box2[0] - box2[2]/2
y1g = box2[1] - box2[3]/2
x2g = box2[0] + box2[2]/2
y2g = box2[1] + box2[3]/2
xi1 = max(x1, x1g)
yi1 = max(y1, y1g)
xi2 = min(x2, x2g)
yi2 = min(y2, y2g)
inter = max(0, xi2-xi1) * max(0, yi2-yi1)
area1 = (x2-x1) * (y2-y1)
area2 = (x2g-x1g) * (y2g-y1g)
union = area1 + area2 - inter
return inter / (union + 1e-6)
# IoU测试
boxes = [
[0.5, 0.5, 0.4, 0.4], # 真实框
[0.5, 0.5, 0.4, 0.4], # 完全重叠
[0.5, 0.5, 0.5, 0.5], # 更大
[0.3, 0.3, 0.2, 0.2], # 偏移
[0.8, 0.8, 0.2, 0.2], # 远离
]
print("\n=== IoU计算 ===")
gt = boxes[0]
for i, box in enumerate(boxes):
iou = compute_iou(gt, box)
print(f"GT vs Box{i}: IoU={iou:.4f}")
# NMS实现
def nms(boxes, scores, iou_threshold=0.5):
"""非极大值抑制"""
indices = sorted(range(len(scores)), key=lambda i: scores[i], reverse=True)
keep = []
while indices:
i = indices.pop(0)
keep.append(i)
indices = [j for j in indices if compute_iou(boxes[i], boxes[j]) < iou_threshold]
return keep
# NMS测试
pred_boxes = [[0.5,0.5,0.4,0.4], [0.52,0.5,0.38,0.4], [0.5,0.52,0.4,0.38], [0.2,0.2,0.3,0.3]]
scores = [0.95, 0.85, 0.80, 0.70]
keep = nms(pred_boxes, scores, 0.5)
print(f"\nNMS前: {len(pred_boxes)}个框, NMS后: {len(keep)}个框, 保留索引: {keep}")
本课的核心知识点构成了CNN学习的重要一环。让我们从更高维度审视这些知识之间的关系：
⚠️ 初学者常犯的错误：
💡 最佳实践：
深度学习是一个整体——每一课的知识都不是孤立的：
💡 继续深入的学习路径：
实现区域建议网络，理解anchor生成和筛选。
在模拟数据上实现完整的mAP计算流程。
分析YOLOv5的网络结构，与原始YOLO对比改进点。
⚠️ 需要避免的典型错误：
💡 提升模型性能的系统方法：
理解本课内容需要将其置于更大的知识网络中。每个核心概念都不是孤立的，它们相互关联、相互支撑：
建立正确的直觉比记住公式更重要：
1. 维度直觉：高维空间中，数据分布与低维直觉截然不同（维度诅咒）
2. 信息瓶颈：神经网络逐层压缩信息，保留任务相关的、丢弃无关的
3. 流形假设：高维数据实际分布在低维流形上，学习即发现流形结构
4. 偏差-方差权衡：简单模型欠拟合（高偏差），复杂模型过拟合（高方差）
本课作为CNN阶段的核心内容，与前后课程紧密关联：
| 关联课程 | 关联点 | 协同效应 |
|---|---|---|
| 前序课程 | 提供了本课的基础知识 | 循序渐进的理解 |
| 后续课程 | 本课内容是后续的基础 | 逐步构建能力 |
| 平行课程 | 同一阶段的互补知识 | 多角度深入理解 |
| 实战项目 | 综合运用所有知识 | 理论与实践结合 |
💡 准备面试时，确保能回答以下问题：
掌握本课内容后，可以通过以下方式继续深入：
目标检测不仅要识别还要定位——你开始理解视觉感知！