百度飞桨零基础实践深度学习目标检测系列学习笔记
目标检测任务目的： 所属类别 + 目标位置
面对的核心问题：
1.如何产生候选区域 2.如何提取图像特征
在这里插入图片描述

目标检测发展进程：

当前主要为两个方向：

（1）：Anchor-Free

一种是基于中心点的方法，另一种是基于边界框的方法。
1.基于中心点的方法通常将每个像素点视为目标中心点的可能性，并在此基础上预测目标的大小和类别。
2.基于边界框的方法则直接从特征图中预测目标的边界框，而不需要预定义的锚框。

（2）：Anchor-Based

在预测目标位置和大小时使用预定义的锚框（Anchor Box）或先验框（Prior Box）。

在这里插入图片描述

目标检测基础知识：

（1）边界框bbox

bbox用于标识出图像中的目标物体，并且通常与目标的类别一起表示。模型会根据输入的图像和bbox来预测目标的类别和位置，并输出相应的检测结果。
在这里插入图片描述

（2）锚框AnchorBox

锚框（Anchor Box），也称为先验框（Prior Box），是一种在目标检测中用于生成候选框的技术。锚框是一组预定义的框，每个框具有不同的尺寸和长宽比，用于尝试匹配输入图像中的不同目标。锚框通常是在输入图像的每个位置生成的，以尝试捕获不同尺度和长宽比的目标。
在目标检测的训练过程中，模型会根据预定义的锚框和实际目标的位置和大小进行训练，以学习如何预测目标的类别和位置。在推理过程中，模型会根据预测结果和锚框的位置和大小来确定目标的位置和大小。
在这里插入图片描述

（3）交并比IOU

交并比（Intersection over Union，IoU）是一种用于评估目标检测算法性能的指标。在目标检测中，IoU通常用于衡量模型预测的边界框（bbox）与实际目标边界框的重叠程度。

IoU的计算公式为：IoU=交集面积/并集面积。
其中，交集面积是指模型预测的bbox和实际目标bbox之间的重叠部分面积，而并集面积是指两个bbox的面积加上它们的重叠部分面积。
通常情况下，IoU的阈值会根据具体的任务和需求进行设置，例如在目标检测中，通常将IoU阈值设置为0.5或0.7，以判断模型是否成功检测到目标。除了用于评估模型性能外，IoU还可以用于一些目标检测算法中的bbox优化和调整，例如非极大值抑制（NMS）算法就是基于IoU的。
在这里插入图片描述