【深度学习】计算机视觉（CV）-目标检测-SSD（Single Shot MultiBox Detector）—— 单次检测多框检测器

ops/2025/2/22 20:20:24/

🔹 SSD（Single Shot MultiBox Detector）—— 单次检测多框检测器

1️⃣ 什么是 SSD？

SSD (Single Shot MultiBox Detector) 是一种用于 目标检测（Object Detection） 的 深度学习模型，由 Wei Liu 等人 在 2016 年提出。
它采用 单阶段（Single Stage） 方法，能够 直接从图像中检测多个对象，并输出类别和边界框，比传统的两阶段方法（如 Faster R-CNN）更快。

2️⃣ SSD 的核心特点

✅ 单阶段检测：相比 Faster R-CNN 需要两步（提取区域 + 识别），SSD 一步 就能完成目标检测。
✅ 多尺度特征检测：在 不同层级 进行检测，以适应大、小目标。
✅ 高效的先验框（Default Boxes）：类似 YOLO 的锚框（Anchor Boxes），用于提高检测精度。
✅ 轻量级计算：比 Faster R-CNN 更快，适用于 实时检测。

3️⃣ SSD 的网络结构

SSD 采用 VGG16 或 MobileNet 作为骨干网络（Backbone），然后在 不同尺度的特征图上检测目标。

📌 SSD 结构分为三部分： 1️⃣ 主干网络（Backbone）：通常是 VGG16 或 MobileNet，用于提取特征。
2️⃣ 多尺度检测层（Extra Feature Layers）：在不同层进行检测，提高小目标的检测效果。
3️⃣ 预测层（Prediction Layers）：利用 默认框（Default Boxes） 进行分类和回归。

📌 SSD 典型架构

输入图像（300x300） ➝ VGG16 提取特征 ➝ 额外卷积层 ➝ 多尺度检测 ➝ 输出目标类别和边界框

4️⃣ SSD 的核心算法

📌 1️⃣ 多尺度特征图（Feature Maps）

  • SSD 在 不同尺度 进行检测，例如：
    • conv4_3 层（大目标检测）
    • conv7 层（中等目标）
    • conv8_2 ~ conv11_2 层（小目标）
  • 这样能 同时检测不同尺寸的物体，提高检测精度。

📌 2️⃣ 默认框（Default Boxes）

  • SSD 采用 多个尺寸和纵横比的默认框 进行检测。
  • 例如，一个位置可以有多个比例（1:1、1:2、2:1）和大小的框。
  • 通过非极大值抑制（NMS）筛选最优框。

📌 3️⃣ 损失函数（Loss Function） SSD 采用 多任务损失：

L = L_{\text{loc}} + \alpha L_{\text{conf}}

  • 定位损失（L_loc）：使用 Smooth L1 Loss 计算真实框和预测框的误差。
  • 分类损失（L_conf）：使用 交叉熵（Cross Entropy） 进行类别预测。
  • 困难样本挖掘（Hard Negative Mining）：平衡正负样本，防止负样本过多。
5️⃣ SSD 代码示例

✅ 使用 PyTorch 训练 SSD

import torch
import torchvision
from torchvision.models.detection import ssd300_vgg16# 加载 SSD 预训练模型（VGG16 作为骨干网络）
model = ssd300_vgg16(pretrained=True)
model.eval()  # 设为评估模式# 加载测试图像
image = torch.rand(1, 3, 300, 300)  # 生成一个随机图像
output = model(image)  # 进行目标检测# 输出检测结果
print(output)

