更多内容请关注『机器视觉CV』
什么是目标检测
目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。
计算机视觉中关于图像识别有四大类任务：
分类-Classification：解决“是什么？”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。
定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。
检测-Detection：解决“是什么？在哪里？”的问题，即定位出这个目标的的位置并且知道目标物是什么。
分割-Segmentation：分为实例的分割（Instance-level）和场景分割（Scene-level），解决“每一个像素属于哪个目标物或场景”的问题。
目标检测初体验
当前基于深度学习的目标检测算法主要分为两类：
1.Two stage目标检测算法：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN和R-FCN 等。2.One stage目标检测算法：OverFeat、YOLOv1、YOLOv2、YOLOv3、SSD和RetinaNet 等。在本文中，我们将使用 YOLOv3 在检测图像类别的位置及名称。
我们将使用 Darknet （是一个用 C 和 CUDA 编写的开源神经网络框架。它快速，易于安装，并支持 CPU 和GPU 计算。）、 OpenCV 在 3.3.1 版本中开始支持 Darknet，我们在 Darknet 框架下训练出来的模型，通过 OpenCV 读取模型，从而进行预测。
在这里，我们假设大家没有目标检测的知识，只是想体验一下目标检测做出来的效果，有个大致的概念。为满足一下大家的好奇心，我们将从 Darknet 官网上（ 模型，直接读取模型做目标检测。
首先，看一下我们的目录结构
接下来上我们的代码：
运行结果如下：
以上源码可在 查看
目标检测的文章将会分为以下几个板块逐步更新
目标检测实战项目『体验篇』目标检测实战项目『训练自己的数据』目标检测实战项目『原理篇』从项目到理论，更有趣味！
参考：
