领导力法则
陆禹萌
已完结· 7.97万字
[中国纺织出版社]
作品简介
目录 (220章)
《深入理解计算机视觉：在边缘端构建高效的目标检测应用》按实战项目研发的先后顺序，介绍了目标检测神经网络从研发到运营的全生命周期。首先介绍了目标检测场景下的图片标注方法和数据格式，以及与之密切相关的特征融合网络和预测网络；介绍了数据“后处理”所涉及的 NMS 算法及其变种，在此基础上，读者只需结合各式各样的骨干网络就可以搭建完整的一阶段目标检测神经网络模型。接下来介绍了神经网络的动态模式和静态模式两种训练方法，以及训练过程中的数据监控和异常处理。最后以亚马逊云和谷歌 Coral 开发板为例，介绍了神经网络的云端部署和边缘端部署。其中，对于边缘端部署，本书还详细介绍了神经网络量化模型的基础原理和模型编译逻辑，这对将神经网络转化为可独立交付的产品至关重要。 《深入理解计算机视觉：在边缘端构建高效的目标检测应用》还结合智慧交通、智慧后勤、自动驾驶等项目，介绍了计算机视觉数据增强技术和神经网络性能评估原理，以及边缘计算网关、边缘计算系统、自动驾驶数据的计算原理和 PointNet++等多个三维目标检测神经网络，帮助读者快速将计算机视觉技术运用到实际生产中。 《深入理解计算机视觉：在边缘端构建高效
第1篇一阶段目标检测神经网络的结构设计
正文
第1篇一阶段目标检测神经网络的结构设计第1章目标检测的竞赛和数据集1.1计算机视觉坐标系的约定和概念⋘1.1.1图像的坐标系约定⋘1.1.2矩形框的描述方法约定1.2PASCALVOC竞赛和数据集⋘1.2.1PASCALVOC竞赛任务和数据集简介⋘1.2.2PASCALVOC2007数据集探索1.3MSCOCO挑战赛和数据集⋘1.3.1MSCOCO挑战赛的竞赛任务⋘1.3.2MSCOCO数据集简介1.4目标检测标注的解析和统计⋘1.4.1XML文件的格式⋘1.4.2XML文件解析和数据均衡性统计第2章目标检测神经网络综述2.1几个著名的目标检测神经网络⋘2.1.1R-CNN家族神经网络简介⋘2.1.2YOLO和SSD神经网络简介⋘2.1.3CenterNet神经网络简介⋘2.1.4U-Net神经网络简介2.2目标检测神经网络分类和高阶API资源2.3矩形框的交并比评价指标和实现第3章一阶段目标检测神经网络的特征融合和中段网络3.1一阶段目标检测神经网络的整体结构3.2一阶段目标检测神经网络的若干中段网络介绍⋘3.2.1单向融合的中段网络⋘3.2.2简单双向融合的中段网络⋘3.2.3复杂双向融合的中段网络3.3不同融合方案中段网络的关系和应用3.4YOLO的多尺度特征融合中段网络案例⋘3.4.1YOLOV3的中段网络及实现⋘3.4.2YOLOV4的中段网络PANet及实现⋘3.4.3YOLOV3-tiny和YOLOV4-tiny版本的中段网络及实现3.5神经网络输出的解码⋘3.5.1融合特征图的几何含义⋘3.5.2矩形框中心点坐标的解码⋘3.5.3矩形框宽度和高度的解码⋘3.5.4前背景概率和分类概率的解码⋘3.5.5矩形框角点坐标和解码函数整体输出第4章一阶段目标检测神经网络典型案例——YOLO解析4.1YOLO家族目标检测神经网络简介4.2先验锚框和YOLO神经网络的检测思路⋘4.2.1用人为设定方式找到的先验锚框⋘4.2.2用聚类回归方式找到的先验锚框⋘4.2.3YOLO的先验锚框编号⋘4.2.4YOLO的XYSCALE和缩放比参数4.3建立YOLO神经网络⋘4.3.1根据选择确定YOLO神经网络参数⋘4.3.2建立骨干网络、中段网络和预测网络⋘4.3.3加上解码网络后建立完整的YOLO模型4.4YOLO神经网络的迁移学习和权重加载⋘4.4.1骨干网络关键层的起止编号⋘4.4.2中段网络和预测网络关键层的起止编号⋘4.4.3YOLO模型的权重加载4.5原版YOLO模型的预测⋘4.5.1原版YOLO模型的建立和参数加载⋘4.5.2神经网络的输入/输出数据重组4.6NMS算法的原理和预测结果可视化⋘4.6.1传统NMS算法原理⋘4.6.2NMS算法的变种⋘4.6.3预测结果的筛选和可视化4.7YOLO模型的多个衍生变种简介4.8YOLO模型的发展与展望第2篇YOLO神经网络的损失函数和训练第5章将数据资源制作成标准TFRecord数据集文件5.1数据资源的加载5.2数据资源的解析和提取5.3TFRecord数据集文件的制作5.4单样本的example对象制作