智能物流信息技术 · 配套教学幻灯片

第13章
计算机视觉

COMPUTER VISION

让机器自己学会“看”

神经网络与 Softmax反向传播卷积与池化目标检测与 IoUYOLO 实时检测物流视觉应用

本章导航

本章导航：从“会学”到“会看”

§13.1神经网络：一个参数由数据“试”出来的函数——神经元、激活、Softmax、前向与反向传播、梯度下降。

§13.2卷积神经网络：为图像而生的结构改造——局部感受野、权重共享、卷积、池化与经典架构。

§13.3目标检测：从“这是什么”到“有几个、在哪”——边界框、IoU、候选区域与 NMS。

§13.4YOLO 与应用：只看一次的单阶段检测，与分拣、车牌、质检等物流场景的落地实操。

导入

导入：分拣线上的一双眼睛

📦 包装破损了吗

分拣线上，摄像头每天要“看”成千上万件包裹，先判断外包装有没有破损。

🏷️ 这是什么货

纸箱、编织袋、塑料筐……类别要在包裹通过的瞬间认出来。

🚗 车牌号是多少

闸口车辆鱼贯而入，车牌要自动定位并读出号码。

这些事对人轻而易举，对计算机却极具挑战——
因为图像在机器眼里，只是一堆像素数值。

导入

机器眼中的图像：一堆没有语义的数字

图：同一张图像，在人眼与机器眼中的两种存在形式

对比前几章条码、RFID、数据库处理的都是结构清晰、特征明确的结构化数据；图像是非结构化数据——没有现成“字段”，语义无法从单个像素直接读出。

§13.1 神经网络

神经网络的本质：一个参数巨大的函数

和线性回归 $y=wx+b$ 一样，神经网络也是一个函数：输入一组数，输出一组数。区别在于它的参数（权重）不是人按业务逻辑推导的，而是用大量样本让机器自己“试”出来的——参数动辄成千上万。

🎯 万能逼近能力

结构足够复杂（层数、神经元足够多）再配上非线性激活，理论上可逼近任意复杂的输入输出映射——判破损、预测运单时长，同一套框架。

🧪 参数由数据驱动

适合“规则说不清、样本给得出”的问题：人写不出“纸箱 vs 编织袋”的规则，但能轻易备好上万张标注图。

§13.1 神经网络

两种范式：人写规则 vs 机器学参数

对比维度	规则驱动（第 9 章决策树等）	神经网络
判断逻辑从哪来	人凭经验事先设计每个分裂点与规则	从标注样本中自动学出（权重）
人的角色	规则设计者	数据与目标的提供者
擅长的数据	结构化、特征可枚举的表格数据	高维、非结构化数据（图像/语音/文本）
场景变化时	规则失效，需人工重新设计	换数据重新训练即可适应
典型失效	边界情况写不全	样本不够或标注质量差

不是替代关系字段清晰时决策树又快又可解释；图像这种规则枚举不出的任务，才轮到神经网络上场。

§13.1 神经网络

人工特征的时代：为什么撑不下去

🛠️ 老办法：人工设计特征

先用边缘检测、纹理提取等算法把图像变成一组人为定义的特征数值，再交给决策树、支持向量机等分类器判断。

💥 脆弱点

高度依赖设计者经验；光照、角度一变，原有特征规则就失效，得重新设计——泛化差、成本高。

神经网络的改变把“设计特征”这一步也交给机器：网络在海量标注样本中自己学出对任务最有效的特征表达。适合三类问题：数据高维非结构化、逻辑难写成规则但样本充足、需对细微模式敏感。

§13.1 神经网络

让函数“学”起来：三个前置条件

🗂️ 规模化标注数据

样本常需数千到百万级，每个都要有人工给出的正确答案。标注质量决定效果上限——这句话在 §13.4 还会回来。

🖥️ 强计算能力

训练是海量矩阵运算，靠 GPU 或专用 AI 芯片并行加速——与条码识别、数据库查询的算力需求完全不是一个量级。

🎯 明确的优化目标

用损失函数量出“预测与真实答案差多少”；训练就是不断调参让它变小（§13.1.5 细讲）。

输出三形态分类给概率分布、回归给连续数值；此外中间层的特征表达本身可迁移到其他任务复用——CNN 一节会用到。

§13.1 神经网络

神经元：一次加权求和加一次变形

图：神经元的计算结构

$$z = \sum_{i=1}^{n} w_i x_i + b = \mathbf{w}^{T} \mathbf{x} + b \qquad y = f(z)$$

