2025年10月24日

程序员节到了，聊聊我这几年和目标检测打交道的经历。没有惊天动地，也没有一鸣惊人，就是一步步学、一点点调，慢慢走过来的。

深度学习必看论文：

• 《Deep Residual Learning for Image Recognition》（ResNet）

• 《Generative Adversarial Networks》（GAN）

• 《Very Deep Convolutional Networks for Large-Scale Image Recognition》（VGG）

• 《Densely Connected Convolutional Networks》（DenseNet）

• 《U-Net: Convolutional Networks for Biomedical Image Segmentation》

• 《Attention Is All You Need》

• 《Faster R-CNN: Towards Real-Time Object Detection》

一、初识：先打基础，再谈目标检测

我最早并不是直接上手目标检测的。那时候连 Python 都写不利索，for 循环和列表推导式还分不清，更别说用 PyTorch 写模型了。对神经网络的理解也停留在“多层感知机”这种概念层面，只知道前向传播和反向传播是“算损失、调参数”，但具体怎么实现，完全没概念。

所以第一步，我决定老老实实补基础。没有跳过任何一步，就是照着路线图一步步来。

1. Python 和工具链：从“能跑”到“会用”

我花了大概两个月时间系统地学 Python，重点不是语法本身，而是工程化使用：

• 把 NumPy 的数组操作练熟，比如 reshape、transpose、广播机制，因为后续处理图像数据全靠它；
• 学 OpenCV，掌握 cv2.imread、cv2.resize、BGR 转 RGB 这些基本操作，顺便理解图像的 HWC 格式；
• 搭建 PyTorch 环境，从 torch.Tensor 创建张量，到 autograd 自动求导，再到 nn.Module 定义网络层，一步步动手实现。

我还特意找了一些小项目练手，比如用 OpenCV 做边缘检测，用 PyTorch 实现线性回归。这些看似简单，但让我对“代码如何与数学公式对应”有了直观感受。

2. 理论学习：从“听懂”到“理解”

光会写代码不够，还得懂原理。我系统看了吴恩达在 Coursera 上的《深度学习》课程，特别是 CNN 这几讲。
重点搞清楚了几个核心概念：

• 卷积核是怎么滑动提取特征的；
• 池化层如何降低分辨率、保留主要信息；
• 反向传播中梯度是如何通过链式法则回传的；
• 激活函数（ReLU、Sigmoid）的作用和选择。

看视频的同时，我会在纸上画网络结构图，标注每一层的输入输出尺寸。比如 VGG16，从 224x224x3 输入开始，经过多个卷积+池化，最终变成 7x7x512 的特征图。这个过程让我对“特征提取”有了空间上的理解。

3. 简单项目实践：猫狗识别

理论看完了，真正让我把知识串起来的，是一个简单的项目：猫狗识别。

教程从零开始，教你怎么：

• 下载 Kaggle 上的经典数据集（Dogs vs Cats）；
• 用 torchvision.datasets.ImageFolder 加载数据；
• 使用 torchvision.transforms 做图像预处理（缩放、归一化）；
• 搭一个简单的 CNN 网络，或者用 torchvision.models.resnet18 做迁移学习；
• 用 DataLoader 分批读取数据，写训练循环，计算准确率。

一开始，环境就出了问题：CUDA 版本不匹配，torch.cuda.is_available() 返回 False。我折腾了一整天，重装了 cudatoolkit 才解决。

训练过程中也遇到各种 bug：

• 图像路径写错，报 FileNotFoundError；
• 输入维度不对，提示 “expected 3x224x224 got 1x224x224”，才发现灰度图没处理；
• 训练 loss 不下降，后来发现是学习率设成了 0.1，太大了，改成 0.001 才正常。