📌 输出示例

[{'boxes': tensor([[  4.3774,   0.0000, 296.1398, 296.1545],[  4.3993,   0.0000, 296.4670, 296.7289],[  7.9937,   2.4237, 294.5887, 296.1728],[ 69.2036,   1.6595, 224.8485,  89.6344],[ 26.9926,   6.7602, 121.4106, 144.2272],[ 92.4211,   0.0000, 229.8040, 208.3294],[  1.3626,  23.1578,  93.5442, 289.2806],[  4.3993,   0.0000, 296.4670, 296.7289],[ 76.6926,   5.4309, 149.0640, 156.7170],[ 10.3550,   6.2502, 197.3316, 181.1919],[106.9824,   4.5797, 182.2237, 157.4160],[132.2069,   8.6678, 219.1386, 144.4542],[ 79.0658,  30.8220, 213.8745, 120.1073],[142.0560,  44.9816, 300.0000, 261.8794],[ 43.9961,  60.6780, 113.4670, 221.8410],[  4.8406,   3.4960, 173.2399,  85.3488],[168.6355,   3.2111, 246.1957, 157.3428],[115.9878,  18.3186, 190.0469,  94.4698],[  7.9937,   2.4237, 294.5887, 296.1728],[  1.8401,   2.7173,  80.9552,  81.3943],[ 84.2810,  18.5298, 157.4316,  93.6491],[  4.3774,   0.0000, 296.1398, 296.1545],[163.0305,  19.0193, 237.7007,  94.0890],[140.2142,   0.0000, 290.2731,  92.2141],[  0.7699,  84.9703,  99.9977, 201.1923],[ 20.7645,   7.6457,  58.4122,  72.7975],[ 49.2734,  18.8153, 125.7265,  94.6529],[ 37.5175,   8.6355,  74.5134,  72.0357],[ 49.3139,  70.5232, 175.3022, 209.0820],[206.2103,  51.5114, 283.0901, 233.4067],[ 54.2698,   9.4817,  89.9449,  71.6526],[  4.3774,   0.0000, 296.1398, 296.1545],[ 68.4321,  34.4477, 140.9630, 108.9126],[117.4278,  83.9086, 187.3821, 157.0109],[ 83.9005,  68.8995, 211.3797, 152.5351],[  4.3724,   7.1513,  41.6993,  74.3836],[ 11.2119,  66.5362, 142.1151, 153.6605],[176.0526,   4.2302, 259.2906,  77.8738],[ 16.5305,  32.5297,  93.1180, 111.5275],[172.7833,  59.0675, 240.8657, 224.4151],[ 70.6702,  26.6661, 105.3486,  87.4191],[ 86.4020,  84.3180, 155.8031, 156.8705],[  3.9825,  39.6654, 164.5469, 116.8739],[102.0017,  99.2526, 171.5490, 173.6638],[  9.4001,   4.1654, 292.2263, 292.6517],[218.2317,  99.7507, 245.6188, 175.6490],[ 12.5375, 109.5155, 139.7209, 252.5660],[148.9126,  85.0168, 219.4572, 156.0667],[143.6943,   0.0000, 208.8078,  92.9759],[218.0947, 131.8932, 245.6517, 206.9023],[ 86.6296,  27.1547, 121.8965,  86.9736],[182.1451,  26.4790, 218.2385,  87.4392],[ 85.6868,  51.3363, 156.9124, 124.8844],[201.7919,  20.3948, 230.0636,  95.3969],[ 58.6690,  85.6201,  86.4400, 158.0279],[237.8976,  79.2133, 299.4106, 267.3134],[ 74.1663,  86.0775, 101.9228, 158.3806],[ 38.3397,  42.0953,  73.8427, 104.3351],[118.3740,  26.3185, 154.1633,  86.7665],[165.9606,  26.4949, 202.2519,  87.1502],[102.2428,  26.6385, 138.0445,  86.6755],[116.5572,  50.8512, 188.6578, 125.3926],[133.5854,  99.5528, 203.4103, 173.3626],[ 41.6178,  85.4544,  70.0365, 157.4289],[ 89.9596,  85.9436, 117.8041, 158.6940],[ 34.2198,  84.6780, 108.1625, 157.1806],[ 58.2119,  36.3685,  86.1674, 111.0400],[134.3326,  26.1657, 170.1573,  87.0323],[153.1971,  20.0751, 182.6458,  94.6176],[105.8610,  85.7882, 134.1690, 158.7567],[130.4643,  39.4638, 294.5816, 115.5758],[233.8322,  99.0858, 261.7257, 177.0587],[  0.0000,  46.8298,  41.8673, 248.9998],[218.0107,  20.5122, 245.8064,  95.4748],[233.4248, 131.2962, 261.9585, 207.5430],[ 22.0550,  41.2268,  57.4551, 104.8794],[121.7302,  85.4249, 150.3270, 158.4747],[  6.2010, 154.6621,  82.9141, 299.6869],[202.2049,  84.8620, 229.4331, 158.9373],[147.7037,  51.0245, 220.5701, 124.3972],[ 89.8940,  52.5901, 117.6983, 126.6781],[ 28.1485,   2.2970,  83.0982,  48.7126],[ 52.0133,  99.9635, 123.1805, 173.4247],[ 34.3082,  50.2485, 108.2714, 125.6584],[212.5328,  97.9328, 284.7024, 174.2638],[202.5374,   1.6573, 289.3676, 161.6270],[ 74.0387,  52.5599, 101.7447, 126.6867],[ 49.3417,  93.9316, 277.1458, 227.4363],[117.9579, 115.3029, 186.7402, 189.8200],[ 42.2042, 127.9100, 114.5919, 287.4723],[  9.4001,   4.1654, 292.2263, 292.6517],[  4.3993,   0.0000, 296.4670, 296.7289],[  9.4001,   4.1654, 292.2263, 292.6517],[ 92.4211,   0.0000, 229.8040, 208.3294],[  4.3774,   0.0000, 296.1398, 296.1545],[  9.4001,   4.1654, 292.2263, 292.6517],[  4.3774,   0.0000, 296.1398, 296.1545],[ 71.9093, 171.6278, 221.8463, 295.5115],[  7.9937,   2.4237, 294.5887, 296.1728],[  4.3774,   0.0000, 296.1398, 296.1545]], grad_fn=<StackBackward0>), 'scores': tensor([0.0638, 0.0606, 0.0548, 0.0468, 0.0463, 0.0453, 0.0450, 0.0424, 0.0402,0.0398, 0.0373, 0.0369, 0.0350, 0.0349, 0.0331, 0.0331, 0.0331, 0.0324,0.0323, 0.0315, 0.0314, 0.0308, 0.0295, 0.0286, 0.0282, 0.0276, 0.0271,0.0269, 0.0257, 0.0249, 0.0247, 0.0247, 0.0247, 0.0245, 0.0241, 0.0238,0.0237, 0.0235, 0.0234, 0.0232, 0.0227, 0.0226, 0.0225, 0.0223, 0.0222,0.0222, 0.0221, 0.0219, 0.0219, 0.0218, 0.0218, 0.0218, 0.0218, 0.0217,0.0216, 0.0214, 0.0213, 0.0213, 0.0213, 0.0212, 0.0211, 0.0210, 0.0209,0.0209, 0.0209, 0.0209, 0.0208, 0.0208, 0.0206, 0.0206, 0.0206, 0.0205,0.0203, 0.0202, 0.0202, 0.0202, 0.0202, 0.0202, 0.0200, 0.0199, 0.0195,0.0194, 0.0194, 0.0193, 0.0193, 0.0193, 0.0193, 0.0192, 0.0192, 0.0192,0.0192, 0.0173, 0.0163, 0.0130, 0.0119, 0.0119, 0.0112, 0.0111, 0.0111,0.0110], grad_fn=<IndexBackward0>), 'labels': tensor([61,  1, 28,  1,  1,  1,  1, 65,  1,  1,  1,  1,  1,  1,  1,  1,  1,  1,38,  1,  1,  5,  1,  1,  1,  1,  1,  1,  1,  1,  1, 52,  1,  1,  1,  1,1,  1,  1,  1,  1,  1,  1,  1, 16,  1,  1,  1,  1,  1,  1,  1,  1,  1,1,  1,  1,  1,  1,  1,  1,  1,  1,  1,  1,  1,  1,  1,  1,  1,  1,  1,1,  1,  1,  1,  1,  1,  1,  1,  1,  1,  1,  1,  1,  1,  1,  1,  1,  1,84,  9, 32, 52, 67, 41, 36,  5, 35, 19])}]

