行人车辆检测与跟踪实战
📘 30章 · 完整版
YOLO+DeepSORT
01
课程导论与项目全景
应用场景、技术栈概览（YOLO+DeepSORT）、项目整体架构与学习路径
02
环境搭建与工具链
Anaconda虚拟环境配置、PyTorch/CUDA安装、OpenCV与必要的Python库安装、IDE推荐
03
计算机视觉基础（上）
图像表示与色彩空间（RGB/HSV）、图像滤波与边缘检测（Sobel/Canny）、图像形态学操作
04
计算机视觉基础（下）
图像特征提取（HOG/LBP）、图像金字塔与缩放、图像几何变换（仿射/透视）
05
目标检测基础理论
目标检测任务定义、IoU（交并比）详解、NMS（非极大值抑制）原理、Anchor Box机制
06
YOLO系列算法演进
从YOLOv1到YOLOv8的发展脉络、YOLOv5/v8核心架构对比、YOLO模型的优缺点分析
07
YOLOv8实战（上）
YOLOv8模型结构详解（Backbone/Neck/Head）、配置文件解析、使用预训练模型进行推理
08
YOLOv8实战（下）
自定义数据集标注（LabelImg/LabelStudio）、数据集格式转换（YOLO格式）、训练自己的检测模型
09
模型评估与优化
mAP（平均精度均值）计算、混淆矩阵分析、模型剪枝与量化、TensorRT加速部署
10
多目标跟踪基础
多目标跟踪（MOT）任务定义、SORT算法原理、卡尔曼滤波（Kalman Filter）详解
11
DeepSORT算法精讲
DeepSORT核心思想、外观特征提取（ReID）、级联匹配与IOU匹配、算法流程拆解
12
ReID（行人重识别）技术
ReID任务简介、特征提取网络（ResNet/OSNet）、度量学习（Triplet Loss/Cross Entropy Loss）
13
车辆检测与跟踪专题
车辆数据集介绍（UA-DETRAC/BDD100K）、车辆检测难点（遮挡/小目标）、车辆跟踪策略
14
行人检测与跟踪专题
行人数据集介绍（Caltech/CityPersons）、行人检测难点（密集人群/姿态变化）、行人跟踪策略
15
数据增强与预处理
Mosaic数据增强、MixUp/CutMix、随机擦除（Random Erasing）、Albumentations库实战
16
模型训练技巧
学习率调度（Cosine Annealing/Warm-up）、优化器选择（SGD/AdamW）、正则化策略（Dropout/Label Smoothing）
17
ONNX模型导出与部署
PyTorch模型转ONNX、ONNX Runtime推理、TensorRT部署（C++/Python）
18
视频流处理与多线程
OpenCV视频读取与写入、多线程视频处理（生产者-消费者模式）、RTSP/RTMP视频流接入
19
目标计数与密度估计
基于检测的计数方法、基于回归的计数方法（CSRNet）、车流量/人流量统计实战
20
轨迹分析与行为识别
轨迹平滑与插值、速度/加速度计算、异常行为检测（逆行/滞留/越界）
21
跨摄像头跟踪
跨摄像头跟踪挑战、基于ReID的跨镜跟踪、基于时空关联的跨镜跟踪
22
项目实战（一）：智能交通监控系统
车辆检测与流量统计
23
项目实战（二）：智慧安防系统
行人检测与入侵报警
24
项目实战（三）：无人零售场景
顾客检测与停留时间分析
25
项目实战（四）：自动驾驶感知
多类别目标检测与跟踪
26
模型压缩与边缘端部署
模型量化（INT8/FP16）、NVIDIA Jetson部署、OpenVINO部署
27
性能调优与Debug
PyTorch Profiler使用、CUDA优化技巧、常见Bug与解决方案
28
前沿技术探索
Transformer在检测中的应用（DETR/YOLOS）、端到端跟踪（TrackFormer）、多模态融合
29
课程总结与知识图谱
核心知识点回顾、学习路径建议、推荐资源（论文/博客/开源项目）
30
结业项目与答辩指导
项目选题建议、技术方案设计、答辩PPT制作与演讲技巧