作者：凌峰
定价：119元
印次：1-1
ISBN：9787302706182
出版日期：2026.04.01
印刷日期：2026.03.20
图书责编：王金柱
图书分类：零售
电子书
在线购买
分享
"《计算机视觉:YOLO目标检测原理与实践》详细介绍YOLO目标检测核心技术与前沿进展，涵盖基础概念、主流算法框架及其实际应用场景。《计算机视觉:YOLO目标检测原理与实践》分为3部分，共10章。基础理论部分（第1～3章）：介绍目标检测的核心概念、评估指标与公开数据集，常用的深度学习框架及其目标检测开发环境的搭建与使用，以及卷积神经网络（CNN）的核心原理与经典架构。技术实现部分（第4～8章）：重点介绍YOLO目标检测框架的技术演进，从YOLOv1到YOLOv11，涵盖特征提取、特征融合、Anchor机制、损失函数优化、多维注意力机制等关键技术，并结合实际案例介绍YOLOv11的小目标检测实现过程。实战应用部分（第9、10章）：以交通场景中的目标检测为例，介绍YOLOv11在实际项目中的应用，以及开放世界目标检测技术YOLO-UniOW框架在动态开放环境下的表现。 《计算机视觉:YOLO目标检测原理与实践》内容系统且案例丰富，适合计算机专业的学生、目标检测领域的初学者，以及希望深入掌握目标检测**进展的科研人员与工程师使用。"
凌峰，博士，就职于985高校，长期从事机器学习、人工智能、计算机视觉及大语言模型方向的研发与教学工作。专注于模型优化、训练加速与数据驱动算法设计，具备扎实的理论基础与丰富的实践经验，主持及参与多项相关科研项目，致力于推荐推动大模型及多模态技术在教学与产业中的落地应用。
前 言 目标检测是计算机视觉领域的核心任务，旨在从图像或视频中定位并识别出特定目标。它不仅需要确定目标的种类（分类任务），还需要给出目标在图像中的具体位置（通常以边界框的形式表示）。目标检测广泛应用于自动驾驶、安防监控、人脸识别、智慧交通、工业检测等领域，是人工智能技术在实际场景中的重要应用之一。 目标检测方法经历了从传统计算机视觉技术到深度学习驱动的演变。传统方法依赖人工设计的特征提取与分类模型，性能受限于特征表达能力；而现代目标检测算法（如YOLO（You Only Look Once）、Faster RCNN、RetinaNet等）基于深度学习技术，通过卷积神经网络（CNN）等强大的特征提取能力，显著提升了检测精度和速度。特别是，YOLO系列算法以其实时性和高效性成为目标检测领域的代表性技术，广泛应用于工业生产和科研实践。 本书以YOLO目标检测框架为核心，全面解析目标检测的基础理论、技术演进与应用实践，旨在帮助读者深入理解目标检测的核心技术，并掌握YOLO框架的开发与实现方法。本书分为基础理论、技术实现及实战应用3个部分，内容循序渐进，既包含目标检测的基本原理，又覆盖领域前沿的创新技术。 第1部分 基础理论（第1~3章）：介绍了目标检测的基本概念与理论框架。第1章从目标检测任务的定义与分类出发，详细介绍了常用的评估指标、目标检测方法的演进、目标检测的实际应用与公开的数据集；第2章介绍了目标检测所依赖的深度学习技术框架（如TensorFlow、PyTorch、MXNet与Keras），以及目标检测开发环境的搭建与使用等；第3章介绍了卷积神经网络（CNN）的...
