深度学习之目标检测常用算法原理+实践精讲（价值399）

先说清楚：这门课在讲什么

目标检测是深度学习里比较"重"的一块。它不是让你把一张图分类成"猫"或"狗"，而是要求模型在图里把每个目标框出来，同时说清那是什么。这门课主要围绕这条路走：从最基础的问题定义开始，经过候选框、锚点、特征金字塔、单阶段与两阶段几条主要技术脉络，最后落到能跑起来的检测流程上。如果你之前只做过图像分类，或者只调过别人的 YOLO 脚本，这门课适合用来补上"为什么这么做"的部分。

哪些人适合，哪些人可以先放一放

适合的：学过一点 PyTorch、知道卷积在干什么、能看懂 tensor 维度变化的人。你不需要数学很强，但至少要能接受"有些公式先看个大概，回头再补"。

可以先放一放的：完全没写过 Python、没碰过深度学习框架的。目标检测会同时牵涉数据标注格式、损失函数、后处理，这几件事叠在一起，零基础硬啃很容易卡在第一讲就停住。如果你属于这种情况，先去把张量和卷积过一遍，再回来，节奏会顺很多。

建议的观看顺序

不必从第一分钟顺着播到底。比较省时间的走法是：

• 先看问题定义与评价指标那部分。IoU、mAP、召回这些词后面会反复出现，早点弄懂，后面听算法时不容易糊。
• 再看两阶段方法的思路，重点理解"先找候选区域、再分类和回归"这条主线。这部分慢一点没关系，它是很多后续方法的思想源头。
• 然后进单阶段方法。这里会明显更快，因为你已经有框回归的概念了，注意力可以放在"怎么一次性出结果"上。
• 特征融合、多尺度这类章节穿插着看，遇到具体算法不懂时再回头翻，比一次性全看完更有效。

哪些章节可以跳、哪些别跳

如果你只是为了在自己的项目里跑通一个检测模型，那部分纯理论推导、历史演进的章节可以先快速滑过，知道结论就行。但有三块别跳：一是框的编码解码，二是损失里正负样本怎么选，三是非极大值抑制。这三件事出问题时，模型训练会显得"莫名其妙不收敛"，而原因往往就在这里，不是网络结构的问题。

另外，课里若有针对早期算法的一整段推导，你看不下去可以先记下来，等动手实践章节卡住了再回来。很多人是在调参失败之后，才真正看懂那些公式的。

资料怎么配合着用

建议不要只看视频。每看完一小段，就找一个最简单的检测数据集，自己把数据读进来、跑一次前向，看看输出的框长什么样。哪怕一开始结果全是乱的，也比纯看强。笔记不用记全，记三类就够：维度变化、损失由哪几项组成、哪些参数一动结果就崩。这三样记下来，复盘和排查会快很多。

最后提醒一句：目标检测不可能一遍学会。第一遍你能分清两阶段和单阶段、能说出 mAP 在算什么，就已经不算白看。剩下的细节，是在反复动手之后慢慢长出来的。

image.webp 下载附件   保存到相册 2025-6-9 01:21 上传

课程推荐

《深度学习之目标检测常用算法原理+实践精讲（价值399）》image.webp 下载附件   保存到相册 2025-6-9 01:21 上传【技能收获】学完可掌握：Vue / 前端工程化。课程以实战为导向，覆盖从基础概念到完整项目落地的关键步骤，配套章节笔记便于课后复盘与面试前快速回顾。【学习建议】建议按目录顺序学习，先打基础再进入综合实战章节；每完成 2～3 节可结合笔记整理一份学习小结，最终尝试独立复现一套完整 Demo 写入个人作品集。【就业发展】可面向岗位：AI 应用工程师、RAG 系统开发、Java 后端 + 大模型落地、企业知识库架构师。大模型应用岗需求持续走高，具备「后端 + RAG 落地」复合能力的人才在招聘市场更稀缺，简历中可突出完整项目链路而非仅会使用 API。 若你已有一定编程或运维基础，本课程可帮助你在现有技能栈上快速叠加热门方向能力，提升求职时的项目说服力与薪资谈判空间。

