老铁们，大家好，相信还有很多朋友对于视觉传达设计专业的就业前景怎么样和手机视觉检测算法软件下载的相关问题不太懂，没关系，今天就由我来为大家分享分享视觉传达设计专业的就业前景怎么样以及手机视觉检测算法软件下载的问题，文章篇幅可能偏长，希望可以帮助到大家，下面一起来看看吧！

本文目录

【嵌牛导读】目标检测在现实中的应用很广泛，我们需要检测数字图像中的物体位置以及类别，它需要我们构建一个模型，模型的输入一张图片，模型的输出需要圈出图片中所有物体的位置以及物体所属的类别。在深度学习浪潮到来之前，目标检测精度的进步十分缓慢，靠传统依靠手工特征的方法来提高精度已是相当困难的事。而ImageNet分类大赛出现的卷积神经网络（CNN）——AlexNet所展现的强大性能，吸引着学者们将CNN迁移到了其他的任务，这也包括着目标检测任务，近年来，出现了很多目标检测算法。

【嵌牛鼻子】计算机视觉

【嵌牛提问】如何理解目标检测算法——YOLOv1

【嵌牛正文】

原文链接：blog.csdn.net/qq_29893385/article/details/81177912

1、YOLOv1基本思想

YOLO的核心思想就是将目标边框定位问题转化为回归问题，利用整张图作为网络输入，直接在输出层回归bounding box（边界框）的位置和bounding box所属的类别。YOLO将输入图像分成SxS个格子，若某个物体 Ground truth的中心位置的坐标落入到某个格子，那么这个格子就负责检测出这个物体。

简单说一下YOLOv1的检测步骤：

(1)给个一个输入图像，首先将图像划分成7* 7的网格。

(2)对于每个网格，每个网格预测2个bouding box（每个box包含5个预测量）以及20个类别概率，总共输出7×7×（2*5+20）=1470个tensor

(3)根据上一步可以预测出7* 7* 2= 98个目标窗口，然后根据阈值去除可能性比较低的目标窗口，再由NMS去除冗余窗口即可。

总结：YOLO的CNN网络将输入的图片分割成的网格，每个单元格会预测 B个边界框（bounding box）、边界框的置信度（confidence score）以及C个类别概率值，最终预测值为大小的张量。bbox信息(x,y,w,h)为物体的中心位置相对格子位置的偏移及宽度和高度,均被归一化.置信度反映是否包含物体以及包含物体情况下位置的准确性,定义为Pr(Object)×IOU    ,其中Pr(Object)∈{0,1}.

2.YOLOv1网络结构

YOLOv1网络借鉴了GoogLeNet分类网络结构，包含24个卷积层和2个全连接层。不同的是，YOLO未使用inception module，而是使用1x1卷积层（此处1x1卷积层的存在是为了跨通道信息整合）+3x3卷积层简单替代。

YOLOv1网络在最后使用全连接层进行类别输出，因此全连接层的输出维度是 S×S×(B×5+C)S×S×(B×5+C)。

YOLOv1网络比VGG16快(浮点数少于VGG的1/3),准确率稍差。

缺馅:

输入尺寸固定：由于输出层为全连接层，因此在检测时，YOLO训练模型只支持与训练图像相同的输入分辨率。其它分辨率需要缩放成该分辨率.

占比较小的目标检测效果不好.虽然每个格子可以预测B个bounding box，但是最终只选择只选择IOU最高的bounding box作为物体检测输出，即每个格子最多只预测出一个物体。当物体占画面比例较小，如图像中包含畜群或鸟群时，每个格子包含多个物体，但却只能检测出其中一个。

3.YOLOv1损失函数

YOLO全部使用了均方和误差作为loss函数.由三部分组成:坐标误差、IOU误差和分类误差。

简单相加时还要考虑每种loss的贡献率,YOLO给coordErr设置权重λcoord=5λcoord=5.在计算IOU误差时，包含物体的格子与不包含物体的格子，二者的IOU误差对网络loss的贡献值是不同的。若采用相同的权值，那么不包含物体的格子的confidence值近似为0，变相放大了包含物体的格子的confidence误差在计算网络参数梯度时的影响。为解决这个问题，YOLO使用λnoobj=0.5λnoobj=0.5修正iouErr。（此处的‘包含’是指存在一个物体，它的中心坐标落入到格子内）。对于相等的误差值，大物体误差对检测的影响应小于小物体误差对检测的影响。这是因为，相同的位置偏差占大物体的比例远小于同等偏差占小物体的比例。YOLO将物体大小的信息项（w和h）进行求平方根来改进这个问题，但并不能完全解决这个问题。