✅ 使用 OpenCV 进行目标检测

import cv2
import numpy as np
import torch
from torchvision.models.detection import ssd300_vgg16, SSD300_VGG16_Weights# 使用绝对路径
image_path = r"D:\Pictures\test.jpg"# 读取图像
image = cv2.imread(image_path)
image = cv2.resize(image, (300, 300))
image_tensor = torch.from_numpy(image.transpose(2, 0, 1)).float().unsqueeze(0)# 加载模型
model = ssd300_vgg16(weights=SSD300_VGG16_Weights.DEFAULT)
model.eval()# 进行预测
output = model(image_tensor)# 解析检测结果
for box, score in zip(output[0]['boxes'], output[0]['scores']):if score > 0.5:  # 设定置信度阈值x1, y1, x2, y2 = map(int, box.tolist())cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2)# 显示检测结果
cv2.imshow("SSD Detection", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

 

6️⃣ SSD vs 其他目标检测算法
模型类型速度（FPS）检测精度（mAP）优点缺点
SSD单阶段⚡ 45+🎯 74.3速度快，多尺度检测小目标精度较低
YOLO单阶段⚡ 60+🎯 63.4速度极快细节检测能力较差
Faster R-CNN双阶段⏳ 5-10🎯 76.4高精度速度较慢
7️⃣ SSD 的应用

✅ 自动驾驶（Autonomous Driving） 🚗
✅ 人脸检测（Face Detection） 😃
✅ 视频监控（Surveillance） 📹
✅ 工业检测（Industrial Inspection） 🏭
✅ 智能安防（Smart Security） 🏢

8️⃣ SSD 的优化方向

🚀 改进骨干网络（如 ResNet、MobileNet），提升特征提取能力。
🚀 结合 Transformer（如 DETR），增强全局信息建模。
🚀 提高小目标检测能力（如 FPN、注意力机制）。

