chentao326的博客

目录骨干网络 Darknet53后面的论文算法架构都是在yolov3基础上更新来的骨干网络 Darknet53由于主要网络中是全卷积层，所以是可以输入任意大小的图片（得是×32）

目录anchor 、 Dimension Clusters 、Direct location prediction在YOLOv2中规定了五种anchor，grid cell数量为奇数限制预测框位置损失函数细粒度特征Multi-Scale Traininganchor 、 Dimension Clusters 、Direct location prediction在YOLOv1中先验框是随机的，在YOLOv2中规定了两个先验框，如下图如图，①框擅长套高瘦长的物体，②框擅长矮胖宽的物体由此可以使得模型

YOLO V1目标检测 object detectionYOLOV１预测阶段 前向推断用图展示过程预测阶段 后处理NMS　Non-Maximum Suppression　非极大值抑制训练阶段 反向传播目标检测 object detection能够解决图像分类classification、图像定位localization、目标检测object detection、图像分割segmentation图像分割——语义分割semantic segmention、实例分割 instance segmention

定义网络类每一层卷积层由卷积核、池化和激活函数组成一般情况下最后一层是全连接层def __init__(self): super(CNNNET,self).__init__() self.con1 = nn.Sequential( nn.Conv2d(3,64,3,1,1), #3*128*128-->64*128*128 #3个输入，64输出（即卷积核）,卷积核大小为3*3或者（3，3）,

快速搭建导入包torch.nn包含了大量和网络相关的方法import torchimport torch.nn as nn使用GPU计算device = torch.device('cuda' if torch.cuda.is_available else 'cpu')device = torch.device('cuda:0')用第一块显卡计算，就一块显卡的话，传入'cuda'设立输入和输出torch.Tensor()直接建立张量，.to(device)表示使用CPU或者GPU计算