式 (13-1)(13-2)$\mathbf{x}$ 输入向量、$\mathbf{w}$ 权重向量、$b$ 偏置、$f(\cdot)$ 激活函数。权重就是这个神经元“在乎”每个输入的程度——而它由训练学出。

§13.1 神经网络

激活函数：没有它，叠多少层都是直线

图：两种激活函数的形状

Sigmoid（式 13-3）

$$\sigma(z) = \frac{1}{1 + e^{-z}}$$早期常用于二分类输出层；两端导数趋 0，深层网络易梯度消失，输出均值不为 0。

ReLU（式 13-4）

$$\mathrm{ReLU}(z) = \max(0, z)$$当今最常用：计算极快、正半区导数恒为 1，大幅缓解梯度消失；代价是负半区神经元可能永久失活（Dying ReLU）。

为什么必须非线性线性变换叠线性变换仍等效于一次线性变换——没有激活，网络再深也画不出一条曲线。

§13.1 神经网络

多层感知机：神经元排成层

图 13-1 多层感知机（MLP）拓扑结构

通用近似定理单隐藏层、神经元足够多、带非线性激活的前馈网络，理论上能以任意精度逼近紧致集上的任意连续函数——“万能逼近”的出处。

§13.1 神经网络

前向传播：一层一层往后算

$$\mathbf{z}^{(l)} = \mathbf{W}^{(l)} \mathbf{a}^{(l-1)} + \mathbf{b}^{(l)} \qquad \mathbf{a}^{(l)} = f^{(l)}\big(\mathbf{z}^{(l)}\big)$$

🧮 读法（式 13-5 / 13-6）

第 $l$ 层：拿上一层的输出 $\mathbf{a}^{(l-1)}$，乘本层权重矩阵、加偏置，再过激活，得到本层输出。输入层进、输出层出，单向走完一遍就是一次预测。

💻 伪代码

for 每一层 layer:
z = W · 上层输出 + b
a = 激活函数(z)
输出最后一层的 a

§13.1 神经网络

Softmax：把得分翻译成概率

输出层先给出一组原始得分（logits）——可正可负、没有统一尺度，不能直接当“可能性”。Softmax 做两件事：取指数（变正、放大差距）＋归一化（总和为 1）。

$$\mathrm{Softmax}(z_i) = \frac{e^{z_i}}{\sum_{j=1}^{K} e^{z_j}}$$

教材例（复算）包裹分类得分［纸箱 2.1, 木箱 −0.3, 托盘 1.5］→ 概率约 ［0.61, 0.06, 0.33］：最可能是纸箱。下一页亲手拖一拖这三个得分。

§13.1 神经网络 · 动手

互动：Softmax 计算器

🎚️ 三个类别的原始得分（拖动滑杆）

📊 Softmax 概率

观察把某个得分拉高 1 分，概率不是多 1%——指数会放大差距；三个得分同时加同一个数，概率完全不变（归一化抵消）。

§13.1 神经网络

训练是怎么发生的：四步循环

图 13-2 训练的四步循环：预测 → 算误差 → 反推责任 → 小步改参

框架共用这套“预测—算误差—反向调参”的机制是所有神经网络变体共同的训练框架——CNN、YOLO 的差异只在层内怎么算，不在怎么训。

§13.1 神经网络

损失函数：给预测打分的尺子

📏 均方误差 MSE（式 13-8）· 回归

$$\mathcal{L}_{\mathrm{MSE}} = \frac{1}{N}\sum_{i=1}^{N} (y_i - \hat{y}_i)^2$$用于连续值预测，如货物尺寸测量、坐标定位：差得越远，平方罚得越重。

🎯 交叉熵 CE（式 13-9）· 分类

$$\mathcal{L}_{\mathrm{CE}} = -\sum_{k=1}^{K} y_k \log(\hat{y}_k)$$$y_k$ 是 one-hot 真标签，$\hat{y}_k$ 是 Softmax 概率：真类别概率越低，罚得越狠——与上一页正好衔接。

