本书按实战项目研发的先后顺序，介绍了目标检测神经网络从研发到运营的全生命周期。首先介绍了目标检测场景下的图片标注方法和数据格式，以及与之密切相关的特征融合网络和预测网络；介绍了数据"后处理”所涉及的NMS算法及其变种，在此基础上，读者只需结合各式各样的骨干网络就可以搭建完整的一阶段目标检测神经网络模型。接下来介绍了神经网络的动态模式和静态模式两种训练方法，以及训练过程中的数据监控和异常处理。最后以亚马逊云和谷歌Coral开发板为例，介绍了云端部署和边缘端部署神经网络的两种部署方法。其中，对于边缘端部署，本书还详细介绍了神经网络量化模型的基础原理和模型编译逻辑，这对将神经网络转化为可独立交付的产品至关重要。 本书还结合智慧交通、智慧后勤、自动驾驶等项目，介绍了计算机视觉数据增强技术和神经网络性能评估原理，以及边缘计算网关、边缘计算系统、自动驾驶数据的计算原理和PointNet++等多个三维目标检测神经网络，帮助读者快速将计算机视觉技术运用到实际生产中。

第1篇 一阶段目标检测神经网络的结构设计
第1章 目标检测的竞赛和数据集\t
1.1 　计算机视觉坐标系的约定和概念\t
1.1.1 图像的坐标系约定\t
1.1.2 矩形框的描述方法约定\t
1.2 　PASCAL VOC竞赛和数据集\t
1.2.1 PASCAL VOC竞赛任务和数据集简介\t
1.2.2 PASCAL VOC2007数据集探索\t
1.3 　MS COCO挑战赛和数据集\t
1.3.1 MS COCO挑战赛的竞赛任务\t
1.3.2 MS COCO数据集简介\t
1.4 　目标检测标注的解析和统计\t
1.4.1 XML文件的格式\t
1.4.2 XML文件解析和数据均衡性统计\t
第2章 目标检测神经网络综述\t
2.1 　几个著名的目标检测神经网络\t
2.1.1 R-CNN家族神经网络简介\t
2.1.2 YOLO和SSD神经网络简介\t
2.1.3 CenterNet神经网络简介\t
2.1.4 U-Net神经网络简介\t
2.2 　目标检测神经网络分类和高阶API资源\t
2.3 　矩形框的交并比评价指标和实现\t
第3章 一阶段目标检测神经网络的特征融合和中段网络\t
3.1 　一阶段目标检测神经网络的整体结构\t
3.2 　一阶段目标检测神经网络的若干中段网络介绍\t
3.2.1 单向融合的中段网络\t
3.2.2 简单双向融合的中段网络\t
3.2.3 复杂双向融合的中段网络\t
3.3 　不同融合方案中段网络的关系和应用\t
3.4 YOLO的多尺度特征融合中段网络案例\t
3.4.1 YOLOV3的中段网络及实现\t
3.4.2 YOLOV4的中段网络PANet及实现\t
3.4.3 YOLOV3-tiny和YOLOV4-tiny版本的中段网络及实现\t
3.5 神经网络输出的解码\t
3.5.1 融合特征图的几何含义\t
3.5.2 矩形框中心点坐标的解码\t
3.5.3 矩形框宽度和高度的解码\t
3.5.4 前背景概率和分类概率的解码\t
3.5.5 矩形框角点坐标和解码函数整体输出\t
第4章 一阶段目标检测神经网络典型案例——YOLO解析\t
4.1 　YOLO家族目标检测神经网络简介\t
4.2 　先验锚框和YOLO神经网络的检测思路\t
4.2.1 用人为设定方式找到的先验锚框\t
4.2.2 用聚类回归方式找到的先验锚框\t
4.2.3 YOLO的先验锚框编号\t
4.2.4 YOLO的XYSCALE和缩放比参数\t
4.3 　建立YOLO神经网络\t
4.3.1 根据选择确定YOLO神经网络参数\t
4.3.2 建立骨干网络、中段网络和预测网络\t
4.3.3 加上解码网络后建立完整的YOLO模型\t
4.4 　YOLO神经网络的迁移学习和权重加载\t
4.4.1 骨干网络关键层的起止编号\t
4.4.2 中段网络和预测网络关键层的起止编号\t
4.4.3 YOLO模型的权重加载\t
4.5 　原版YOLO模型的预测\t
4.5.1 原版YOLO模型的建立和参数加载\t
4.5.2 神经网络的输入/输出数据重组\t
4.6 　NMS算法的原理和预测结果可视化\t
4.6.1 传统NMS算法原理\t
4.6.2 NMS算法的变种\t
4.6.3 预测结果的筛选和可视化\t
4.7 　YOLO模型的多个衍生变种简介\t
4.8 　YOLO模型的发展与展望\t
第2篇 YOLO神经网络的损失函数和训练
第5章 将数据资源制作成标准TFRecord数据集文件\t
5.1 　数据资源的加载\t
5.2 　数据资源的解析和提取\t
5.3 　TFRecord数据集文件的制作\t
5.4 　单样本的example对象制作\t
5.5 　遍历全部样本制作完整数据集\t
5.6 　从数据集提取样本进行核对\t
第6章 数据集的后续处理\t
6.1 　数据集的加载和打包\t
6.1.1 数据集的加载和矩阵化\t
6.1.2 图像矩阵尺寸的标准化\t
6.1.3 真实矩形框标注矩阵尺寸的标准化\t
6.1.4 数据集的打包处理\t
6.2 　将原始数据集打包为可计算数据集\t
6.2.1 计算真实矩形框与先验锚框的匹配度排名\t
6.2.2 找到真实矩形框所对应的网格下的先验锚框\t
6.2.3 可计算数据集测试\t
第7章 一阶段目标检测的损失函数的设计和实现\t
7.1 　损失函数框架和输入数据的合理性判别\t
7.2 　真实数据和预测数据的对应和分解\t
7.3 　预测矩形框的前背景归类和权重分配\t
7.4 　预测矩形框的误差度量\t
7.4.1 用中心点表示的位置误差\t
7.4.2 用宽度和高度表示的位置误差\t
7.4.3 用通用交并比表示的矩形框误差\t
7.4.4 用距离交并比表示的矩形框误差\t
7.4.5 用完整交并比表示的矩形框误差\t
7.4.6 用交并比量化矩形框预测误差的实践\t
7.5 　前景和背景的预测误差\t
7.5.1 前景误差和背景误差的定义\t
7.5.2 样本均衡原理和Focal-Loss应用\t
7.6 　分类预测误差\t
7.7 　总误差的合并和数值合理性确认\t
第8章 YOLO神经网络的训练\t
8.1 　数据集和模型准备\t
8.1.1 参数配置\t
8.1.2 数据集预处理\t
8.1.3 模型参数加载和冻结\t
8.2 　动态模式训练\t
8.2.1 监控指标的设计和日志存储\t
8.2.2 动态模式下神经网络的训练和调试\t
8.3 　训练中非法数值的监控和调试\t
8.3.1 发