综上，YOLO在训练过程中Loss计算如下式所示：

其中有宝盖帽子符号(x^,y^,w^,h^,C^,p^x^,y^,w^,h^,C^,p^)为预测值,无帽子的为训练标记值。1objij1ijobj表示物体落入格子i的第j个bbox内.如果某个单元格中没有目标,则不对分类误差进行反向传播;B个bbox中与GT具有最高IoU的一个进行坐标误差的反向传播,其余不进行.

4.训练过程

1）预训练。使用 ImageNet 1000类数据训练YOLO网络的前20个卷积层+1个average池化层+1个全连接层。训练图像分辨率resize到224x224。

2）用步骤1）得到的前20个卷积层网络参数来初始化YOLO模型前20个卷积层的网络参数，然后用 VOC 20类标注数据进行YOLO模型训练。检测通常需要有细密纹理的视觉信息,所以为提高图像精度，在训练检测模型时，将输入图像分辨率从224× 224 resize到448x448。

训练时B个bbox的ground truth设置成一样的.

5.YOLOv1优缺点

最后有必要总结一下YOLO的优缺点。首先是优点，YOLO采用一个CNN网络来实现检测，是单管道策略，其训练与预测都是end-to-end，所以YOLO算法比较简洁且速度快（这是最大的优点）。第二点由于YOLO是对整张图片做卷积，所以其在检测目标有更大的视野，它不容易对背景误判。另外，YOLO的泛化能力强，在做迁移时，模型鲁棒性高。

最后不得不谈一下YOLO的缺点，首先YOLO各个单元格仅仅预测两个边界框，而且属于一个类别。对于小物体，YOLO的表现会不如人意。另外YOLO对于在物体的宽高比方面泛化率低，就是无法定位不寻常比例的物体。当然YOLO的定位不准确也是很大的问题。

大学学视觉传达设计专业，其实是非常有前景的专业，我们知道未来的世界一定是智能机器人的世界，机器人离不开大脑、眼睛和四肢，而视觉识别其实就是智能机器人的眼睛，它不只是拍照的功能，还要有分析和学习、识别的能力，就像我们的人眼睛一样，要能够测出大概的距离，识别出颜色、形状、大小等信息，并能认出是什么东西，以及物体的方位等信息，甚至对产品的质量检测也可以实现。最为高级的机器人眼睛是能够具有人脸识别功能，会对不同的人发出不同的信息。

说起来非常有前景，学好却非常不容易，数学不好的人，和抽象思维不好的人无法胜任，这里面有非常多的数学模型算法，需要用程序来实现，尤其是做底层研发的更是如此，一个好的算法可以提高识别的效率，任何一个指数的提升都能为智能机器人带来质的提升，如果是应用层面的开发，软件的效率也至关重要，所以思维方式非常重要，是理科思维好的人才行。

视觉系统其实就是实时图像的处理和分析，具有大量的算法，对芯片的要求比较高，当然算法也非常重要，这方面比较好的企业大多是德国的企业。

任何一个专业想学好都不容易，而每个专业也都有人能出人头地，跟专业虽然有关，但是兴趣和努力才是最为关键的，好的学习方法能让你事半功倍，息率提升不少，可以说，没有绝对好的专业，也没有绝对不好的专业，只有适合不适合自己的专业，关键是要自己喜欢才好。

关于视觉传达设计的就业前景，我想第1点很重要是视觉传达设计毕业之后学生是不愁找不到工作的，因为现在正处于互联网时代，所有的公司都需要平面设计，都需要视觉传达设计这一个职业。

关于本次视觉传达设计专业的就业前景怎么样和手机视觉检测算法软件下载的问题分享到这里就结束了，如果解决了您的问题，我们非常高兴。