§13.1 神经网络

链式法则：把“责任”一层层传回去

看一个最小例子：输入 $x$ 经权重 $w$ 得 $z=wx$，再经激活得 $y=f(z)$，最后算出损失 $\mathcal{L}(y)$。损失对 $w$ 的导数，按链式法则就是三段相乘：

$$\frac{\partial \mathcal{L}}{\partial w} = \frac{\partial \mathcal{L}}{\partial y} \cdot \frac{\partial y}{\partial z} \cdot \frac{\partial z}{\partial w}$$

式 (13-10)误差反馈 × 激活导数 × 输入信号。反向传播就是程序沿网络拓扑自动完成这种连乘——多深的网络都一样，只是链条更长。

§13.1 神经网络

梯度下降：沿最陡方向迈一小步

图：学习率 α 的三种命运——下山步长决定成败

$$\mathbf{W} \leftarrow \mathbf{W} - \alpha \frac{\partial \mathcal{L}}{\partial \mathbf{W}} \qquad \mathbf{b} \leftarrow \mathbf{b} - \alpha \frac{\partial \mathcal{L}}{\partial \mathbf{b}}$$

式 (13-11)(13-12)负号是“逆着梯度走”（梯度指向上升最快方向）。实际训练用小批量 SGD 与带自适应步长的 Adam 优化器，在速度与稳定间折中。

§13.1 神经网络 · 教学动画

动画：《梯度下降与反向传播》（2 分 09 秒）

观看要点 ①损失曲面上的一小球如何沿负梯度滚动——步长不同，命运为何不同。

观看要点 ②误差信号反向穿过每一层时，链式法则的连乘在画面上如何对应。

观看要点 ③一轮“前向—损失—反向—更新”结束，参数只动了一点点：训练为何要成千上万轮。

§13.2 卷积神经网络

把图像喂给全连接网络：两个病

💣 病一：参数爆炸

200×200 彩色图展开有 120,000 个输入；首层设 1000 个神经元，仅这一层权重就达 1.2 亿——训练数据与算力随之膨胀，还极易过拟合。

🧩 病二：空间结构被打散

图像展平成一维后，像素的二维邻接关系消失：相邻像素与远端像素在网络眼里无区别——可包裹的轮廓、纹理恰恰由相邻像素的关系构成。

病根全连接假设“每个输入与每个输出都可能相关”，这对表格字段成立，对图像既浪费又失真。

§13.2 卷积神经网络

CNN 的两剂药：局部感受野＋权重共享

图：CNN 的两个核心机制

一句话把“全局无差别关联”换成“局部关联＋参数复用”：边缘检测器在图左能找边缘，在图右也该能找——同一套参数理应通用。

§13.2 卷积神经网络

MLP 与 CNN：一张表看清差别

维度	MLP	CNN
输入形式	一维向量，需先展平 H×W×C	三维张量，保留原始结构
首层参数量级（224×224×3 输入）	1000 个隐藏单元 ≈ 1.5×10⁸	64 个 3×3 卷积核 ≈ 1.8×10³
空间拓扑关系	完全丢失	完整保留，核在平面上滑动
平移不变性	不具备	具备（权重共享＋池化）
典型输出形态	单一的类别得分向量	多通道特征图，可接检测/分割头

表 13-1参数差了五个数量级——不是 CNN 更“聪明”，是它的结构假设更符合图像。

§13.2 卷积神经网络

CNN 的流水线：卷积—激活—池化，反复堆叠

图 13-3 卷积神经网络的基本处理流程

教材代码 MiniCNN两组“卷积＋ReLU＋池化”后接全连接：224×224 输入经两次 2×2 池化变 56×56、32 通道，展平为 32×56×56 喂给分类头（二分类：良品 / 破损）。训练仍用反向传播，只是多了卷积核的梯度。

§13.2 卷积神经网络

卷积运算：核滑过图像，逐点乘加

$$O(i,j) = \sum_{m=0}^{F-1} \sum_{n=0}^{F-1} I(i+m,\ j+n) \cdot K(m,n) + b$$

🧮 一步的算例

窗口［2 0 1 / 1 3 0 / 0 1 2］与核［1 0 −1 / 0 1 0 / −1 0 1］对应相乘再求和：2＋0−1＋0＋3＋0＋0＋0＋2 ＝ 6——这就是特征图上一个点的诞生。

