yolo和paddle模型常见输出参数解惑

深度物联网

已于 2023-08-22 17:25:23 修改

阅读量804

点赞数 1

文章标签： YOLO 深度学习人工智能

于 2023-06-02 19:24:30 首次发布

转载或者复制必究责任

本文链接：https://blog.csdn.net/changzengli/article/details/131012843

版权

在这里插入图片描述

85：每一行85个数值，5个center_x,center_y, width, height，score ，80个标签类别得分
25200：三个尺度上的预测框总和 ( 80∗80∗3 + 40∗40∗3 + 20∗20∗3 )，每个网格三个预测框，后续需要非极大值抑制NMS处理
1：没有批量预测推理，即每次输入推理一张图片

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

DynamicDimension ：表示动态维度，一般是1
im_shape：图像经过resize后的大小，表示为H,W, DynamicDimension 表示batch维度
image：输入网络的图像，DynamicDimension 表示batch维度，如果输入图像大小为变长，则H,W为None
scale_factor：输入图像大小比真实图像大小，表示为scale_y, scale_x
multiclass_nms3_0.tmp_0：bbox, NMS的输出，形状为[N, 6], 其中N为预测框的个数，6为[class_id, score, x1, y1, x2, y2]
multiclass_nms3_0.tmp_2：bbox_num, 每张图片对应预测框的个数，例如batch_size为2，输出为[N1, N2], 表示第一张图包含N1个预测框，第二张图包含N2个预测框，并且预测框的总个数和NMS输出的第一维N相同