董洪义  本科、硕士均毕业于北京航空航天大学。深度学习与PyTorch资深爱好者。现任百度自动驾驶高级算法工程师。曾担任Phantom Tiger算法负责人、地平线智能驾驶部门算法实习生、北航国际拓展团团长。曾经被评为北京航空航天大学年度人物。曾经获得了Kaggle竞赛银牌。本科期间成绩年级第一，曾前往日本、英国、比利时、荷兰等国的知名学校访问交流。研究方向为自动驾驶感知、智能机器人与计算机视觉。有3年以上的深度学习研发经验。

《深度学习之PyTorch物体检测实战》从概念、发展、经典实现方法等几个方面系统地介绍了物体检测的相关知识，重点介绍了Faster RCNN、SDD和YOLO这三个经典的检测器，并利用PyTorch框架从代码角度进行了细致讲解。另外，《深度学习之PyTorch物体检测实战》进一步介绍了物体检测的轻量化网络、细节处理、难点问题及未来的发展趋势，从实战角度给出了多种优秀的解决方法，便于读者更深入地掌握物体检测技术，从而做到在实际项目中灵活应用。

《深度学习之PyTorch物体检测实战》共10章，涵盖的主要内容有物体检测与PyTorch框架基础概念与背景知识；PyTorch基础知识；基础卷积网络Backbone；两阶经典检测器Faster RCNN；单阶多层检测器SSD；单阶经典检测器YOLO；模型加速之轻量化网络；物体检测细节处理；物体检测难点问题；物体检测的未来发展。

《深度学习之PyTorch物体检测实战》内容丰富，讲解通俗易懂，案例典型，实用性强，特别适合PyTorch框架爱好者和物体检测相关从业人员阅读，也适合深度学习和计算机视觉领域的研究人员阅读。另外，《深度学习之PyTorch物体检测实战》还适合作为深度学习培训机构的教材使用。

董洪义同学的这本《深度学习之PyTorch物体检测实战》，深入浅出地讲解了物体检测的核心技术与难点问题，同时注重理论与实践的结合，知行合一，强烈推荐相关领域的初学者与研究者阅读。

——北航机器人研究所教授/博导，教育部长江学者特聘教授  王田苗

 

作者作为奋战在自动驾驶领域前沿的从业者，选择了物体检测这个在自动驾驶、智慧交通、智能安防等领域都至关重要的技术作为切入点，相信能带领读者利用PyTorch这件趁手的“兵器”，在计算机视觉的前沿应用领域披荆斩棘，获得过硬的实战能力。

——百度自动驾驶技术总监  陶吉

 

看董洪义的这《深度学习之PyTorch物体检测实战》好像是推开了一扇窗，可以领略近些年来深度学习在物体检测领域的逐步发展过程，同时也会让有志于从事深度学习应用领域的读者收获更多的研发经验，从而迈向更高的阶段。

——百度自动驾驶前事业部主任架构师/视觉感知方向技术负责人  夏添

 

《深度学习之PyTorch物体检测实战》作者从“自包含”角度，不仅梳理了物体检测的算法发展脉络，而且还介绍了如何利用PyTorch来实现算法，是一本优秀的计算机视觉工程师入门书籍。

——商汤科技研发总监  武伟

 

我个人认为技术书籍的优秀作者必须满足三点：共情能力强且能洞察读者需求；逻辑能力强且具备批判性思维；肚子里有“货”且能倾囊相授。洪义完美地满足了这三点。《深度学习之PyTorch物体检测实战》是他的用心之作，值得相关技术爱好者细读。当然，我也很期待他的下一本书。

——义柏资本技术专家/SIGAI特聘讲师  丁宁

 

洪义的这本书同时兼顾了方法论和实践，对于想入门物体检测或者温习相关理论，乃至学习如何使用 PyTorch的读者来说，是一本很好的参考书。

——旷视研究院研究员  朱本金

 

董洪义用丰富的专业知识和经验，填补了国内物体检测领域原创图书的空白，为相关教学和开发实战提供了一本有价值的参考图书。从一线工程师的眼光来看，这是一本能够帮助读者快速构建相关知识体系，并掌握实践经验的书，值得细读。

