目标检测是计算机视觉的基本任务之一，旨在从一副图像中用矩形框标注物体。典型方法包括 R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN。本项目将复现其中三种并对比其优缺点。

---

数据集准备（COCO 2017 val）

macOS / Linux（Bash）

# 在项目根目录执行
mkdir -p data/raw/coco2017
cd data/raw/coco2017

curl -L -o val2017.zip http://images.cocodataset.org/zips/val2017.zip
unzip -q val2017.zip

curl -L -o annotations_trainval2017.zip http://images.cocodataset.org/annotations/annotations_trainval2017.zip
unzip -q annotations_trainval2017.zip

Windows PowerShell

# 在项目根目录执行
New-Item -ItemType Directory -Force -Path data/raw/coco2017 | Out-Null
Set-Location data/raw/coco2017

Invoke-WebRequest "http://images.cocodataset.org/zips/val2017.zip" -OutFile "val2017.zip"
Expand-Archive -Path "val2017.zip" -DestinationPath .

Invoke-WebRequest "http://images.cocodataset.org/annotations/annotations_trainval2017.zip" -OutFile "annotations_trainval2017.zip"
Expand-Archive -Path "annotations_trainval2017.zip" -DestinationPath .

下载完成后，后续各子目录（R-CNN、Fast-R-CNN、Mask-R-CNN 等）将在 data/raw/coco_subset/ 与 data/proposals/coco_subset/ 上继续处理。

---

子项目指引

模型	说明
R-CNN/README.md	轻量化 R-CNN 复现流程（微调 AlexNet + SVM + BBox 回归）。已提供 Bash & PowerShell 指令。
Fast-R-CNN/README.md	手写 Fast R-CNN（共享卷积 + ROI Pooling），含训练、推理、评估指令。
Mask-R-CNN/README.md	基于 torchvision Mask R-CNN，提供训练、推理、COCO 评估步骤。

每个目录 README 中都列出了 macOS/Linux 与 Windows PowerShell 两套命令，可直接对照执行。

---

其他

• scripts/updateRequir.sh：更新 requirements.txt 的辅助脚本（Bash）。
• utils/visualization.py：对比不同模型检测结果的绘图工具。
• report/：建议将实验日志、图像、最终对比报告集中存放。
• results/：各模型训练输出（权重、预测 JSON、评估指标）。

完成复现后，可按课程/任务要求撰写实验分析，比较精度、速度、实例可视化效果等。