第 1 部分 基础理论
第 1 章 目标检测概述 2
1.1 目标检测的基础概念 2
1.1.1 目标检测的定义与任务 2
1.1.2 目标检测的评估指标 4
1.1.3 目标检测方法的分类 7
1.1.4 目标检测方法的发展历程 11
1.2 目标检测的实际应用 15
1.2.1 人脸识别的进展与挑战 16
1.2.2 智慧交通中的目标检测应用 19
1.2.3 工业自动化检测的趋势 22
1.3 公开数据集与标准评测 23
1.3.1 PASCAL VOC数据集 24
1.3.2 MS COCO数据集 25
1.3.3 Visdrone数据集 26
1.4 本章小结 28
1.5 思考题 28
第 2 章 常用的深度学习框架 30
2.1 深度学习框架概述 30
2.1.1 Theano与TensorFlow 30
2.1.2 PyTorch 31
2.1.3 MXNet与Keras 33
2.2 搭建目标检测开发环境 35
2.2.1 使用Anaconda与Conda管理环境 35
2.2.2 配置PyTorch与TensorFlow 38
2.2.3 处理GPU与多GPU训练环境 40
2.3 数据处理与NumPy 42
2.3.1 创建与操作数组 42
2.3.2 矩阵运算与广播 44
2.3.3 数据增强与转换 46
2.4 本章小结 49
2.5 思考题 49
第 3 章 卷积神经网络 51
3.1 CNN的基础结构... 查看详情
"在人工智能与计算机视觉飞速迭代的今天，目标检测作为核心技术，已深度渗透到自动驾驶、安防监控、智慧交通等诸多领域，而YOLO系列算法以其实时性与高效性，成为行业主流与科研热点。这本《计算机视觉：YOLO目标检测原理与实践》，正是为想要系统掌握目标检测技术、深耕YOLO框架的读者量身打造的实用指南，兼具理论深度、实战价值与前沿视野，是入门、进阶与科研路上的必备工具书。
《计算机视觉:YOLO目标检测原理与实践》最突出的优势的是体系完整、循序渐进，打破了“理论与实践脱节”的行业痛点。全书以YOLO目标检测框架为核心，清晰划分三大模块：基础理论部分夯实根基，从目标检测的核心概念、评估指标，到深度学习框架搭建、卷积神经网络原理，层层拆解入门难点，让零基础读者也能快速入门；技术实现部分聚焦核心，全面梳理YOLOv1至YOLOv11的完整技术演进，详解特征提取、Anchor机制、损失函数优化等关键技术，深入剖析每一代算法的创新点与实现细节，兼顾经典与前沿；实战应用与前沿探索部分落地性极强，以交通场景小目标检测为案例，完整呈现YOLOv11的项目开发流程，同时引入YOLO-UniOW开放世界目标检测框架，助力读者紧跟领域前沿趋势。
不同于市面上同类书籍“重理论、轻实战”或“重案例、缺体系”的局限，《计算机视觉:YOLO目标检测原理与实践》实现了理论讲解与实战操作的深度融合。每章节均搭配清晰的原理解析、具体的示例实现，辅以思考题巩固知识点，同时结合PyTorch、TensorFlow等主流深度学习框架，手把手指导开发环境搭建、模型训练与调优，甚至包含YOLOv11源码解析与小目标检测实战案例，让读者既能理解“为什么”，也能学会“怎么做”，真正实现从理论到实践的无缝衔接。
《计算机视觉:YOLO目标检测原理与实践》内容兼具系统性与先进性，既覆盖了目标检测的基础理论、经典架构，也紧跟技术前沿，详细介绍了YOLOv11的全新架构、多维注意力机制、弱化非极大值抑制等**技术，同时纳入开放世界目标检测等前沿方向，兼顾初学者入门与进阶者提升的需求。无论是计算机专业的学生、目标检测领域的入门者，还是希望掌握**技术的开发者与科研人员，都能在书中找到适合自己的学习内容，既能夯实基础，也能拓宽视野、提升实战能力。
深耕原理、聚焦实战、紧跟前沿，本书以严谨的逻辑、丰富的案例，为读者搭建起从入门到实践的YOLO目标检测学习体系，助力每一位读者突破技术瓶颈，在计算机视觉的赛道上稳步前行。"