🔍 它到底在算什么

本质是在问：“这块局部区域像不像核所代表的模式？”像，响应就大；不像，响应就小甚至为负。核的数值不是人设的，是训练学出的“模式模板”。

§13.2 卷积神经网络

卷积核即模式检测器：边缘是怎么被“看见”的

🌓 左暗右亮的图像块

10 10 90
10 10 90
10 10 90

🎛️ 垂直边缘核

−1 0 1
−1 0 1
−1 0 1

⚡ 响应对比

边缘块：每行 −10＋90＝80，三行共 240（强响应）；
全 50 的平坦块：每行 −50＋50＝0，共 0（无响应）。

推广换一组核数值，就能对角点、纹理等其他模式敏感。一层放几十个核，就同时“看”几十种模式——下一页的演示用的正是这个边缘核。

§13.2 卷积神经网络 · 动手

互动：卷积步进演示

输入图像 5×5（左暗右亮，中间一道竖边缘）

卷积核 3×3（垂直边缘检测）

输出特征图 3×3

看结论九步走完：中间一列响应最强——核“找到”了边缘所在的那一列。这正是特征图这个名字的来历。

§13.2 卷积神经网络

步长、填充与输出尺寸公式

👣 步长 Stride

核每次滑动的像素数。步长越大，输出越小、计算越省——相当于隔点采样。

🖼️ 填充 Padding

在图像边缘补零圈：让边缘像素也被充分利用，并可控制输出尺寸不缩水。

$$W_{out} = \left\lfloor \frac{W - F + 2P}{S} \right\rfloor + 1$$

习题 5 上半场输入 32×32、核 5×5、S＝1、无填充：$W_{out} = (32-5)/1 + 1 =$ 28——输出 28×28。下一页池化接着算下半场。

§13.2 卷积神经网络

池化：留最强的，扔冗余的

图：最大池化的一次完整计算（式 13-15）

两个收益＋习题 5 下半场尺寸压缩 → 后续计算与参数减少；目标小幅平移，最大值还在窗口里 → 平移不变性（传送带上包裹位置微偏也不怕）。续上页：28×28 经 2×2、S＝2 池化 → 14×14。

§13.2 卷积神经网络

多核与特征层级：越深越抽象

一层多核每层并行放几十个核（32、64…），每个提取一种特征，叠成多通道特征图作下层输入。

浅层看细节靠前的层感受野小，提取边缘、颜色、纹理等初级特征。

深层看语义层层叠加后感受野扩大，组合出轮廓、部件乃至物体结构——目标检测能认复杂物体，靠的是这条链。

与 §13.1 的呼应中间层特征可迁移复用，正是第 8 页“输出三形态”里说的第三种价值。

§13.2 卷积神经网络

经典架构演进：LeNet → AlexNet → VGG → ResNet

LeNet（1990s）雏形：两组卷积＋池化＋全连接，识别手写数字——结构简单、任务简单。

AlexNet（2012）加深网络＋ReLU＋GPU 并行训练，在图像分类竞赛中大幅超越人工特征方法——深度 CNN 的发令枪。

VGG统一用 3×3 小核堆深度：多个小核叠出的感受野≈大核，参数却更少。

ResNet层数过深时梯度逐层衰减、训不动——跳跃连接给梯度修一条直达通道，上百上千层也能训。

残差连接（式 13-16）：$$\mathrm{Output} = F(x) + x$$

§13.2 卷积神经网络 · 教学动画

动画：《卷积与池化》（2 分 42 秒 · 修正版）

观看要点 ①卷积核滑动时窗口如何扫过全图，与互动页的手算互为印证。

观看要点 ②同一图像换不同的核，特征图如何完全变样——“核即模式模板”的动态版。

观看要点 ③最大池化前后特征图的尺寸与数值变化，对照第 28 页的数字例。

§13.3 目标检测原理

从分类到检测：问题变难在哪

🏷️ 分类只答一问

“这张图是什么？”——默认图里只有一个主体，输出一个固定长度的概率向量即可。

🎯 检测要答一组问

传送带画面里同时有若干包裹、叉车、行人：有几个、各在哪、分别是什么——三个问题一起答。

核心难点目标数量不定：可能零个，也可能几十个。固定长度的输出向量装不下这种答案——检测的全部结构设计都在绕这个坎。

§13.3 目标检测原理

边界框：把“位置”变成四个数

表示法	四个数	适合
角点式	(x_min, y_min, x_max, y_max)：左上＋右下	标注与 IoU 计算直观
中心式	(x_center, y_center, w, h)：中心＋宽高	网络回归预测常用（YOLO）

