（1）目標檢測概述與評價體系：了解目標檢測的發(fā)展歷程、核心任務和應用場景（智能安防、自動駕駛、工業(yè)質(zhì)檢、新零售）。掌握目標檢測的完整評價體系：交并比（IoU）的計算與應用、非極大值抑制（NMS）的原理、準確率與召回率的平衡、mAP（mean Average Precision）的計算方法。學習目標檢測面臨的挑戰(zhàn)：小目標檢測、遮擋處理、實時性要求、多尺度問題。
（2）兩階段目標檢測算法：深入理解兩階段檢測器的核心思想（先提議后分類）。掌握R-CNN系列檢測器的演進脈絡：R-CNN的候選區(qū)域方法、Fast R-CNN的感興趣區(qū)域池化（RoI Pooling）、Faster R-CNN的區(qū)域提議網(wǎng)絡（RPN）端到端訓練。理解錨框（Anchor Box）的概念、設計策略（尺度、長寬比）和匹配規(guī)則（正負樣本分配）。學習Mask R-CNN在檢測基礎上擴展實例分割的原理。
（3）單階段目標檢測算法：掌握單階段檢測器的核心思想（一次前向直接預測位置和類別），理解其相對于兩階段檢測器的速度優(yōu)勢。學習SSD（Single Shot MultiBox Detector）的多尺度特征圖預測策略。深入理解YOLO系列檢測器的技術演進：從YOLOv1的回歸思想到Y(jié)OLOv8/v10的完整技術體系，包括無錨框檢測、解耦頭、動態(tài)標簽分配等核心創(chuàng)新。對比分析單階段與兩階段檢測器的適用場景選擇。
（4）YOLO系列實戰(zhàn)與優(yōu)化：掌握YOLOv5/v8/v10的完整實戰(zhàn)流程，包括環(huán)境配置、數(shù)據(jù)集準備（標注格式轉(zhuǎn)換、數(shù)據(jù)集劃分）、模型訓練與驗證。學習YOLO模型的核心配置參數(shù)理解（網(wǎng)絡深度、寬度、訓練超參數(shù)）。掌握模型優(yōu)化技巧：數(shù)據(jù)增強策略（Mosaic、MixUp、Copy-Paste）、學習率調(diào)度、權重衰減設置。實戰(zhàn)完成自定義數(shù)據(jù)集（如口罩檢測、交通標志識別）的模型訓練與調(diào)優(yōu)。
（5）基于Transformer的目標檢測：了解Transformer在計算機視覺領域的應用演進。掌握DETR（Detection Transformer）的核心思想：將目標檢測視為集合預測問題，去除錨框和NMS等人工設計組件。學習Deformable DETR的改進（可變形注意力機制加速收斂）。了解Swin Transformer在檢測中的應用及其層次化架構(gòu)特點。對比CNN與Transformer檢測器的性能與適用場景。
（6）視頻分析與目標跟蹤基礎：理解視頻分析與單張圖像分析的本質(zhì)區(qū)別（時間維度信息的引入）。掌握視頻分析的核心任務：目標檢測、多目標跟蹤、行為識別、視頻語義理解。了解目標跟蹤的任務分類：單目標跟蹤（SOT）與多目標跟蹤（MOT）的區(qū)別與應用場景。學習跟蹤系統(tǒng)的完整工作流程：檢測、特征提取、數(shù)據(jù)關聯(lián)、軌跡管理。
（7）多目標跟蹤算法：SORT與DeepSORT：深入理解SORT（Simple Online and Realtime Tracking）的核心思想：卡爾曼濾波預測目標狀態(tài)、匈牙利算法進行數(shù)據(jù)關聯(lián)。掌握DeepSORT的改進：引入外觀特征（Re-ID特征）解決遮擋下的身份切換問題。學習級聯(lián)匹配策略優(yōu)先匹配高置信度軌跡。實戰(zhàn)實現(xiàn)基于檢測結(jié)果的DeepSORT多目標跟蹤。
（8）多目標跟蹤算法：BYTETrack與BoT-SORT：掌握BYTETrack的核心創(chuàng)新：利用高置信度檢測框和低置信度檢測框的兩階段關聯(lián)策略，有效處理遮擋和模糊場景。學習BoT-SORT的改進：融合運動預測和外觀特征，使用相機運動補償提升跟蹤穩(wěn)定性。了解不同跟蹤算法的適用場景選擇：擁擠場景優(yōu)先BYTETrack，不可預測運動優(yōu)先BoT-SORT。實戰(zhàn)實現(xiàn)BYTETrack在監(jiān)控視頻中的應用。
（9）視頻行為識別與分析：理解行為識別的任務定義：從視頻序列中識別目標的動作類別（跑步、跳躍、打架等）。掌握經(jīng)典行為識別算法：雙流網(wǎng)絡（空間流+時間流）、3D卷積網(wǎng)絡（C3D、I3D）。學習SlowFast算法的核心思想：慢路徑捕捉空間語義信息，快路徑捕捉時間運動信息，通過側(cè)向連接融合時空特征。了解行為識別與目標檢測、多目標跟蹤的協(xié)同工作：先檢測再識別。
（10）視頻分析系統(tǒng)實戰(zhàn)：檢測+跟蹤+識別：學習構(gòu)建完整的視頻分析系統(tǒng)，整合目標檢測（YOLO）、多目標跟蹤（DeepSORT/BYTETrack）和行為識別（SlowFast）模塊。掌握視頻流處理框架設計：視頻幀讀取、檢測線程、跟蹤線程、識別線程的協(xié)同與異步處理。實戰(zhàn)實現(xiàn)交通監(jiān)控場景下的車輛檢測、跟蹤與違章行為識別（如違停檢測、逆行檢測）。
（11）模型部署與邊緣端優(yōu)化：掌握視頻分析模型的部署技術。學習模型轉(zhuǎn)換（ONNX/TensorRT）和推理加速（FP16/INT8量化）。了解邊緣端部署方案：樹莓派、Jetson Nano等嵌入式平臺的YOLO部署實踐。掌握推理性能優(yōu)化技巧：批處理、異步推理、預處理合并。實戰(zhàn)完成視頻分析模型在邊緣設備的部署與實時推理。
（12）綜合項目實戰(zhàn)：智能視頻分析系統(tǒng)開發(fā)：結(jié)合所學知識，完成一個完整的視頻分析項目（如智能安防監(jiān)控系統(tǒng)、交通流量統(tǒng)計平臺、工廠行為規(guī)范檢測系統(tǒng)）。涵蓋需求分析、數(shù)據(jù)采集與標注、檢測模型訓練、跟蹤算法集成、行為識別模塊開發(fā)、系統(tǒng)集成與部署、效果評估的全流程，形成規(guī)范的視頻分析應用項目報告。
