对象检测

本目录提供构建目标检测系统的示例和最佳实践。我们的目标是让用户能够轻松快速地使用自己的数据集训练出高准确度模型。为此，我们提供示例笔记本，其中包含在各种数据集上表现良好的预设默认参数，以及有关常见陷阱、最佳实践等方面的详细文档。

目标检测	目标检测与分割	目标检测与关键点定位

目标检测是计算机视觉的主要问题之一。传统上，这需要专业知识来识别和实现所谓的“特征”，以突出图像中物体的位置。从2012年著名的AlexNet和Fast(er) R-CNN论文开始，深度神经网络被用于自动寻找这些特征。这使得该领域在许多问题上取得了巨大的进步。

此存储库使用 torchvision 的 Faster R-CNN 实现，该实现已被证明在各种计算机视觉问题上表现良好。有关底层数据科学方面的解释，请参阅 常见问题。

我们建议在具有 GPU 的机器上运行这些示例，无论是 Linux 还是（慢约 20% 的）Windows。虽然技术上不需要 GPU，但即使只使用几十张图像，训练也会变得非常慢。

常见问题

有关“这项技术如何运作？”等常见问题的答案可以在此文件夹中的 常见问题 中找到。有关“我需要多少训练样本？”或“如何在训练期间监控 GPU 使用情况？”等一般性问题，请参阅分类文件夹中的 FAQ.md。

Notebook

我们提供了几个笔记本，以展示目标检测算法如何设计和评估

Notebook 名称	描述
00_webcam.ipynb	快速入门笔记本，演示如何使用单个图像或网络摄像头作为输入来构建目标检测系统。
01_training_introduction.ipynb	解释模型训练和评估基本概念的笔记本。
02_mask_rcnn.ipynb	除了检测物体，还在图像中找到它们精确的像素掩模。
03_keypoint_rcnn.ipynb	笔记本，展示如何 (i) 运行预训练模型进行人体姿态估计；以及 (ii) 训练自定义关键点检测模型。
11_exploring_hyperparameters_on_azureml.ipynb	使用 AzureML 的 HyperDrive 执行高度并行的参数扫描。
12_hard_negative_sampling.ipynb	演示如何采样难例负样本以提高模型性能。
20_deployment_on_kubernetes.ipynb	使用 AzureML 部署训练好的模型。

贡献指南

请参阅根文件夹中的贡献指南。