**

用飞浆框架做目标检测

目标检测就是在给定图像中找到具有准确定位的特定对象，并为每个对象分配一个对应的标签。
目标检测（object detection）是计算机视觉（computer visual）中的一项基本问题，主要目的是确定图像中是否存在给定类别的对象实例（例如人，汽车，自行车，狗或猫），如果存在，则返回每个对象实例的空间位置和范围（“分类”+“定位”）。可以模仿人类视觉对外界环境进行判断，广泛的应用在行人检测、人脸检测中。随着近些年深度学习的快速进步，目标检测与其相结合得到了更好的检测精度，更快的效率以及发展出更广泛的应用，比如自动驾驶、人机交互。
在深度神经网络应用在目标检测领域之后，可以将目标检测分为两条路线，R-CNN系列为代表的two-stage检测，YOLO系列为代表的one-stage检测。two-stage相较于one-stage精度更高，但是速度比较慢。
two-stage目标检测
two-stage检测需要分两步走，先对原始图片进行区域建议，选出可能存在目标物体的区域，剔除大量无效的背景区域。此阶段只需知道区域中是否存在目标（正负样本），以及区域的大概位置。下阶段将选中的区域作为输入，进行更精确的分类和定位。two-stage检测相较one-stage检测多了一步区域建议网络（RPN），减少了背景区域对分类的影响，提高了准确度。

  1. R-CNN
    用飞浆框架做目标检测
  2. Fast-RCNN用飞浆框架做目标检测
  3. Faster-RCNN用飞浆框架做目标检测

one-stage目标检测
以上two-stage目标检测的方法都需要找到建议区域，然后在建议区域的基础上再次通过深度神经网络来进行细分类和边框回归。这类方法精度较高但是由于计算量大导致速度慢，不能做到实时监测。下面将介绍one-stage目标检测的一些方法。这些方法用深度神经网络在原图上进行一次操作，直接找到最终的多目标分类和边框回归。此类方法监测速度较快，可以达到实时检测。
paddledetection
感谢飞浆框架的工程师，感谢目标检测7日课程的老师！课程链接https://aistudio.baidu.com/aistudio/course/introduce/1617