5.5遍历全部样本制作完整数据集5.6从数据集提取样本进行核对第6章数据集的后续处理6.1数据集的加载和打包⋘6.1.1数据集的加载和矩阵化⋘6.1.2图像矩阵尺寸的标准化⋘6.1.3真实矩形框标注矩阵尺寸的标准化⋘6.1.4数据集的打包处理6.2将原始数据集打包为可计算数据集⋘6.2.1计算真实矩形框与先验锚框的匹配度排名⋘6.2.2找到真实矩形框所对应的网格下的先验锚框⋘6.2.3可计算数据集测试第7章一阶段目标检测的损失函数的设计和实现7.1损失函数框架和输入数据的合理性判别7.2真实数据和预测数据的对应和分解7.3预测矩形框的前背景归类和权重分配7.4预测矩形框的误差度量⋘7.4.1用中心点表示的位置误差⋘7.4.2用宽度和高度表示的位置误差⋘7.4.3用通用交并比表示的矩形框误差⋘7.4.4用距离交并比表示的矩形框误差⋘7.4.5用完整交并比表示的矩形框误差⋘7.4.6用交并比量化矩形框预测误差的实践7.5前景和背景的预测误差⋘7.5.1前景误差和背景误差的定义⋘7.5.2样本均衡原理和Focal-Loss应用7.6分类预测误差7.7总误差的合并和数值合理性确认第8章YOLO神经网络的训练8.1数据集和模型准备⋘8.1.1参数配置⋘8.1.2数据集预处理⋘8.1.3模型参数加载和冻结8.2动态模式训练⋘8.2.1监控指标的设计和日志存储⋘8.2.2动态模式下神经网络的训练和调试8.3训练中非法数值的监控和调试⋘8.3.1发现和监控非法数值计算结果⋘8.3.2计算结果出现非法数值的原因和对策8.4静态模式训练和TensorBoard监控第3篇目标检测神经网络的云端和边缘端部署第9章一阶段目标检测神经网络的云端训练和部署9.1一阶段目标检测神经网络的推理模型设计⋘9.1.1一阶段目标检测神经网络的推理形态⋘9.1.2推理场景下的数据重组网络⋘9.1.3构造推理场景下的YOLO模型函数⋘9.1.4构造和测试YOLO推理模型9.2目标检测推理模型的云端部署⋘9.2.1亚马逊EC2云计算实例选型⋘9.2.2使用云端服务器部署模型并响应推理请求9.3在亚马逊SageMakerStudio上训练云计算模型第10章神经网络的INT8全整数量化原理10.1神经网络量化模型的基本概念⋘10.1.1神经网络量化模型速览和可视化⋘10.1.2浮点数值的量化存储和计算原理10.2神经网络量化模型的制作和分析⋘10.2.1算子的映射和合并⋘10.2.2量化参数搜索和代表数据集⋘10.2.3TFLite量化模型的算子和张量分析10.3量化性能分析和量化模型的逐层调试⋘10.3.1量化信噪比分析原理⋘10.3.2量化模型的单层误差调试⋘10.3.3量化模型的误差累积调试10.4不支持算子的替换技巧⋘10.4.1大动态范围非线性算子替换原理⋘10.4.2大动态范围非线性算子替换效果第11章以YOLO和EdgeTPU为例的边缘计算实战11.1TensorFlow模型的量化⋘11.1.1量化感知训练获得INT8整型模型⋘11.1.2训练后量化获得INT8整型模型11.2神经网络模型的编译⋘11.2.1模型编译的工作原理⋘11.2.2在EdgeTPU上部署模型的注意事项11.3YOLO目标检测模型的量化和编译⋘11.3.1YOLO变种版本选择和骨干网络修改⋘11.3.2针对硬件限制进行解码网络的修改⋘11.3.3预测矩阵的汇总重组⋘11.3.4YOLO推理模型的建立⋘11.3.5YOLO模型的量化⋘11.3.6量化模型的测试和信噪比分析11.4YOLO量化模型的编译和边缘端部署⋘11.4.1量化模型转换为编译模型⋘11.4.2编写边缘端编译模型推理代码第4篇个性化数据增强和目标检测神经网络性能测试第12章个性化目标检测数据集处理12.1农村公路占道数据的目标检测应用⋘12.1.1项目数据背景⋘12.1.2数据的预处理12.2数据的增强⋘12.2.1数据增强技术的概念和效果⋘12.2.2基于空间变换的数据增强方法⋘12.2.3基于颜色空间的数据增强方法⋘12.2.4其他图像数据的增强手法⋘12.2.5图像数据集的增强工具和探索工具12.3使用Albumentations进行数据增强⋘12.3.1Albumentations的安装和使用⋘12.3.2几何数据增强管道的配置⋘12.3.3使用数据管道处理并保存数据⋘12.3.4像素数据增强管道的配置⋘12.3.5增强数据集的运用第13章模型性能的定量测试和决策阈