——阿里巴巴达摩院视觉技术一线工程师  唐家声

（因字数所限，部分章节只给出了二级目录，完整目录请查看华章网站）

第1篇  物体检测基础知识

第1章  浅谈物体检测与PyTorch     2

1.1  深度学习与计算机视觉      2

1.1.1  发展历史   2

1.1.2  计算机视觉       7

1.2  物体检测技术      9

1.2.1  发展历程   10

1.2.2  技术应用领域   11

1.2.3  评价指标   12

1.3  PyTorch简介 17

1.3.1  诞生与特点       17

1.3.2  各大深度学习框架对比   17

1.3.3  为什么选择PyTorch 19

1.3.4  安装方法   20

1.4  基础知识准备      22

1.4.1  Linux基础 22

1.4.2  Python基础       24

1.4.3  高效开发工具   29

1.5  总结      36

第2章  PyTorch基础  37

2.1  基本数据：Tensor 37

2.1.1  Tensor数据类型 37

2.1.2  Tensor的创建与维度查看 39

2.1.3  Tensor的组合与分块 41

2.1.4  Tensor的索引与变形 42

2.1.5  Tensor的排序与取极值    46

2.1.6  Tensor的自动广播机制与向量化    46

2.1.7  Tensor的内存共享    47

2.2  Autograd与计算图      48

2.2.1  Tensor的自动求导：Autograd 49

2.2.2  计算图       50

2.2.3  Autograd注意事项   51

2.3  神经网络工具箱torch.nn    52

2.3.1  nn.Module类     52

2.3.2  损失函数   55

2.3.3  优化器nn.optim 56

2.4  模型处理      59

2.4.1  网络模型库：torchvision.models     59

2.4.2  加载预训练模型       60

2.4.3  模型保存   61

2.5  数据处理      61

2.5.1  主流公开数据集       61

2.5.2  数据加载   63

2.5.3  GPU加速   65

2.5.4  数据可视化       66

2.6  总结      68

第3章  网络骨架：Backbone    69

3.1  神经网络基本组成      69

3.1.1  卷积层       70

3.1.2  激活函数层       72

3.1.3  池化层       75

3.1.4  Dropout层 76

3.1.5  BN层 77

3.1.6  全连接层   79

3.1.7  深入理解感受野       81

3.1.8  详解空洞卷积（Dilated Convolution）   82

3.2  走向深度：VGGNet    83

3.3  纵横交错：Inception   87

3.4  里程碑：ResNet   93

3.5  继往开来：DenseNet   95

3.6  特征金字塔：FPN       99

3.7  为检测而生：DetNet   106

3.8  总结      110

第2篇  物体检测经典框架

第4章  两阶经典检测器：Faster RCNN  112

4.1  RCNN系列发展历程   112

4.2  准备工作      114

4.3  Faster RCNN总览 115

4.4  详解RPN      117

4.5  RoI Pooling层      127

4.6  全连接RCNN模块      130

4.7  Faster RCNN的改进算法    131

4.8  总结      141

第5章  单阶多层检测器：SSD 142

5.1  SSD总览      142

5.2  数据预处理   144

5.3  网络架构      148

5.4  匹配与损失求解   154

5.5  SSD的改进算法  157

5.6  总结      166

第6章  单阶经典检测器：YOLO     167

6.1  无锚框预测：YOLO v1      167

6.2  依赖锚框：YOLO v2   171

6.3  多尺度与特征融合：YOLO v3   180

6.4  总结      183

第3篇  物体检测的难点与发展

第7章  模型加速之轻量化网络 186

7.1  压缩再扩展：SqueezeNet    188

7.2  深度可分离：MobileNet     191

7.3  通道混洗：ShuffleNet 200

7.4  总结      207

第8章  物体检测细节处理 209

8.1  非极大值抑制：NMS  209

8.2  样本不均衡问题   217

8.3  模型过拟合   224

8.4  总结      229

......