本质定位被翻译成一个回归问题：预测一组有明确几何含义的连续数值——与 §13.1 的回归任务同一种数学形式。框得准不准，要有把尺子：下一页的 IoU。

§13.3 目标检测原理

IoU：框得准不准的尺子

图：IoU 的一次手算

$$IoU(A, B) = \frac{|A \cap B|}{|A \cup B|}$$

式 (13-17) · 两个用途训练时：按 IoU 给候选框分正/负样本；预测时：评估质量，并支撑下一步的去冗余（NMS）。

§13.3 目标检测原理

候选区域：从穷举到“先粗筛、再精判”

滑动窗口固定窗口滑遍全图逐一送分类器：逻辑简单，但位置×尺寸组合爆炸，实时性无从谈起。

两阶段 R-CNN 家族先用 RPN（区域建议网络）快速圈出少量“可能有目标”的候选区，再逐一精细分类＋框修正。精度高，但两步串行、速度仍受限。

锚框 Anchor在每个位置预置几种尺寸/长宽比的参考框，网络只预测“相对锚框的微调量”——把开放的位置预测，变成有限选项下的微调问题。

§13.3 目标检测原理

NMS：同一个目标，只留最有把握的那个框

为什么需要相邻候选区/锚框都会“看上”同一个目标，一个包裹被框出三四次——输出必须去重。

五步流程按置信度排序 → 取最高分框进输出 → 算它与剩余框的 IoU → IoU 超阈值（如 0.5）的判为重复、删掉 → 重复，直到候选集清空。

定位它不是网络的一部分，而是出结果前必不可少的后处理——单阶段、两阶段方法都要过这一关。

下一部动画《NMS 与 YOLO 网格》会把这个过程连同 YOLO 的网格划分一起演出来。

§13.3 目标检测原理

检测网络全景：分类与回归一起练

图：典型目标检测网络的整体流程（两阶段为例）

$$L = L_{cls} + \lambda L_{box}$$

式 (13-18)分类损失管“是什么”，回归损失管“在哪”，λ 平衡两者——分类＋回归联合训练是检测网络的签名式结构，YOLO 亦然。

§13.3 目标检测原理 · 教学动画

动画：《NMS 与 YOLO 网格》（1 分 52 秒）

观看要点 ①同一目标冒出一堆重叠框时，NMS 如何按置信度逐个“留一删余”。

观看要点 ②YOLO 的网格划分：目标中心落进哪个格子，就归哪个格子负责。

观看要点 ③从满屏候选到干净输出，后处理前后的画面对比。

§13.4 YOLO 简介及应用

YOLO：把检测压成一次前向计算

🐢 两阶段为什么慢

候选区常达上千个，还要逐一分类精修——串行两步走。分拣线、闸口要的是每秒数十帧，延迟直接卡住后续的分流、放行动作。

⚡ YOLO 的答案

You Only Look Once：整图一次送进网络，一次前向就同时给出所有目标的类别与位置——检测被改写成一个单阶段回归问题。

代价与回报省掉候选筛选换来数量级的提速；早期版本对密集小目标易漏检——版本演进（第 41 页）一直在补这块短板。

§13.4 YOLO 简介及应用

网格输出：数量不定的问题，固定尺寸的答案

图：YOLO 的网格分工——中心落在哪个格子，哪个格子负责预测它

$$L = \lambda_{coord} L_{coord} + L_{conf} + L_{cls}$$

式 (13-19)损失三件套：坐标、置信度、分类。推理出框后仍要过 NMS 去重——单阶段并不豁免后处理。

§13.4 YOLO 简介及应用

YOLO 的演进：一直在补精度的短板

早期版本简单网格＋全连接输出：速度优势明显，密集小目标易漏检（传送带上紧贴的小件包裹）。

中期改进引入锚框（借自 Faster R-CNN）、多尺度特征融合（不同深度层各测一档尺寸）、更深的残差骨干——精度追近两阶段，速度仍远快。

近年方向结构轻量化、无锚框（anchor-free）、训练策略优化：既能上服务器处理高并发视频流，也能压缩进边缘设备与嵌入式摄像头（呼应第 5 章边缘计算）。

§13.4 YOLO 简介及应用

YOLO 在物流的四个主场

