这门课解决什么问题
很多做传统软件开发或数据分析的上班族想转计算机视觉，往往卡在第一步：看了一堆理论，却不知道怎么用代码把模型跑起来，更不知道怎么调参。这门课聚焦物体检测，也就是让模型识别图像里有什么、在哪个位置，是安防监控、工业质检、自动驾驶里最核心的任务之一。课程主线围绕 YOLO 和 Mask R-CNN 展开，前者是工业界最常用的实时检测算法，后者擅长精确分割。学完之后，你能独立完成从准备数据、训练模型到评估效果的全流程，而不是停留在跑通别人写好的 demo 脚本。
适合什么基础，建议先看哪几块
课程默认你已经会写 Python，能看懂基本的神经网络结构，对卷积、池化、损失函数有概念。如果完全没有深度学习基础，直接看 YOLO 网络架构会吃力。建议先从经典检测方法概述和评估指标部分入手，把 IOU、mAP 这些概念弄明白，后面看损失函数才不会懵。接着重点看 YOLO-V1 的整体思路和网络架构，这部分把检测任务拆解成网格预测，是理解后续版本改进的基础。V2 和后续版本讲的是细节优化，第一遍可以快速过，等自己动手训练遇到问题再回来对照着看。
资料怎么配合练习
视频里讲的算法细节，一定要配合实际代码跑一遍才能真正吸收。建议准备一个公开的检测数据集，跟着课程进度自己标注或下载现成的，边看边在本地环境里训练。第一遍先用默认参数跑通，观察 mAP 变化；第二遍再尝试调整置信度阈值、学习率，对比检测结果差异。Mask R-CNN 部分同样如此，找一组需要实例分割的图像练手。课程资料里涉及的算法实现，不要照抄参数，而是逐个弄懂每个配置项背后的含义。学完之后，你应该能拿一个全新的检测任务，独立选算法、搭环境、训练模型、分析指标，最终输出可用的检测结果。
掌握物体检测核心算法YOLO与MaskRcnn实现方法
课程目录
* 01 深度学习经典检测方法概述/
* 01 检测任务中阶段的意义.mp4 06:21
* 02 不同阶段算法优缺点分析.mp4 04:42
* 03 IOU指标计算.mp4 05:09
* 04 评估所需参数计算.mp4 10:00
* 05 map指标计算.mp4 07:26
* 02 YOLO-V1整体思想与网络架构/
* 01 YOLO算法整体思路解读.mp4 07:11
* 02 检测算法要得到的结果.mp4 06:17
* 03 整体网络架构解读.mp4 11:38
* 04 位置损失计算.mp4 08:12
* 05 置信度误差与优缺点分析.mp4 11:48
* 03 YOLO-V2改进细节详解/
* 01 V2版本细节升级概述.mp4 05:42
* 02 网络结构特点.mp4 06:02
* 03 架构细节解读.mp4 06:52
* 04 基于聚类来选择先验框尺寸.mp4 10:21
* 05 偏移量计算方法.mp4 10:48
* 06 坐标映射与还原.mp4 03:36
* 07 感受野的作用.mp4 11:06
* 08 特征融合改进.mp4 07:55
* 04 YOLO-V3核心网络模型/
* 01 V3版本改进概述.mp4 08:18
* 02 多scale方法改进与特征融合.mp4 07:37
* 03 经典变换方法对比分析.mp4 04:55
* 04 残差连接方法解读.mp4 07:45
* 05 整体网络模型架构分析.mp4 05:00
* 06 先验框设计改进.mp4 05:24
* 07 sotfmax层改进.mp4 04:24
* 05 项目实战-基于V3版本进行源码解读/
* 01 1-数据与环境配置.mp4 12:42
* 02 2-训练参数设置.mp4 04:48
* 03 3-数据与标签读取.mp4 08:41
* 04 4-标签文件读取与处理.mp4 05:51
* 05 5-debug模式介绍.mp4 04:27
* 06 6-基于配置文件构建网络模型.mp4 07:23
* 07 7-路由层与shortcut层的作用.mp4 07:24
* 08 8-YOLO层定义解析.mp4 09:52
* 09 9-预测结果计算.mp4 10:50
* 10 10-网格偏移计算.mp4 08:13
* 11 11-模型要计算的损失概述.mp4 06:34
* 12 12-标签值格式修改.mp4 06:55
* 13 13-坐标相对位置计算.mp4 08:25
* 14 14-完成所有损失函数所需计算指标.mp4 08:56
* 15 15-模型训练与总结.mp4 14:03
* 16 16-预测效果展示.mp4 06:13
* 06 基于YOLO-V3训练自己的数据与任务/
* 01 1-Labelme工具安装.mp4 04:09
* 02 2-数据信息标注.mp4 04:54
* 03 3-完成标签制作.mp4 06:08
