[自动驾驶/新能源汽车] 行人与车辆检测应用项目实战 目标检测复现YOLO-V4算法 PyTorch实践指南

资源简介

本课程旨在帮助学习者深入理解YOLO-V4目标检测算法，并通过PyTorch框架从零开始实现该算法，同时将其应用于行人与车辆检测项目中。

在课程中，我们将详细讲解YOLO-V4算法的原理与关键技术，包括网络结构、损失函数、训练策略等。通过实例代码和实战案例，学习者将逐步掌握如何使用PyTorch实现该算法，并将其应用于实际场景中的行人与车辆检测任务。

无论您是想深入了解目标检测技术，还是希望应用于具体项目中，本课程都将为您提供全面的学习指导和实践经验，助您快速掌握相关技能，成为深度学习实践中的高手！

===============课程章节目录===============

第1章-课程介绍
第2章-预备知识整装待发
第3章-YOLOV4网络结构和代码实现
第4章-模型训练和代码实现
第5章-YOLOV4车辆行人检测实战
课程资料

===============课程详细目录===============

1-1课程介绍
1-2代码与项目介绍
2-1图像卷积
2-2卷积和步长的巧妙配合
2-3人工卷积核产生的效果
2-4Yolov4里的卷积例子
2-5最大池化操作
2-6全连接层讲解
2-7卷积神经网络VGG16_01
2-8卷积神经网络VGG16_02
2-13YOLOV4里的one-hot编码
2-14softmax原理和计算
2-15sigmod和代替softmax
2-16BN操作01
2-17BN操作02
2-18激活函数原理和作用
2-91X1卷积核的用处01
2-101X1卷积核的用处02
2-111X1卷积核的用处03
2-121X1卷积核的用处04（yolo中的1X1预测思想）
3-1YOLOV3网络结构回顾01
3-2YOLOV3网络结构回顾02
3-3YOLOV3网络结构回顾03
3-4强大的模型可视化工具netron
3-5YOLOV4网络结构backbone
3-6YOLOV4网络结构Neck
3-7YOLO网格思想
3-8先验框anchors原理
3-9头部DECODE
3-10YOLO头部总结
3-11从零写代码backbone构建01
3-12从零写代码backbone构建02
3-13从零写代码Neck构建01
3-14从零写代码Neck构建02
3-15从零写代码头部Decode01
3-16从零写代码头部Decode02
3-17代码解读模型推断部分
3-18代码解读使用yolo.cfg解析方式构造网络01
3-19代码解读使用yolo.cfg解析方式构造网络02
4-1模型训练超参部分讲解
4-2训练整体流程
4-3模型训练build_target原理解析01
4-4模型训练build_target原理解析02
4-5模型训练build_target原理解析03
4-6损失函数原理解析01
4-7损失函数原理解析02
4-8从零写代码build_target训练核心函数01
4-9从零写代码build_target训练核心函数02
4-10从零写代码build_target训练核心函数03
4-11从零写代码训练部分基础函数
4-12从零写代码CIOU计算
4-13从零写代码损失函数计算
4-14代码解读基于PyTorch的模型训练01
4-15代码解读基于PyTorch的模型训练02
4-16代码解读基于PyTorch的模型训练03
5-1项目实战总体介绍
5-2权重裁剪技巧（模型训练必备知识）
5-3代码实战pytorch权重裁剪01
5-4代码实战pytorch权重裁剪02
5-5代码实战训练数据集制作
5-6tensorboardX训练可视化工具使用
5-7map和准确召回率计算工具使用
5-8项目效果展示
5-9YOLOV4调参总结