获课：www.bcwit.top/1083/
获取ZY↑↑方打开链接↑↑
第一章：目标检测基础
任务定义与挑战
目标检测 vs 图像分类 / 分割
核心挑战：多尺度、遮挡、小目标、背景干扰
基础概念
边界框（Bounding Box）表示与回归
交并比（IoU）与非极大值抑制（NMS）
锚框（Anchor Box）机制
数据集与评价指标
COCO、VOC、OpenImages 数据集解析
mAP（平均精度均值）计算与可视化
第二章：经典目标检测算法
两阶段检测框架
R-CNN（2014）：候选区域提取 + 特征提取 + 分类回归
Fast R-CNN（2015）：共享卷积特征与多任务损失
Faster R-CNN（2016）：区域建议网络（RPN）的引入
R-CNN 系列
Mask R-CNN（2017）：多任务学习与 RoIAlign 改进
一阶段检测框架
YOLOv1（2016）：端到端检测与网格划分
YOLOv2（2017）：锚框优化与多尺度训练
YOLOv3（2018）：特征金字塔与 Darknet53
YOLOv4/YOLOv5（2020+）：CSPNet、Mish 激活函数等优化
YOLO 系列
SSD（2016）：多尺度特征图预测与默认框设计
Anchor-Free 方法
FCOS（2019）：逐像素预测与中心度抑制
CenterNet（2019）：关键点检测与中心点回归
第三章：现代算法与改进
特征增强与多尺度融合
FPN（特征金字塔网络）
BiFPN（双向特征金字塔）
ASFF（自适应空间特征融合）
损失函数优化
Focal Loss（解决正负样本不平衡）
GIoU/DIoU/CIoU Loss（改进边界框回归）
高效检测模型
RetinaNet（2017）：Focal Loss 与特征金字塔
EfficientDet（2020）：NAS 与复合缩放
YOLOX（2021）：解耦头与标签分配策略
注意力机制与 Transformer
DETR（2020）：基于 Transformer 的端到端检测
Deformable DETR（2021）：可变形注意力模块
Focal Transformer（2023）：多尺度上下文建模
第四章：目标检测实践指南
训练技巧
数据增强（MixUp、CutOut、Mosaic）
学习率调度（Cosine Annealing、Warmup）
预训练与迁移学习策略
模型部署与优化
量化（FP16/INT8）与剪枝
ONNX/TensorRT 加速推理
移动端部署（TFLite、NCNN）
实际案例分析
工业缺陷检测
自动驾驶多目标跟踪
医疗影像病灶定位
第五章：前沿趋势与挑战
多模态目标检测
图像 - 文本联合检测（CLIP+DETR）
3D 目标检测（PointPillars、CenterPoint）
小样本与零样本检测
元学习（Meta R-CNN）
基于扩散模型的生成式检测
长尾分布与开放词汇检测
类别不平衡处理（LDAM Loss）
Grounding DINO（开放词汇检测）
实时检测与硬件协同设计
YOLOv7-tiny、PP-YOLOE 等轻量级模型
边缘计算设备（Jetson Nano、RK3588）适配
理论 + 代码实战：配套 PyTorch/TensorFlow 实现，覆盖数据加载、模型训练、结果可视化全流程。
对比分析：提供主流算法的性能对比表（速度、精度、内存占用）。
前沿解读：跟踪 CVPR、ICCV 等顶会最新成果，解析工业界落地方案。
先修知识：熟悉 CNN 基础（ResNet、VGG）、PyTorch/TensorFlow 框架。
项目实践：通过 Kaggle 竞赛（如 Global Wheat Detection）巩固所学
