- 博客(4)
- 资源 (1)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 YOLOv2
大部分的目标检测任务，都是用ImageNet来训练特征提取部分（Backbone),但是，imagenet的图片大小为224*224，因此，对于大分辨率的图片检测时就，模型 的效果就会很差，YOLOv1是使用448*448的图像直接训练模型，但是网络很难很快适应这个大分辨率的图像，YOLOv2怎么做的呢？YOLOv2在每个卷积层后都加入了BN层，BN层既能加快模型的收敛速度，也能起到一定的正则化的效果，起到抑制过拟合的效果，并且不在使用dropout。二、Neck Network。一、Backbone。
2022-10-12 20:42:30
363
1
原创 如何理解YOLOv1的训练和预测过程？
我这里说的是我认为的核心部分：一张标注的图片，送入网络中，经过卷积池化操作，提取特征等最后在输出层就会得到7*7*30的张量，这个张量包含的信息是这样的7*7*((4+1)*2+20),7*7是YOLOv1会把送入网络的图片分成7*7的网格，（4+1）*2为，每个网格会预测两个大小不等的框，每个框包含的信息为它的位置信息，和它的置信度大小，20为在coco数据集上每个类别预测的概率。
2022-10-12 10:22:19
1052
目录名称无效NotADirectoryError
2022-05-28
TA创建的收藏夹 TA关注的收藏夹
TA关注的人