有钱要买小浣熊-CSDN博客

原创 YOLOv4: Optimal Speed and Accuracy of Object Detection

有很多方法被提出认为可以提高卷积神经网络的准确性，需要在大型数据集上对这些方法组合进行实际测试，并对结果进行理论证明。我们假设这些通用方法包括加权残差连接( WRC )、跨阶段部分连接( CSP )、交叉小批量归一化( CmBN )、自对抗训练( SAT )和Mish激活。

2023-12-01 17:28:04 376 1

原创 YOLOv3: An Incremental Improvement

我们做了一堆小的设计改动来让YOLO性能更好。我们还训练了这个非常庞大的新网络。这比以前的网络打了一点但是更加准确。别担心，速度仍然很快。在320x320输入的图片 YOLOv3运行在22ms并能达到28.2mAP,精度如同SSD 但是比它快3倍.当我们用旧的.5 IOU mAP 检测指标，YOLOv3还是不错的。运行在TitanX，YOLO能达到57.9 AP50 需要51ms ，RetinaNet 能达到57.5 AP50需要198ms，相似的性能但是3.8x的速度。

2023-12-01 16:28:10 84 1

原创 YOLOv2 论文

YOLOv2所作的改进1.backbone 方面主要使用3x3卷积和1x1 卷积（压缩通道），用全局平均池化层代替(来自NiN)了全连接层，以及引入了BN加快收敛和正则化模型。2.使用了先验框，YOLOv1中没有使用先验框，直接预测检测框的位置和大小及置信度，出现定位错误并导致训练不稳定。YOLOv2 中使用k-mean算法在训练集中获得先验框，好的先验框能让模型训练更稳定且能达到更好的效果。

2023-11-27 14:20:09 50 1

原创 You Only Look Once: Unified, Real-Time Object Detection 论文

我们提出了YOLO，一种新的目标检测方法。先前的目标检测研究使用分类器来执行检测。相反，我们将目标检测框定义为空间分离的边界框和相关类概率预测的回归问题。一个单阶段神经网络一次直接从原图中预测边界框和分类概率。因为整个检测流程是一个单一的网络，因此可以直接对检测性能进行端到端的优化。我们统一的架构速度非常快。我们基础的YOLO模型可以每秒处理45张图像。更小的网络，Fast YOLO ,在能达到其余实时检测模型的两倍map 的性能并可以每秒处理155张图片。

2023-11-24 14:20:30 56 1

原创 linux配置conda并设置多个用户

第一次创建需要 conda create -n myenv --clone=/usr/local/miniconda3。在root用户下，安装conda 路径设置为/usr/local/miniconda3。此时的用户就具有创建环境的权限了。将文件夹交移给anaconda。创建anaconda用户组。创建并切换到root用户。

2023-09-04 16:09:03 758 1