動手學YOLO

謝佳標李猛坤

出版商: 機械工業
出版日期: 2026-03-01
售價: $774
語言: 簡體中文
頁數: 529
ISBN: 7111799267
ISBN-13: 9787111799269
相關分類: 影像辨識 Image-recognition

下單後立即進貨 (約4週~6週)

商品描述

這是一本系統講解YOLO系列目標檢測算法的理論與實戰指南。不需要深厚的數學功底、不需要啃論文的耐心——你只需要具備基礎的Python編程能力，跟著本書動手學，就能從YOLO算法原理一路走到多行業實戰落地。本書從“理論—工具—應用”三重維度幫助讀者構建目標檢測學習體系，將理論解析與十大行業實戰案例深度融合，結合Ultralytics YOLO11、Streamlit和PandasAI技術棧，通過大模型輔助代碼生成與交互式平臺搭建，助力讀者高效掌握目標檢測技術。全書16章，分為三篇理論篇（ ~3章）：系統解析目標檢測基礎概念（如邊界框、交並比、非極大值抑制）和算法演進，深度剖析YOLOv1至YOLO11的網絡架構、創新技術及性能對比，為讀者奠定堅實的理論基礎。工具篇（第4~6章）：詳解YOLO11環境配置（本地與Kaggle）、命令行與Python雙接口操作，集成Streamlit構建Web應用，並引入PandasAI實現自然語言查詢檢測結果；同時涵蓋Supervision庫的數據標註、視頻處理與結果過濾，以及Labellmg、Ybat等工具的使用。應用篇（第7~16章）：通過交通標誌識別、車道線檢測、路面坑洞監測、車輛事故分析、足球運動員跟蹤、火災煙霧預警、安全裝備（頭盔/反光背心）檢測、腦腫瘤診斷、骨折識別及水下生物分析十大行業案例，展示YOLO11在多場景下的實戰應用，每個案例均包含數據準備、模型優化與平臺搭建，突出技術落地性和行業適配性。

作者簡介

謝佳標
數據科學與AI算法專家，擁有近20年數據科學、算法研發和團隊管理經驗。曾就職於平安人壽，現就職於某國資壽險公司，負責大數據、數據建模及人工智能相關工作的技術研發及團隊管理工作。對如何利用Python工具進行計算機視覺有豐富的實戰經驗。社會榮譽：2017—2026年連續10年獲得微軟價值專家（MVP）中國現場統計研究會大數據統計分會屆理事51CTO、CSDN、三節課等平臺知名講師歷屆中國R語言大會演講嘉賓WOT2017 軟件開發技術峰會演講嘉賓撰寫書籍：《動手學YOLO：技術原理與項目實戰》《巧用ChatGPT進行數據分析與挖掘》《Keras深度學習：入門、實戰與進階》《深度學習從入門到精通：基於Keras》《R語言數據分析與挖掘（微課版）》《R語言遊戲數據分析與挖掘》《R語言與數據挖掘》李猛坤副教授、碩士生導師、博士後，首都師範大學管理學院公共管理信息化理論與技術二級學科負責人、北京市總體安全觀研究中心副主任、首都師範大學大數據分析與應用研究中心主任、北京城市創新與發展研究中心研究員。博士後（清華大學經管學院技術經濟方向）。博士就讀於中國石油大學（北京），研究方向為分布計算與並行計算；碩士就讀於大連理工大學，研究方向為搜索引擎。發表學術論文四十餘篇，主編專著 1 部，參編教材 6 本，參與制定行業標準 1 項。目前主要從事安全技術、新能源戰略、大數據分析及教育評價改革等方面的研究工作。主持/參與橫縱向科研課題 40 餘項，項目涉及電力、公安、石油、地質、醫療、物流、電子商務、電子政務、智慧景區、數字經濟等行業領域。熟悉系統集成、大數據技術平臺、海量數據分析處理、計算機視覺、物聯網等新興技術；擁有能源結構調整戰略分析、可再生能源消納預測及調度、政企數字化轉型、企業運營模式、收益模式及管理服務模式的分析和咨詢經驗。

