[笔记]-yolo强化理解随笔加感悟D2

本文逻辑不通，仅供自己阅读
yolo强化理解随笔加感悟D1

Day2 运行yolov5的pytorch实现：开始使用yolov5 pipeline

1.yolov2 v3 v4 v5检测头与anchor的尝试改进
2.Yolov5代码使用方法介绍：测试与训练
3.详细解读检测头代码

一、检测模型

特征提取器+检测头(head

二、YOLOv0 model.py

Yolov1 全部改为 yolov0
YoloV0定义
先看forward

Extractor 提取特征 可以认为特征提取器
View可以理解为维度上的变化
Detector 可以理解为检测头
Vgg 最后预测 115 这个向量

前面的1是batch_size 几张图片的意思

三、YOLOv0 train.py

For代数
加载数据，每迭代一次加载一批数据

得到loss，loss反向传播，optimizer优化参数

Loss定义
判断输入维度与标签维度是否想等，三个for循环

Target_process

主要用于生产曾（c，x, y, w, h）的c值

四、YOLO 改进

Location prediction trick
同时代rcnn预测偏移量，基于anchor和grid偏移量
V1直接输出 xywh，范围特别大，不精确

V2 的改进改为预测

X=cx+xt
Y=cy+yt
中心点坐标就可以得到了
这种利用偏移量预测的trick限制了目标框的位置，控制在grid中。
Anchor 人工会提供一组框[w_a, h_a]

Tx ty tw th 为预测输出都是偏移量，bw=真实*一个0到正无穷的倍数

五、Anchor-box trick

也就是我们fast 系列模型中用的方法。区别就在于预测中心点时用额是认为设定anchor框的左上角的点而不是grid cell的。Cell更准。

六、Yolov2的改进trick

77（25+20）
1313（5*5+20）
改进完后检测头输出增大，输出的信息更为丰富。

七、统计的到anchor

八、YOLOV1与YOLOV2对比

增加了offset

九、YOLOV2损失函数

十、YOLOV3检测头

多尺度检测头
V2：77->1313
V3检测头进一步发展

13预测大目标(感受野大) 26预测中目标 52预测小目标
先验框 anchor 现在是9个了

十一、YOLOV1、2、3对比

十二、YOLOV4检测头

还是多尺度
但是用更多的anchors来预测ground truth

1.一个框对应多个anchor，只要anchor与ground truth 有IOU就负责则

2.为了解决offset （0.1）不能占据整个grid 用了sota，在前面加了个系数

P^2*中心点的距离/对角线距离的平方

完整的yolov4 ciou loss

十三、YOLOV5检测头

自适应anchor，two-stage 检测方法
Anchor在检测过程中的作用
V4之前的anchor都是人工指定或者统计data
Img-conv-feature map-anchor预测(c,tx ty tw th)
Map(tx,xA)=out_x,基于anchor的预测方法

Two stage 第一步前景预测候选框出来，第二步再具体类别等预测。
自适应的anchor
推断前景的xywh后，xa ya 等都是1*1卷集合预测的，自适应的anchor就是通过自定义anchor经网络又算了一遍。

十四、补充

1.GT的格式，主要弄清楚哪个anchor对GT负责，
1）GT中心点确定grid
2）算anchor与GT 的IOU
2.基于检测的跟踪 trl
3.v5的anchor是基于数据集聚类但还是有个自适应操作
4.1*1卷积核主要是降低计算量，可以降维
5.一阶段二阶段的区别突破点就在正负样本比例上
6.gpt3
7.数据+资源=算力，理论目前很充分了