值选择13.1神经网络性能量化的基本概念⋘13.1.1神经网络预测的混淆矩阵⋘13.1.2神经网络量化评估和P-R曲线⋘13.1.3多分类目标检测场景和平均精确率均值⋘13.1.4F分数评估方法13.2餐盘识别神经网络性能测试案例⋘13.2.1项目背景⋘13.2.2提取全部真实数据和预测结果⋘13.2.3模拟不同决策阈值下的精确率和召回率第14章使用边缘计算网关进行多路摄像头目标检测14.1边缘计算网关的整体结构⋘14.1.1核心TPU组件⋘14.1.2计算卡和模组⋘14.1.3下位机的操作系统⋘14.1.4下位机的开发环境简介14.2开发环境准备⋘14.2.1上位机安装Docker⋘14.2.2上位机装载镜像和SDK开发包⋘14.2.3神经网络工具链和主要用途⋘14.2.4针对TensorFlow模型的编译方法14.3浮点32位模型部署的全流程⋘14.3.1训练主机将Keras模型转换为单pb模型文件⋘14.3.2上位机将单pb模型文件编译为bmodel模型文件⋘14.3.3下位机读取和探索bmodel模型文件⋘14.3.4下位机使用bmodel模型文件进行推理14.4边缘端全整数量化模型部署⋘14.4.1在上位机Docker内制作代表数据集⋘14.4.2在上位机Docker内生成fp32umodel模型文件⋘14.4.3手动增加fp32umodel模型文件的输入层映射算子⋘14.4.4对fp32umodel模型文件进行优化⋘14.4.5在上位机Docker内将fp32umodel模型文件编译为int8umodel模型文件⋘14.4.6umodel模型文件的调试技巧14.5模型的编译和部署⋘14.5.1上位机将int8umodel模型文件编译为bmodel模型文件⋘14.5.2全整数量化int8bmodel模型文件的边缘端推导和测试⋘14.5.3编译模型在边缘计算网关上的性能测试第15章边缘计算开发系统和RK358815.1RK3588边缘推理开发系统结构⋘15.1.1开发板和核心芯片架构⋘15.1.2开发板操作系统和调试环境15.2开发工具链和神经网络模型部署⋘15.2.1上位机开发环境配置⋘15.2.2上位机的模型转换⋘15.2.3下位机使用编译模型进行推理⋘15.2.4RK3588的算子调试技巧第5篇三维计算机视觉与自动驾驶第16章三维目标检测和自动驾驶16.1自动驾驶数据集简介16.2KITTI数据集计算原理16.3自动驾驶的点云特征提取
精选推荐
销售心理学
兰华
已完结· 1867字
[中国纺织出版社]
销售就是玩转情商
王威
已完结· 4513字
[中国纺织出版社]
销售员情商实战训练
刘军
已完结· 2380字
成功的销售需要高智商，更需要高情商。一个销售员的销售业绩，往往与他的情商成正比。本书从十个方面详细讲述了有效运用情商，提高销售业绩的方法和技巧。通过实际销售案例和销售心理学理论指导，以及实战点拨和情商拓展训练，帮助读者全方位、快速提高情商。故事性、多版块、碎片化的内容设置，有效降低读者阅读疲劳，提高阅读兴趣，不论是奔波在路上的销售小白，还是带领团队奋勇向前的销售经理，都能从中找到适合自己的销售软技巧。
让未来的你，感谢现在勇敢的自己
王介威
已完结· 8.95万字
[中国纺织出版社]
行为心理学：华生的实用心理学课
（美）约翰·华生著.倪彩
已完结· 11.82万字
[中国纺织出版社]
行为心理学入门（完全图解版）
武莉
已完结· 7.36万字
行为心理学入门（完全图解版）是以作者多来年的心理辅导和咨询数据为素材，对现实生活中的行为心理学应用进行了形象、深入、全面的论述和解读。本书与日本心理学图解书形式相同，浅显易读，有趣又益。
自卑与超越
（奥）阿尔弗雷德·阿德勒
已完结· 9.57万字
《自卑与（全译插图典藏版）》是个体心理学研究领域的著作，也是人本主义心理学先驱阿尔弗雷德·阿德勒的很好著作。阿德勒的学说以“自卑感”与“创造性自我”为中心，并强调“社会意识”。全书立足个人心理学的观点，从教育、家庭、婚姻、伦理、社交等多个领域，以大量的实例为论述基础，阐明了人生意义的真谛，帮助人们克服自卑、不断超自己，正确对待职业，正确理解社会与性。本书直接促进了亲子教育、人格培养、婚姻与爱情、职业生涯、家庭建设、人际关系等诸多领域的长足发展，成为人们了解心理学的经典读物。
自制力：道理我都懂，为什么就是过不好人生
邱开杰
已完结· 8.24万字
[中国纺织出版社]