目錄大綱

前言
第一部分　理論
第1章目標檢測基礎
1.1 目標檢測簡介
1.2 目標檢測應用
1.3 目標檢測的基礎概念
1.3.1 邊界框
1.3.2 錨框
1.3.3 交並比
1.3.4 非極大值抑制
1.3.5 評價指標
1.4 兩階段目標檢測算法
1.4.1 R-CNN算法
1.4.2 Fast R-CNN算法
1.4.3 Faster R-CNN算法
1.5 一階段目標檢測算法
1.5.1 YOLO算法
1.5.2 SSD算法
1.6 本章小結
第2章 YOLOv1至YOLOv5算法的原理與架構
2.1 目標檢測網絡架構淺析
2.1.1 主幹網絡
2.1.2 頸部網絡
2.1.3 檢測頭
2.2 YOLOv1算法原理與架構
2.2.1 YOLOv1的設計理念
2.2.2 YOLOv1的網絡架構
2.2.3 YOLOv1的損失函數
2.2.4 YOLOv1的不足
2.3 YOLOv2算法原理與架構
2.3.1 批量歸一化
2.3.2 高分辨率分類器
2.3.3 帶錨框的卷積
2.3.4 維度聚類
2.3.5 直接位置預測
2.3.6 多尺度訓練
2.3.7 細粒度特征
2.3.8 新的主幹網絡：Darknet-19
2.3.9 YOLOv2整體架構
2.4 YOLOv3算法原理與架構
2.4.1 YOLOv3的主幹網絡：Darknet-53
2.4.2 多尺度特征融合
2.4.3 YOLOv3的網絡架構
2.4.4 YOLOv3的損失函數
2.5 YOLOv4算法原理與架構
2.5.1 YOLOv4的網絡架構
2.5.2 YOLOv4的主幹網絡：CSPDarknet53
2.5.3 YOLOv4的頸部網絡
2.5.4 YOLOv4的數據增強
2.6 YOLOv5算法原理與架構
2.6.1 YOLOv5的創新點
2.6.2 YOLOv5的網絡架構
2.7 本章小結
第3章 YOLOv6至YOLO11算法的原理與架構
3.1 YOLOv6算法原理與架構
3.1.1 YOLOv6的主幹網絡
3.1.2 YOLOv6的頸部網絡
3.1.3 YOLOv6的檢測頭
3.1.4 YOLOv6的網絡架構
3.1.5 更有效的訓練策略
3.1.6 實驗結果
3.2 YOLOv7算法原理與架構
3.2.1 擴展高效層聚合網絡
3.2.2 基於拼接模型的縮放
3.2.3 標簽分配策略
3.2.4 計劃重參數卷積
3.2.5 YOLOv7的網絡架構
3.3 YOLOv8算法原理與架構
3.3.1 YOLOv8的網絡架構
3.3.2 YOLOv8的損失函數
3.3.3 正負樣本的匹配策略
3.4 YOLOv9算法原理與架構
3.4.1 PGI
3.4.2 GELAN
3.4.3 消融研究
3.4.4 結論
3.5 YOLOv10算法原理與架構
3.5.1 無NMS訓練的一致性雙任務分配
3.5.2 效率–精度驅動的整體模型設計
3.5.3 實驗和結果
3.6 YOLO11算法原理與架構
3.6.1 YOLO11的網絡架構
3.6.2 YOLO11的性能表現
3.6.3 YOLO11與其他YOLO的比較
3.7 本章小結
第二部分　工具
第4章 YOLO11使用詳解
4.1 YOLO11的安裝
4.1.1 本地安裝Ultralytics YOLO11
4.1.2 在Kaggle Notebook中安裝Ultralytics YOLO11
4.2 YOLO11快速上手
4.2.1 命令行界面的使用方式
4.2.2 Python接口的使用方式
4.2.3 YOLO11常用配置
4.3 基於Streamlit搭建Web應用程序
4.3.1 Streamlit的安裝及使用
4.3.2 Streamlit的主要組件
4.3.3 Streamlit的布局和容器
4.4 基於大模型進行數據交互
4.4.1 PandasAI簡介
4.4.2 PandasAI安裝及使用
4.5 綜合案例：搭建目標檢測平臺
4.5.1 搭建簡易目標檢測平臺
4.5.2 豐富目標檢測平臺
4.5.3 集成大模型進行交互查詢
4.5.4 使用VS Code編寫及運行.py文件
4.6 本章小結
第5章 Supervision：計算機視覺AI工具庫
5.1 Supervision的安裝及使用
5.1.1 Supervision的安裝
5.1.2 Supervision的使用
5.2 標註目標檢測結果
5.2.1 標註目標檢測邊框
5.2.2 顯示自定義標簽
5.3 視頻處理的相關函數
5.3.1 在線下載視頻
5.3.2 生成並保存視頻
5.4 保存目標檢測結果
5.4.1 保存為CSV文件
5.4.2 保存為JSON文件
5.5 過濾目標檢測結果
5.5.1 按指定類別過濾
5.5.2 按指定類別集合過濾
5.5.3 按置信度過濾
5.5.4 按面積過濾
5.5.5 按相對面積過濾
5.5.6 按邊界框過濾
5.5.7 按組合條件過濾
5.6 案例：目標跟蹤項目實踐
5.6.1 跟蹤器
5.6.2 案例：行人目標跟蹤
5.6.3 案例：高速公路跟蹤車輛進出統計
5.7 本章小結
第6章數據標註工具使用詳解
6.1 LabelImg使用詳解
6.1.1 LabelImg的安裝