📦 分拣中心 · 包裹定位

传送带上方摄像头逐帧检测包裹位置与边界框，为机械臂抓取、自动分流提供坐标输入。

🏭 出入库 · 货物核验

识别托盘编号与外包装类别标识，与条码/RFID（第 2、3 章）多模态互验。

🚗 园区闸口 · 车辆识别

车型识别与车牌定位，配合闸口系统自动放行。

⛑️ 作业安全 · 行为监测

检测安全帽、反光背心佩戴与禁行区闯入（如叉车作业区），实时预警。

§13.4 YOLO 简介及应用

效果从哪来：精度不在模型里，在数据里

✅ 相对传统方案

一台摄像头同时认多目标并给出类别与位置，减少固定传感器阵列；无人值守不知疲倦，漏检错检不再随班次波动；单阶段速度跟得上产线节拍，不成瓶颈。

⚠️ 部署的实话

精度与训练数据的规模与标注质量直接挂钩；换到新场景（特定光照、特定包装）通常要采集本场数据再微调，拿通用模型直接上产线，效果多半不稳。

回扣第 8 页“标注质量决定效果上限”在工业现场是真金白银的结论——预算的大头往往在数据，不在模型。

§13.4 YOLO 简介及应用

实操路线：从一张包裹照片开始

环境训练建议 NVIDIA GPU（显存 ≥8GB、支持 CUDA）；仅推理时普通 GPU 甚至较强的边缘设备也可。软件：Python 3.8+、PyTorch、ultralytics 库。

五步备数据并标注边界框 → 加载预训练权重（如 yolov8n）→ （可选）自有数据微调（设 epoch、batch、学习率，看损失下降）→ 推理输出框/类别/置信度并过 NMS → 绘框核验或把坐标喂给分拣、抓取设备。

代码骨架model = YOLO("yolov8n.pt")
results = model("package_conveyor.jpg") # box.cls / box.conf / box.xyxy 逐框可读

教学建议用小规模自建包裹数据集走完一遍标注→训练→推理全流程，比多看十页原理更长记性。

本章小结

一句话带走本章：特征不用人设计，让数据教机器看

📌 本章带走的六件事

神经网络＝参数由数据学出的函数；规则写不清、样本给得出时用它
神经元＝加权求和＋激活；Softmax 把得分变成可比的概率
训练＝前向预测、算损失、反向传播求梯度、梯度下降改参，四步循环
CNN 两机制：局部感受野＋权重共享；卷积提特征、池化压缩并稳平移
检测＝定位＋分类：边界框、IoU 分样本、NMS 去冗余、分类＋回归联合损失
YOLO 单阶段一次前向出全部结果，为实时物流视觉而生；精度靠数据

✍️ 课后思考

习题 2：全网去掉激活函数会发生什么？用式 (13-1) 说清
习题 5：32×32 输入、5×5 核卷积再 2×2 池化，尺寸剩多少？（第 27—28 页）
习题 7：为一个物流场景列全 YOLO 落地的条件清单

下一章预告：第 14 章大模型应用基础 —— 从“看懂图像”到“读懂语言”。

完整习题（共 7 题）与参考文献见教材第 13 章章末 · 本幻灯片与教材网站 book.400074.xyz 配套使用

习题讨论

习题讨论：七道题的落点

习题 1与规则驱动方法的本质区别；为何更适合非结构化数据（第 5—7 页）

习题 2激活函数的作用；全网不用激活的后果（第 10 页）

习题 3反向传播＋梯度下降的训练流程；学习率的含义（第 15、18 页）

习题 4CNN 降参数的两个机制各解决什么问题（第 21—22 页）

习题 5尺寸计算：32×32 → 卷积 → 池化（第 27—28 页，互动第 26 页可复算小例）

习题 6检测与分类的区别；输出结构为何更复杂（第 32、40 页）

习题 7自选物流场景：YOLO 落地的数据、算力、环境条件与影响因素（第 42—44 页）

参考文献

参考文献与延伸阅读

[1]LECUN Y, et al. Gradient-based learning applied to document recognition. Proc. IEEE, 1998（LeNet）

