入门目标检测是不是最好要先学YOLO系列？ - 知乎

微信群：因微信群二维码定期更新，因此，还请想入群的读者私聊笔者，笔者发送入群的二维码；QQ群：为了避免违规，还请私信笔者。

入门目标检测通常有两条路线，或者说，绝大多数深度学习任务都分为两种路线。

此时，大多数人的目的应该就是为了完成老师安排的某个项目，比如火灾检测or船舶检测，那么初学者可以直接采用已经成熟的YOLOv5项目，将其应用到自己的实际任务中，根据自己的任务场景来做各种相应的调整，比如修改网络结构、添加注意力模块、修改损失函数、修改label assignment策略等等，通过做这些修改或调整，能够在自己任务场景中有所提升，会是一次很好的学习，因为在这个过程中会不可避免地遇到种种bug，学习代码的最好办法之一（未必是最高效的）就是debug。在debug的过程，也会一点一点了解目标检测的诸多基本概念和技术点等。

此时，大多数人的目的应该就是为了发表或水一篇论文，此种情况下，常用的起手式

我觉得最好从经典之路开始，R-CNN->Fast R-CNN->Faster R-CNN，然后再开始Yolo系列

本文简要讲解如何使用深度学习（R-CNN网络）来训练一个停车标志检测器。R-CNN是一种目标检测框架，使用卷积神经网络（CNN）对图像中的区域进行分类。R-CNN 目标检测器不使用滑动窗口对每个区域进行分类，而是仅处理可能包含目标的区域，因此降低了CNN 的计算成本。为了说明如何训练 R-CNN 停车标志检测器，本文使用迁移学习方法，因此预训练的网络已经学习到了丰富的图像特征，只需要对权重进行小幅调整来微调网络。

迁移学习的优点是减少了训练所需的图像数量和训练时间。首先，使用CIFAR-10数据集对CNN进行预训练，该数据集具有50，000张训练图像。然后，仅使用41个训练图像对预训练的CNN进行微调以进行停车标志检测。如果不预先训练CNN，训练停车标志检测器将需要更多的图像。

注意：本例需要计算机视觉工具箱、图像处理工具箱、神经网络工具箱以及统计和机器学习工具箱。

下载C

设计高效、高质量的表达性网络架构一直是深度学习领域最重要的研究课题。当今的大多数网络设计策略都集中于如何集成从不同层提取的特征，以及如何设计计算单元来有效地提取这些特征，从而增强网络的表现力。 本文提出了一种新的网络设计策略，即基于梯度路径分析来设计网络结构。总体而言，当今主流的网络设计策略大多基于前馈路径，即基于数据路径设计网络架构。在本文中希望通过提高网络学习能力来增强训练模型的表达能力。由于驱动网络参数学习的机制是反向传播算法，本文设计了基于反向传播路径的网络设计策略。提出了layer-level、stage-level和network-level的梯度路径设计策略，并通过理论分析证明了设计策略的优越性和可行性和实验。

深度神经网络（DNN）现在广泛用于各种设备，以解决不同类型的任务。数百万科学家、工程师和研究人员参与了深度学习相关的工作。他们都期待着设计出能够满足他们需求的高效、准确、低成本的解决方案。因此，如何设计适合其产品的网络架构变得尤为重要。

自2014年以来