视频目录（93 节）

*   1-1 课程导学  (2258).mp4

*   2-1 目标检测问题定义  (1210).mp4

*   2-2 目标检测问题方法  (1511).mp4

*   2-3 传统目标检测方法基本流程  (0533).mp4

*   2-4 常见传统目标检测方法-Viola-Jones（人脸检测）  (0858).mp4

*   2-5 常见传统目标检测方法-HOG+SVM（行人检测、Opencv）  (0921).mp4

*   2-6 常见传统目标检测方法-DPM（物体检测）  (0634).mp4

*   2-7 常见传统目标检测方法-Sofe-NMS（非极大值抑制算法）  (0554).mp4

*   2-8 Two-stage基本介绍，流程与常见算法  (0825).mp4

*   2-9 Two-stage核心组件  (2106).mp4

*   2-10 One-stage基本介绍、流程与常见算法  (0436).mp4

*   2-11 One-stage核心组件  (1852).mp4

*   2-12 One-stage与Two-stage优缺点对比  (0514).mp4

*   3-1 SSD系列算法介绍（主干网络、多尺度Feature Map预测）  (1218).mp4

*   3-2 Prior Box Layer、样本构造、损失函数介绍  (1934).mp4

*   3-3 DSSD、DSOD算法  (1329).mp4

*   3-4 FSSD、RSSD算法  (0929).mp4

*   4-1 人脸业务场景介绍（常见问题、标注方法、算法性能好坏、人脸采集常用方法）  (2054).mp4

*   4-2 Wider Face数据集介绍、标注格式、下载等  (1501).mp4

*   4-3 Wider Face数据集介绍  (0636).mp4

*   4-4 Wider Face数据集转VOC格式数据集编程实现  (2429).mp4

*   4-5 使用Caffe-SSD打包Wider Face为LMDB格式样本实操  (0601).mp4

*   4-6 Caffe-SSD框架搭建及训练脚本解读  (1545).mp4

*   4-7 Caffe-SSD人脸检测模型训练实操讲解  (1119).mp4

*   4-8 Caffe-SSD框架主干网络脚本讲解+实操  (0858).mp4

*   4-9 Caffe-SSD框架训练脚本讲解+实操  (1347).mp4

*   4-10 Caffe-SSD框架模型测试介绍与脚本编程实现  (1531).mp4

*   4-11 Caffe-SSD框架测试结果可视化与人脸检测技巧说明  (1109).mp4

*   5-1 Faseter-Rcnn系列介绍  (0638).mp4

*   5-2 RCNN介绍  (1419).mp4

*   5-3 SPPNet介绍  (1023).mp4

*   5-4 Fast rcnn介绍  (2102).mp4

*   5-5 HyperNet、RFCN介绍  (1247).mp4

*   5-6 Light-Head RCNN、Mask-RCNN介绍  (1035).mp4

*   5-7 Cascade RCNN、CoupleNet、OHEM、Soft-NMS介绍  (1300).mp4

*   6-1 ADAS业务场景介绍  (1504).mp4

*   6-2 Kitti数据集介绍、标注格式、下载等  (1022).mp4

*   6-3 Kitti数据集类别提取编程实现  (1413).mp4

*   6-4 Kitti数据集转VOC格式数据脚本编程实现  (1613).mp4

*   6-5 Faster RCNN目标检测模型环境搭建介绍  (1051).mp4

*   6-6 Faster RCNN目标检测环境搭建实操  (0534).mp4

*   6-7 Faster RCNN目标检测框架介绍  (0910).mp4

*   6-8 Faster RCNN目标检测框架训练脚本参数配置介绍  (1438).mp4

*   6-9 Faster RCNN目标检测框架配置修改实操  (1447).mp4

*   6-10 Faster RCNN目标检测模型训练及其优化  (0658).mp4

*   6-11 利用Faster RCNN测试脚本进行模型测试  (0625).mp4

*   6-12 自己动手编程实现Faster RCNN模型测试脚本  (1319).mp4

*   7-1 Yolov1算法  (2128).mp4

*   7-2 Yolov2算法（1）  (1238).mp4

*   7-3 Yolov2算法（2）  (1142).mp4

*   7-4 Yolo9000算法  (0512).mp4

*   7-5 Yolov3算法  (1044).mp4

*   8-1 物体检测业务场景综述  (1753).mp4

*   8-2 COCO数据集介绍、标注格式、下载脚本等  (0946).mp4

*   8-3 YOLOV3DarkNet框架介绍和环境搭建  (1354).mp4

*   8-4 DarkNet框架解读及相关配置说明  (1806).mp4

*   8-5 利用DarkNet框架进行YOLOV3模型训练实操  (1508).mp4

*   8-6 YoloV3检测模型的测试介绍及编程实例  (1215).mp4

*   9-1 文本检测算法原理介绍  (1250).mp4

*   9-2 CTPN模型  (1038).mp4

*   9-3 RRPN模型  (1911).mp4

*   9-4 FTSN模型  (1141).mp4

*   9-5 DMPNet模型  (1556).mp4

*   9-6 EAST模型  (0917).mp4

*   9-7 SegLink模型  (1301).mp4

*   9-8 PixelLink模型  (1635).mp4

*   9-9 Textboxes讲解  (1841).mp4

*   9-10 Textboxes++模型介绍  (2534).mp4

*   9-11 文本检测常见数据集  (2116).mp4

*   9-12 其他检测模型方法介绍  (1456).mp4

*   10-1 自然场景下文本检测业务场景综述  (1526).mp4

*   10-2 ICDAR数据集介绍、标注格式、下载等  (1100).mp4

*   10-3 EAST文本检测框架环境搭建  (0903).mp4

*   10-4 EAST文本检测框架解读与训练实操  (1623).mp4

*   10-5 EAST文本检测模型测试脚本编程实例  (0926).mp4

*   11-1 多任务网络业务场景综述  (0749).mp4

*   11-2 人脸检测+关键点多任务网络模型MTCNN介绍  (0516).mp4

*   11-3 人脸检测+关键点多任务网络数据集介绍  (0530).mp4

*   12-1 MTCNN环境配置、框架解读、数据打包  (1841).mp4

*   12-2 MTCNN数据打包（PNet、RNet、ONet）实操（1）  (1457).mp4

*   12-3 MTCNN数据打包（PNet、RNet、ONet）实操（2）  (1345).mp4

*   12-4 MTCNN模型训练介绍  (0333).mp4

*   12-5 MTCNN模型训练（PNet、RNet、ONet）实操  (1550).mp4

*   12-6 MTCNN模型（PNet、RNet、ONet）测试实操  (0901).mp4

*   13-1 one-stage vs two-stage  (1313).mp4

*   13-2 不同目标检测算法的优缺点对比  (1252).mp4

*   13-3 不同目标检测算法的精度对比  (1042).mp4

*   13-4 常见目标检测研究对象与数据集  (1037).mp4

*   13-5 目标检测常见任务与性能评价指标  (1823).mp4

*   13-6 目标检测行业应用现状-人脸检测  (1731).mp4

*   13-7 目标检测行业应用现状-ADAS  (1020).mp4

*   13-8 目标检测行业应用现状-文本检测  (0905).mp4

*   13-9 课程总结  (1930).mp4