[2]KRIZHEVSKY A, et al. ImageNet classification with deep convolutional neural networks. CACM, 2017（AlexNet）

[3]HE K, et al. Deep residual learning for image recognition. CVPR, 2016（ResNet）

[4]REN S, et al. Faster R-CNN: Towards real-time object detection with region proposal networks. TPAMI, 2017

[5]REDMON J, et al. You only look once: Unified, real-time object detection. CVPR, 2016（YOLO）

[6][7]Ultralytics YOLOv8 / YOLO11（开源实现）；GOODFELLOW I, et al. Deep Learning. MIT Press, 2016（系统教材）

延伸动手按教材 §13.4.5 用 ultralytics 在自建小数据集上跑通一次检测推理，再回看本章的 NMS 与网格两页，理解会完全不同。

第13章计算机视觉

本章导航：从“会学”到“会看”

导入：分拣线上的一双眼睛

📦 包装破损了吗

🏷️ 这是什么货

🚗 车牌号是多少

机器眼中的图像：一堆没有语义的数字

神经网络的本质：一个参数巨大的函数

🎯 万能逼近能力

🧪 参数由数据驱动

两种范式：人写规则 vs 机器学参数

人工特征的时代：为什么撑不下去

🛠️ 老办法：人工设计特征

💥 脆弱点

让函数“学”起来：三个前置条件

🗂️ 规模化标注数据

🖥️ 强计算能力

🎯 明确的优化目标

神经元：一次加权求和加一次变形

激活函数：没有它，叠多少层都是直线

Sigmoid（式 13-3）

ReLU（式 13-4）

多层感知机：神经元排成层

前向传播：一层一层往后算

🧮 读法（式 13-5 / 13-6）

💻 伪代码

Softmax：把得分翻译成概率

互动：Softmax 计算器

🎚️ 三个类别的原始得分（拖动滑杆）

📊 Softmax 概率

训练是怎么发生的：四步循环

损失函数：给预测打分的尺子

📏 均方误差 MSE（式 13-8）· 回归

🎯 交叉熵 CE（式 13-9）· 分类

链式法则：把“责任”一层层传回去

梯度下降：沿最陡方向迈一小步

动画：《梯度下降与反向传播》（2 分 09 秒）

把图像喂给全连接网络：两个病

💣 病一：参数爆炸

🧩 病二：空间结构被打散

CNN 的两剂药：局部感受野 ＋ 权重共享

MLP 与 CNN：一张表看清差别

CNN 的流水线：卷积—激活—池化，反复堆叠

卷积运算：核滑过图像，逐点乘加

🧮 一步的算例

🔍 它到底在算什么

卷积核即模式检测器：边缘是怎么被“看见”的

🌓 左暗右亮的图像块

🎛️ 垂直边缘核

⚡ 响应对比

互动：卷积步进演示

步长、填充与输出尺寸公式

👣 步长 Stride

🖼️ 填充 Padding

池化：留最强的，扔冗余的

多核与特征层级：越深越抽象

经典架构演进：LeNet → AlexNet → VGG → ResNet

动画：《卷积与池化》（2 分 42 秒 · 修正版）

从分类到检测：问题变难在哪

🏷️ 分类只答一问

🎯 检测要答一组问

边界框：把“位置”变成四个数

IoU：框得准不准的尺子

候选区域：从穷举到“先粗筛、再精判”

NMS：同一个目标，只留最有把握的那个框

检测网络全景：分类与回归一起练

动画：《NMS 与 YOLO 网格》（1 分 52 秒）

YOLO：把检测压成一次前向计算

🐢 两阶段为什么慢

⚡ YOLO 的答案

网格输出：数量不定的问题，固定尺寸的答案

YOLO 的演进：一直在补精度的短板

YOLO 在物流的四个主场

📦 分拣中心 · 包裹定位

🏭 出入库 · 货物核验

🚗 园区闸口 · 车辆识别

⛑️ 作业安全 · 行为监测

效果从哪来：精度不在模型里，在数据里

✅ 相对传统方案

⚠️ 部署的实话

第13章
计算机视觉

CNN 的两剂药：局部感受野＋权重共享