但这些问题一个个解决后，当模型在验证集上准确率达到 92% 时，那种“我自己跑通了一个AI项目”的感觉，是真的踏实。

更重要的是，这个项目让我熟悉了完整的训练流程：

数据加载 → 预处理 → 模型定义 → 训练循环 → 验证评估

这套流程后来做目标检测时完全用得上，只是换了个框架和任务而已。

4. 正式接触目标检测

真正开始接触目标检测，我是从读论文入手的。我知道光看教程和代码不够，如果不理解背后的思路演进，很容易停留在“会调包”但“不懂为什么”的层面。

所以我列了个阅读计划，把计算机视觉和深度学习领域几篇关键论文都过了一遍，边读边做笔记，用 Markdown 记录核心思想、网络结构、创新点和我的疑问。

我重点读了以下几篇：

• 《Deep Residual Learning for Image Recognition》（ResNet）

• 《Generative Adversarial Networks》（GAN）

• 《Very Deep Convolutional Networks for Large-Scale Image Recognition》（VGG）

• 《Densely Connected Convolutional Networks》（DenseNet）

• 《U-Net: Convolutional Networks for Biomedical Image Segmentation》

• 《Attention Is All You Need》

• 《Faster R-CNN: Towards Real-Time Object Detection》

阅读方法：

我的读论文流程是这样的：

• 先看摘要和引言，搞清楚这篇论文到底想解决什么问题；
• 然后盯着网络结构图，对照文中的公式，一行行琢磨每个模块是干啥的；
• 最后去 GitHub 找开源实现，看看别人是怎么用代码把论文“落地”的。

但说实话，刚开始的时候，这个过程特别慢。
第一篇 ResNet 我看了快一个月，很多地方根本看不懂：

• 什么是“梯度消失”？
• 为什么加个跳接就能解决深层网络退化？
• 论文里写的“batch normalization”到底在代码里放哪？

当时一头雾水，也不敢问人，就只能靠自己。
不懂就去搜——CSDN、上面有很多人得讲解。
看别人写的解读博客，看视频讲解，有时候一个概念，要对比好几篇文章才能明白。

比如“RoI Pooling”这个操作，论文里一句话带过，但我就是想不通怎么把不同大小的区域变成固定尺寸。
后来在 CSDN 上看到一篇图文并茂的解析，画了网格划分的过程，我才恍然大悟。

慢慢地，随着读的论文多了，理解速度也快了起来。
从最开始一篇要一个月，到现在三四天能吃透一篇核心内容。
虽然还是会有卡住的地方，但已经知道怎么查、怎么拆解问题了。

每读完一篇，就感觉“脑子里的拼图又完整了一块”。
这种一点点把知识拼起来的过程，其实比直接跑个 demo 更有成就感。

二、初识：实战入门——从跑通项目到理解细节

1. 复现成功论文开源代码：水下目标检测

真正让我觉得“能动手做点事”的，是第一次成功复现一个开源的目标检测项目。
项目方向是：水下目标检测，任务是识别海底的鱼类、海参、海胆等生物。
代码来自一个 GitHub 开源项目，基于 CNN实现。光是环境配置，就花了我整整两个月。

（1）环境依赖：版本不匹配的“噩梦”

ModuleNotFoundError: No module named 'torchvision.models.resnet'

刚开始被这个问题可以说是搞到崩溃。

（2）数据准备与预处理：细节处处是坑

• 图像命名不统一，有的是 .jpg，有的是 .JPG，Linux 下大小写敏感，导致读取失败；
• 标注文件中的类别名是中文（如“海参”），而代码里写的是英文（sea_cucumber），对不上；
• 部分图像分辨率太大（4000x3000），直接加载内存爆掉。

（3）推理与可视化：看到结果的那一刻

最让我有成就感的，是运行 test.py 时，看到一张张水下图像上出现了彩色的 bounding box。
虽然有些漏检，也有误判（把石头当成海参），但整体已经“看得懂”图像了。

我还用 OpenCV 写了个小脚本，把检测结果保存成带框的图片，并统计每帧的推理时间。在 CPU 上大概 1.2 秒/帧，太慢了，但至少功能是完整的。

代码不会骗人，你付出多少努力，它就回报你多少理解。而每一次“终于跑通了”的瞬间，都是对坚持最好的奖励。