[LAB 10 · 从 RGB 图像训练小型检测器](/course/notebooks/a14237bfa9dd413d959ab4e458e11f42.html)

# LAB 10 · 从 RGB 图像训练小型检测器
[独立阅读](/course/notebook-blocks/63590d65568c4b639fa4997d22fa749c.html)
主线阅读与优先实验

RGB图像、单特征层锚框检测器、分类/位置损失、NMS、独立检测评价

**学习路径：** [一张图怎样变成一组框](/course/study/image-detection.html)

# LAB 10 · 从 RGB 图像训练小型检测器

从 [P32–35 的检测流程](/course/pages/l3-r2-p32.html) 进入一项完整学习实验：48×48 RGB → 共享特征 → 类别与框偏移 → 解码/NMS → 保留图像评价。真值框只进入目标与评价，不进入模型输入。

先看 [已有结果与失败图](/course/blocks/detector-learning-evidence.html)，挑一张解释哪里没检好，再回到输入协议、匹配和两个输出头。四维逻辑回归只是可选分类热身；主实验是 TinySSD 闭环的单特征层教学变体。完整复跑按格顺序执行，另写 `lab10-results-rerun`，不覆盖历史证据。

本册的产出是一条错误分析：它是漏检、错类、框偏还是重复？你会只改哪个条件来验证？遇到公式去 [LAB 09](https://deepnote.com/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/90d213b4e1e04c7e889ee6fc042b2358) 或 [CLS 07](https://deepnote.com/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/586e66e049764158a50747e69c219312)；想研究轮廓而非包围框，可另选 [LAB 11](https://deepnote.com/project/38755e4e-23f6-4f5f-8c68-8a2e4114b1c1/notebook/9e268706471944e3a59e6f568f9ce9a3)，不必为完成本册再训练第二项。