1. 研究目的与意义
目标检测是计算机视觉中的一个重要分支，常用的方法有 R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD等。在这些算法之中，YOLO 以其较高的准确率、实时性和较小的模型而较为出名。YOLOv5s 的模型大小可以到达到 27 MB，单一图片的推理时间能够达到7ms，也就是140FPS，这是目前对象检测领域的State-of-the-art。基于 YOLO 模型训练出来的口罩检测模型，可以部署在一些嵌入式设备中，从而运用在公共监控等领域。
2. 研究内容和预期目标
研究内容：
（1）深入了解学习深度学习的理论基础知识（2）学习 YOLO 网络的评价指标和网络中的 backbone、neck、head、bounding box、anchor、mosaic 数据增强、loss 函数设计等技术方面的细节
（3）针对现有数据集的检测结果对 YOLO 网络进行调整优化
3. 国内外研究现状
自 2012 年 Hinton 设计的 AlexNet 获得 ImageNet 竞赛冠军以来，人们便开始更多的关注卷积神经网络 CNN，之后也启发了 VGG、GoogLeNet 等知名的卷积神经网络，而 YOLOv1 就是基于 GoogLeNet 的 backbone 进行改进。
在 YOLOv1 提出以前，常用的基于深度学习的目标检测算法为 R-CNN 系列，其方法可以认为先使用 Region Proposal Network（RPN）网络生成一系列样本的候选框，然后使用 CNN 网络对候选框进行识别并分类。
这种方法的精确度取决于其候选框的提取，而且耗时大，Faster R-CNN 网络在 GPU 上检测 PASCAL VOC 的速度达到 5 frame per second (FPS)，而 mean average precision (mAP) 达到 73.2%。
4. 计划与进度安排
2022.1.10-2022.2.20 学习深度学习相关知识，设计并开发算法雏形
2022.2.21-2022.3.20 针对现有算法进行测试，并且尝试对网络参数进行修改和微调
2022.3.21-2022.4.20 撰写并修改毕业论文
5. 参考文献
1. Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C] CVPR. 2014: 580-587.
2. Girshick R. Fast r-cnn[C] IEEE international conference on computer vision. 2015: 1440-1448
3. Ren S , He K , Girshick R , et al. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks[J]. IEEE Transactions on Pattern Analysis amp; Machin e Intelligence, 2017, 39(6):1137-1 149.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
