没有找到对应内容,换一个词试试。
原课件第1页 / 26页视觉系统:从图像到机器人能用的信息
原课件第2页 / 26页学习路线:处理、检测、部署、集成
原课件第3页 / 26页计算机视觉究竟在做什么
原课件第4页 / 26页OpenCV是一套可调用的视觉工具

OpenCV的全称是Open Source Computer Vision Library。库的意思是已经写好的函数与数据结构,程序可以直接调用,不必从头实现读图、缩放、边缘检测等基础功能。
例如相机获得一帧图像后,可用OpenCV把彩色图转成灰度,再做滤波,最后寻找边缘。底层主要用C++实现,也提供其他语言接口。学习它时重点是每个函数接收什么图像、返回什么结果,以及操作顺序怎样改变后续算法的输入。
课堂串讲(11-16 Part01 00:35:36–00:47:20)
这里介绍的是可供程序调用的视觉与机器学习软件库。读这一页时,把“库提供函数”和“应用程序安排处理流程”分开理解。
原课件第5页 / 26页模块化:按任务组合所需功能
原课件第6页 / 26页从基础图像操作到三维信息
原课件第7页 / 26页几类常见视觉应用怎样理解
原课件第8页 / 26页自动驾驶、交互与地形感知
原课件第9页 / 26页基础数据与显示窗口的分工
原课件第10页 / 26页读视频、处理图像、匹配特征
原课件第11页 / 26页检测、机器学习与几何工具
原课件第12页 / 26页YOLO为什么叫只看一次
原课件第13页 / 26页检测框的五个数字怎样读

图像通常以左上角为(0,0),x向右增加,y向下增加。课件用(x,y,w,h,confidence)表示候选框:x、y是框中心,w、h是宽高,confidence是检测分数。图中把(x,y)标在角上,但正文定义采用中心坐标。
例:中心(100,80),宽40、高20,单位都为像素。半宽=40/2=20,半高=20/2=10。因此左边=100−20=80,右边=100+20=120;上边=80−10=70,下边=80+10=90。两角为(80,70)、(120,90)。
分数用于筛选候选;统计检测是否正确还要对照类别和标注。图像若先缩放或补边,检测框也必须按相同几何关系变回原图坐标,才能画到物体上。
课堂串讲(11-16 Part01 00:57:58–01:05:23)
课堂把YOLO作为单阶段检测方法,联系速度优势、带标签图像训练和边界框预测来讲。训练阶段用标注学习规律,推理阶段则为新图像输出候选框。
原课件第14页 / 26页NMS去重的完整顺序

同一物体附近可能出现多个高分框。非极大值抑制NMS按以下顺序去重:先按分数从高到低排;取最高分框,放进保留列表;计算它与其他候选框的IoU;删除重叠超过阈值的低分框;再从剩余候选取最高分,重复直到候选为空。
例:A分数0.9、B为0.8、C为0.7,NMS重叠阈值为0.5。先保留A。若A与B的IoU=0.7,则删除B;A与C的IoU=0.1,则C留下。剩余只有C,再保留C,最后输出A、C。
分数用于决定先保留谁,IoU用于判断是否高度重叠,两者作用不同。常见做法按类别分别处理,避免把重叠的不同类目标当作重复。
回听:11-16 Part01 00:57:58–01:05:23。
原课件第15页 / 26页用狗的图片读懂NMS前后
原课件第16页 / 26页IoU怎样一步一步计算

IoU=交集面积÷并集面积。交集是共同覆盖的区域;并集=A面积+B面积−交集,因为重叠部分在前两项中被算了两次。
用两个框完整算一次。A两角为(0,0)、(10,10),B为(4,0)、(14,10),单位为像素。两框各自宽10、高10,所以面积各100。
共同横向范围是x=4到10,宽10−4=6;共同纵向范围是y=0到10,高10。因此交集=6×10=60;并集=100+100−60=140;IoU=60/140≈0.429。完全重合为1,完全不相交为0。
检测评估比较预测框与标注框。若此例要求 IoU≥0.5,0.429<0.5,即使类别正确,这个预测也不能与该标注匹配为真阳性。过了阈值还要检查类别和一对一匹配。后处理中的 NMS 用同一公式比较两个预测框。
课堂串讲(11-16 Part01 00:57:58–01:05:23)
课堂比较预测框与真值框,并提到0.5。课件把0.5用作这一评估例子的IoU阈值;NMS阈值另行设置。
小演示 · 移动两个框,观察 IoU 和 NMS
原课件第17页 / 26页怎样理解YOLO的优点
原课件第18页 / 26页沿YOLO结构图从左读到右

从左向右跟蓝箭头读:输入图像→多层卷积与池化→中间特征→最终预测。卷积从局部像素提取边缘、纹理,再组合成复杂特征;池化或较大步长让空间尺寸变小,后层可综合更大范围的信息。
第一块标7×7×64-s2,可分开读成7×7卷积核、64个输出通道、步长2。Maxpool 2×2-s2是2×2最大池化、步长2。后续3×3、192、256等数字继续描述卷积与通道规模;4096表示中间特征维数。
这张早期YOLO图最终输出7×7×30:49个网格,每格预测20个类别值与2个框,每框5个数,所以20+2×5=30。总共49×30=1470个输出数。
Tutorial 7的YOLOv8n示例采用另一种布局(1,84,8400):1张图、每候选4个框值+80个类别分数、8400个候选。两种布局来自不同模型,读实际代码时按它加载的模型解释形状。




















