快速上手大模型：深度学习12（目标检测、语义分割、序列模型）

目录

[1 目标检测](#1 目标检测)

[1.1 边界框(Bounding box)](#1.1 边界框(Bounding box))

[1.2 代码](#1.2 代码)

[1.3 常用算法](#1.3 常用算法)

[1.3.1 R-CNN](#1.3.1 R-CNN)

[1.3.2 Fast R-CNN](#1.3.2 Fast R-CNN)

[1.3.3 Faster R-CNN](#1.3.3 Faster R-CNN)

[1.3.4 Mask R-CNN](#1.3.4 Mask R-CNN)

[1.3.5 单发多框检测SSD](#1.3.5 单发多框检测SSD)

多尺度目标检测

[1.3.6 YOLO](#1.3.6 YOLO)

[1.3.7 小结](#1.3.7 小结)

[2 语义分割Semantic Segmentation](#2 语义分割Semantic Segmentation)

[3 序列模型](#3 序列模型)

---

1 目标检测

1.1 边界框(Bounding box)

用来描述对象的空间位置。 边界框是矩形的，由矩形左上角的以及右下角的𝑥和𝑦坐标决定。 另一种常用的边界框表示方法是边界框中心的(𝑥,𝑦)轴坐标以及框的宽度和高度。

1.2 代码

（1）库

%matplotlib inline
import torch
from d2l import torch as d2l

d2l.set_figsize()
img = d2l.plt.imread('../img/catdog.jpg')
d2l.plt.imshow(img);

（2）边界框

#@save
def box_corner_to_center(boxes):
    """从（左上，右下）转换到（中间，宽度，高度）"""
    x1, y1, x2, y2 = boxes[:, 0], boxes[:, 1], boxes[:, 2], boxes[:, 3]
    cx = (x1 + x2) / 2
    cy = (y1 + y2) / 2
    w = x2 - x1
    h = y2 - y1
    boxes = torch.stack((cx, cy, w, h), axis=-1)
    return boxes

#@save
def box_center_to_corner(boxes):
    """从（中间，宽度，高度）转换到（左上，右下）"""
    cx, cy, w, h = boxes[:, 0], boxes[:, 1], boxes[:, 2], boxes[:, 3]
    x1 = cx - 0.5 * w
    y1 = cy - 0.5 * h
    x2 = cx + 0.5 * w
    y2 = cy + 0.5 * h
    boxes = torch.stack((x1, y1, x2, y2), axis=-1)
    return boxes

# bbox是边界框的英文缩写
dog_bbox, cat_bbox = [60.0, 45.0, 378.0, 516.0], [400.0, 112.0, 655.0, 493.0]

torch.stack((cx, cy, w, h), axis=-1)：

#@save
def bbox_to_rect(bbox, color):
    # 将边界框(左上x,左上y,右下x,右下y)格式转换成matplotlib格式：
    # ((左上x,左上y),宽,高)
    return d2l.plt.Rectangle(
        xy=(bbox[0], bbox[1]), width=bbox[2]-bbox[0], height=bbox[3]-bbox[1],
        fill=False, edgecolor=color, linewidth=2)

fig = d2l.plt.imshow(img)
fig.axes.add_patch(bbox_to_rect(dog_bbox, 'blue'))
fig.axes.add_patch(bbox_to_rect(cat_bbox, 'red'));

1.3 常用算法

1.3.1 R-CNN

2014，它先找出可能有物体的区域（候选框），再用CNN对每个区域做分类和位置回归。

工作流程：

（1）Selective Search找候选区域（region proposals）

• 输入一张图片

• 使用传统算法（不是CNN）生成大约 2000 个候选框（Region proposals）

• 这些框可能包含物体

（2）对每个候选框做裁剪 + resize + CNN 特征提取

对每个 Region 裁剪出来后

• resize 到固定大小（如 224×224）

• 输入到 CNN（如 AlexNet）

• 输出特征向量（4096 维）

（3）使用 SVM 分类 + 回归框调整

CNN 提取的特征用于：

• SVM分类器 → 判断框里是 猫 / 狗 / 人 / 背景

• 回归器（regressor） → 调整框的位置（更准确）

1.3.2 Fast R-CNN

2015，整张图只做一次CNN → 得到特征图 → 在特征图上裁剪候选框 → 分类 + 回归。

相比R-CNN，它把速度从几十秒/张 → 0.2秒/张。

1.3.3 Faster R-CNN

2015，Faster R-CNN = Fast R-CNN + 用CNN来生成候选框Region Proposal Network（RPN）

1.3.4 Mask R-CNN

2017，Mask R-CNN = Faster R-CNN + 实例分割（Instance Segmentation）

1.3.5 单发多框检测SSD

一次前向就同时预测各位置的类别和边界框（多个预设框/anchor），速度快且精度不错，适合实时检测。

多尺度目标检测

多尺度：模型能够检测图像中不同大小的目标。

%matplotlib inline
import torch
from d2l import torch as d2l

img = d2l.plt.imread('../img/catdog.jpg')
h, w = img.shape[:2]
h, w

def display_anchors(fmap_w, fmap_h, s):
    d2l.set_figsize()
    # 前两个维度上的值不影响输出
    fmap = torch.zeros((1, 10, fmap_h, fmap_w))
    anchors = d2l.multibox_prior(fmap, sizes=s, ratios=[1, 2, 0.5])
    bbox_scale = torch.tensor((w, h, w, h))
    d2l.show_bboxes(d2l.plt.imshow(img).axes,
                    anchors[0] * bbox_scale)

display_anchors(fmap_w=4, fmap_h=4, s=[0.15])

display_anchors(fmap_w=2, fmap_h=2, s=[0.4])

display_anchors(fmap_w=1, fmap_h=1, s=[0.8])

1.3.6 YOLO

把检测看成回归问题，网络一次前向就同时预测每个网格的类别和框（速度非常快，适合实时）。

1.3.7 小结

上述算法目前已经淘汰，了解即可，目前SLAM+大模型+具身智能主流算法：

（1）实时机器人检测（SLAM 前端）

• YOLOv8 / YOLOv9（速度最快）

• RT-DETR（高精度 + transformer）

---

（2）建图 / 语义 SLAM（多任务 dense 特征）

• DINOv2（最强 dense feature）

• SAM / SAM2（大模型分割）

• Mask2Former（语义分割）

---

（3）具身智能（Embodied AI + 大模型）

视觉backbone：

• SigLIP

• DINOv2

• ViT-L / ViT-H

• SAM2（mask-aware reasoning）

前端检测可选：

• YOLO-World（支持开放词汇检测）

• DINO-DETR

2 语义分割Semantic Segmentation

语义分割将图片中的每个像素分类到对应的类别。

目前主流使用Mask2Former。

3 序列模型

目标参数随时间变化而变化。典型例子量化模型，股价预测。

建模：在时间t观察到，那么得道T个不独立的随机变量，条件概率展开。

对条件概率建模,其中f是对见过的数据建模，亦称自回归模型。

自回归模型计算方法有：

（1）马尔科夫假设

（2）潜变量模型