📌 总结

✅ SSD 是一种单阶段目标检测方法，速度快，适合实时检测。
✅ SSD 采用多尺度特征图和默认框，提高检测精度。
✅ 相比 Faster R-CNN，SSD 速度更快，但小目标检测性能稍弱。
✅ 广泛应用于自动驾驶、人脸检测、工业检测等领域。

🎯 SSD 结合 YOLO 的高效性和 Faster R-CNN 的精度，使其成为实时目标检测的优秀选择！ 🚀


http://www.ppmy.cn/ops/158539.html

相关文章

2.1 JUnit 5 测试发现机制详解

2.1 JUnit 5 测试发现机制详解

JUnit 5 测试发现机制详解 JUnit 5 的测试发现机制是框架的核心功能之一&#xff0c;负责识别测试类、方法和其他可执行元素&#xff0c;并构建出可执行的测试计划。该机制通过模块化设计支持高度扩展性&#xff0c;允许开发者自定义测试发现规则。以下是其工作原理的详细解析…
阅读更多...
常用查找算法整理（顺序查找、二分查找、哈希查找、二叉排序树查找、平衡二叉树查找、红黑树查找、B树和B+树查找、分块查找）

常用查找算法整理（顺序查找、二分查找、哈希查找、二叉排序树查找、平衡二叉树查找、红黑树查找、B树和B+树查找、分块查找）

常用的查找算法&#xff1a; 顺序查找&#xff1a;最简单的查找算法&#xff0c;适用于无序或数据量小的情况&#xff0c;逐个元素比较查找目标值。二分查找&#xff1a;要求数据有序&#xff0c;通过不断比较中间元素与目标值&#xff0c;将查找范围缩小一半&#xff0c;效率…
阅读更多...
YOLOV8的记录（一） 环境配置和安装

YOLOV8的记录（一） 环境配置和安装

• YOLOV8的环境要求&#xff1a; YOLO集成在ultralytics库中&#xff0c;ultralytics库的环境要求&#xff1a; Python>3.7 PyTorch>1.10.0 在按照所需python版本新建好的conda环境中安装好torch&#xff0c;然后&#xff1a; pip install ultralytics • 下载模型…
阅读更多...
UniApp 如何处理不同平台的差异？

UniApp 如何处理不同平台的差异？

在开发跨平台应用时&#xff0c;UniApp 提供了一系列方法和工具来处理不同平台之间的差异&#xff0c;以确保应用在各个平台上都能正常运行并提供一致的用户体验。以下是 UniApp 处理不同平台差异的一些关键策略&#xff1a; 1. 统一的 API UniApp 提供了一套统一的 API&…
阅读更多...
Electron 全面解析：跨平台桌面应用开发指南

Electron 全面解析：跨平台桌面应用开发指南

引言 在当今多平台并存的数字时代&#xff0c;如何高效开发跨平台桌面应用成为开发者面临的重要挑战。Electron作为GitHub开源的跨平台框架&#xff0c;凭借其独特的Web技术融合能力&#xff0c;已成为构建桌面应用的热门选择。本文将深入探讨Electron的核心原理、开发实践及未…
阅读更多...
小爱音箱控制手机和电视听歌的尝试

小爱音箱控制手机和电视听歌的尝试

最近买了小爱音箱pro&#xff0c;老婆让我扔了&#xff0c;吃灰多年的旧音箱。当然舍不得&#xff0c;比小爱还贵&#xff0c;刚好还有一台红米手机&#xff0c;能插音箱&#xff0c;为了让音箱更加灵活&#xff0c;买了个2元的蓝牙接收模块Type-c供电3.5接口。这就是本次尝试起…
阅读更多...
Attanger: Zotfile 插件在 Zotero7 的平替

Attanger: Zotfile 插件在 Zotero7 的平替

ZotFile 是 Zotero6 里广泛使用的插件&#xff0c;但是作者弃坑了。zotero 官方最近在力推 zotero7&#xff0c;而 ZotFile 又不支持 7&#xff0c;这就让用户很难办&#xff08;摊手&#xff09;。 ZotFile 的 issue 里有相关的讨论&#xff0c;在 24 年下半年&#xff0c;大…
阅读更多...
Java并发中的CAS机制：原理、应用与挑战(通俗易懂版)

Java并发中的CAS机制：原理、应用与挑战(通俗易懂版)

上一期文章内容&#xff1a;Java并发中的乐观锁与悲观锁&#xff0c; 本期文章我们来讲一下Java并发中的CAS机制 一、从银行账户案例理解CAS CAS 是一种乐观锁机制&#xff0c;用于在不使用锁的情况下实现多线程对共享资源的并发访问。 它包含三个操作数&#xff1a;内存位置&a…
阅读更多...
最新文章

Copyright @ 2022~2023