YMilton的专栏

YOLO系列网络结构图

yolox构建模型时，是通过yolox_base.py中的get_model函数获取，其中分成两部分YOLOXPAFPN与YOLOXHead两个类，由YOLOX加载封装整个网络。if getattr(self, "model", None) is None: # 该对象中是否存在model属性，默认值为None，设置成模型 in_channels = [256, 512, 1024] backbone = YOLOPAFPN(self.depth, self.width, in_cha

1. yolox网络构建(1) 网络加载通过tools/train.py中main函数get_exp构建网络，其中get_exp可以通过名称与文件获取网络模型与参数。if exp_file is not None: return get_exp_by_file(exp_file) # 通过文件获取模型参数else: return get_exp_by_name(exp_name) # 通过名称获取模型参数get_exp_by_name最终是调用get_exp_by_fil

1. YOLOX的网络结构图与代码YOLOv3、YOLOv4、YOLOv5、YOLOx的网络结构图(清晰版)_YMilton的专栏-CSDN博客​​​​​((1) 网络结构图​(2) yolox代码URL：https://github.com/Megvii-BaseDetection/YOLOX.git2. yolox如何训练coco数据(1) 第一步：yolox...

1. 口罩遮挡人脸数据由武汉大学多媒体研究中心发起，目前是全球最大的口罩遮挡人脸数据集。分为真实口罩人脸和模拟口罩人脸两部分，真实口罩人脸包括525人的5000张口罩人脸和9万张正常人脸。模拟口罩人脸包含1万个人共50万张模拟人脸数据集。应用项目：人脸检测、人脸识别URL:https://github.com/X-zhangyang/Real-World-Masked-Face-Dataset2. Wider Face人脸数据香港中文大学发起的，包含3万张图片共40万张人脸。应用项.

YOLO系列网络结构图2. Yolov4网络结构图3. Yolov5网络结构图4. Yolox网络结构图

边界框损失计算的演进边界框回归损失近些年的发展过程：1. MSE Loss2. IoU Loss计算IoU交并比示意图如图，蓝色为真实目标框，橘红色为预测目标框。IoU Loss存在的问题，存在检测框大小相同，重叠区域面积相等的情况(IoU相等)，无法区分不同相交情况。3. GIoU Loss为了改进IoU Loss存在的问题，提出了GIoU方法。GIoU Loss的计算公式其中 表示真实框与预测框的最小闭包区域面积，即外接矩形面积。...

不同点：1. yolov4采用了较多的数据增强方法(图像增强方法(Data Augmentation)_YMilton的专栏-CSDN博客,博客中方法都使用)，而yolov5进行了3中数据增强：缩放、色彩空间调整与Mosaic数据增强。2. yolov5锚点框是基于训练数据集自动学习的，而yolov4没有自适应锚点框。3. yolov5采用的激活函数包括leakyReLU和Sigmoid，yolov5的中间隐藏层使用的是leakyReLU激活函数，最后的检测层使用的是Sigmoid激活函数。而y

1. 图像遮挡1.1 Random Erase用随机值或训练集的平均像素替换图像区域。Paper: Random Erasing Data Augmentation URL: https://arxiv.org/pdf/1708.04896.pdf1.2 Cutout仅对CNN第一层的输入图像使用随机剪切框Mask。Paper：Improved Regularization of Convolutional Neural Networks with Cutout...

通过git clone git@github.com:Megvii-BaseDetection/YOLOX.git或者下载方式获得旷世在github上共享的工程文件。1. 虚拟环境创建通过如下命令在conda下创建用于工程YOLOX的虚拟环境，假设虚拟环境为yoloxconda create -n yolox python=3.8然后通过命令conda activate yolox进入yolox虚拟环境，接着下面的安装。2. pycocotools的安装在Linux环境下安装

YOLOX检测器的锚框：采用anchor-free的方式，以及使用例如网络头解耦(decoupled head)，与以标签分配策略为主导(leading label assignment strategy SimOTA)的技术生成网络模型。YOLOX使用的相关技术论文1.anchor-free detectors: (1) Hei Law and Jia Deng. Cornernet: Detecting objects as paired keypoints. In ECCV, 2...

1. yolov4-tiny配置文件示意图其中yolov4-tiny.cfg文件[route]中多出了groups与group_id

yolov2的reorg数据理解 以上是yolov2的reorg层在整个yolov2网络的示意图。yolov2的reorg层的输入是38x38x64=92416，通过reorg重组得到输出19x19x256。本文需要理解的是reorg是如何重组的。1.reorg的darknet代码2. 根据程序理解矩阵重组本文只考虑长、宽、通道维度上的变化过程。(1) 根据yolov2中的参数，可以得到reorg层：stride=2, in_c=64, [out_w, out_h...

Batch_Norm公式推导与Darknet代码理解论文：《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》URL：https://arxiv.org/pdf/1502.03167.pdf1. Batch_Norm的正向推导2. Batch_Norm反向推导其中对均值与xi的求导会用到复合函数的求导计算：3. darknet代码3.

前向传播中，batch_norm与conv的融合1. batch_norm层的前向传播其中mean(X)表示训练过程中得到的滑动平均值，var(X)表示训练过程中得到的滑动方差。具有泛化整个训练过程所有的图片的像素值。表示缩放因子，表示为平移因子，为学习过程中学习到的值。2. conv层的前向传播其中W表示为卷积核，b表示为偏置，卷积层一般为0。3. 合并batch_norm与conv4. darknet中的函数fuse_conv_batchnorm...

coco数据集的理解一键式下载：https://github.com/pjreddie/darknet/tree/master/scripts/get_coco_dataset.sh，然后在Linux环境下运行.sh文件。1. coco数据集下载地址(1) 图像集下载地址训练图像集：https://pjreddie.com/media/files/train2014.zip验证图像集：https://pjreddie.com/media/files/val2014.zip(2) 图像

目标检测评估计算（Python+Pytorch）代码github地址：https://github.com/eriklindernoren/PyTorch-YOLOv31. 检测的评估函数# reference: https://github.com/eriklindernoren/PyTorch-YOLOv3/blob/f917503ffe4a21d2b1148d8cb13b89b834517d76/utils/utils.pydef ap_per_class(tp, conf, pre

目标检测中的非极大值抑制之代码解析(Python)1. 非极大值抑制函数代码# reference: https://github.com/eriklindernoren/PyTorch-YOLOv3/blob/f917503ffe4a21d2b1148d8cb13b89b834517d76/utils/utils.pydef non_max_suppression(prediction, conf_thres=0.5, nms_thres=0.4): """ 剔除目标置信度小

"[...]"、"[::]"与torch.cat的解析YOLOv5中common.py的函数Focus.forward，返回为self.conv(torch.cat([x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]], 1))，这句话的解析。def forward(self, x): # x(b,c,w,h) -> y(b,4c,w/2,h/2) return self.conv(

图像缩放后的单应性还原1. 公式推导假设待拼接的两幅图像分别为与，两幅的单应性矩阵为。再假设图像的坐标点与图像的坐标点单应性对应。则有等式（1-1）： （1-1） 再假设按照尺度缩放的图像为与，缩放的两幅图像间的单应性矩阵为，同理有等式（1-2）： （1-2） 由于图像与是通过尺度缩放后，得到的两幅图像分别为与，因此图像、的坐标点与图像、的关系表为等式（1-3）： （1-3） 令 （1-4） 根据公式（1-2）（1-3）（1-4），则有以下推导