* 04 4-生成模型所需配置文件.mp4 08:18
* 05 5-json格式转换成yolo-v3所需输入.mp4 06:14
* 06 6-完成输入数据准备工作.mp4 08:45
* 07 7-训练代码与参数配置更改.mp4 10:29
* 08 8-训练模型并测试效果.mp4 07:07
* 07 物体检测框架-MaskRcnn项目介绍与配置/
* 01 Mask-Rcnn开源项目简介.mp4 08:55
* 02 开源项目数据集.mp4 05:39
* 03 参数配置.mp4 12:06
* 08 MaskRcnn网络框架源码详解/
* 01 1-FPN层特征提取原理解读.mp4 13:17
* 02 2-FPN网络架构实现解读.mp4 11:57
* 03 3-生成框比例设置.mp4 07:34
* 04 4-基于不同尺度特征图生成所有框.mp4 08:24
* 05 5-RPN层的作用与实现解读.mp4 09:31
* 06 6-候选框过滤方法.mp4 05:45
* 07 7-Proposal层实现方法.mp4 08:15
* 08 8-DetectionTarget层的作用.mp4 07:52
* 09 9-正负样本选择与标签定义.mp4 05:33
* 10 10-RoiPooling层的作用与目的.mp4 09:55
* 11 11-RorAlign操作的效果.mp4 07:21
* 12 整体框架回顾.mp4 09:14
* 09 基于MASK-RCNN框架训练自己的数据与任务/
* 01 1-Labelme工具安装.mp4 04:09
* 02 2-使用labelme进行数据与标签标注.mp4 09:03
* 03 3-完成训练数据准备工作.mp4 09:18
* 04 4-maskrcnn源码修改方法.mp4 10:46
* 05 5-基于标注数据训练所需任务.mp4 07:10
* 06 6-测试与展示模块.mp4 06:24
* 10 练手小项目-人体姿态识别demo/
* 01 1-COCO数据集与人体姿态识别简介.mp4 07:46
* 02 2-网络架构概述.mp4 06:37
* 03 3-流程与结果演示.mp4 07:14
* 11 作业练习/
* 01 作业练习
* 12 更新-YOLOV4版本算法/
* 01 1-V4版本整体概述.mp4 06:03
* 02 2-V4版本贡献解读.mp4 04:35
* 03 3-数据增强策略分析.mp4 08:59
* 04 4-DropBlock与标签平滑方法.mp4 08:19
* 05 5-损失函数遇到的问题.mp4 06:45
* 06 6-CIOU损失函数定义.mp4 04:45
* 07 7-NMS细节改进.mp4 05:38
* 08 8-SPP与CSP网络结构.mp4 06:49
* 09 9-SAM注意力机制模块.mp4 08:59
* 10 10-PAN模块解读.mp4 08:41
* 11 11-激活函数与整体架构总结.mp4 08:17
* 13 更新-YOLOV5版本配置/
* 01 1-整体项目概述.mp4 06:35
* 02 2-训练自己的数据集方法.mp4 07:27
* 03 3-训练数据参数配置.mp4 08:20
* 04 4-测试DEMO演示.mp4 06:48
* 14 更新-YOLOV5版本源码解读/
* 01 1-数据源DEBUG流程解读.mp4 06:43
* 02 2-图像数据源配置.mp4 09:08
* 03 3-加载标签数据.mp4 06:03
* 04 4-Mosaic数据增强方法.mp4 07:11
* 05 5-数据四合一方法与流程演示.mp4 11:00
* 06 6-getItem构建batch.mp4 08:29
* 07 7-网络架构图可视化工具安装.mp4 07:37
* 08 8-V5网络配置文件解读.mp4 08:42
* 09 9-Focus模块流程分析.mp4 06:25
* 10 10-完成配置文件解析任务.mp4 11:15
* 11 11-前向传播计算.mp4 06:22
* 12 12-BottleneckCSP层计算方法.mp4 07:15
* 13 13-SPP层计算细节分析.mp4 07:59
* 14 13-Head层流程解读.mp4 07:21
* 15 14-上采样与拼接操作.mp4 04:26
* 16 15-输出结果分析.mp4 06:18
* 17 16-超参数解读.mp4 06:44
* 18 17-命令行参数介绍.mp4 06:02
* 19 18-训练流程解读.mp4 10:10
* 20 19-各种训练策略概述.mp4 08:55
* 21 20-模型迭代过程.mp4 07:11
