use 博主梦坠凡尘
聚类的anchor从小到大排
目标检测中NMS和mAP指标中的的IoU阈值和置信度阈值
use
pytorch实现yolov3中使用的nms(非最大抑制)理解
阈值 common.py–nms
class NMS(nn.Module):
# Non-Maximum Suppression (NMS) module
conf = 0.25 # confidence threshold
iou = 0.45 # IoU threshold
classes = None # (optional list) filter by class
数据增强
边界框预测和损失函数
use
史上最详细的Yolov3边框预测分析
最简单)深度理解YOLOV3损失函数及anchor box
【从零开始学习YOLOv3】8. YOLOv3中Loss部分计算
损失函数合集
总结
【从零开始学习YOLOv3】8. YOLOv3中Loss部分计算
BCEcls = nn.BCEWithLogitsLoss(pos_weight=torch.tensor([h['cls_pw']], device=device))
BCEobj = nn.BCEWithLogitsLoss(pos_weight=torch.tensor([h['obj_pw']], device=device))
BCEobj :置信度带来的误差
BCEcls :类别带来的误差
lbox *= self.hyp['box'] 一个是xywh部分带来的误差,也就是bbox带来的loss
lobj *= self.hyp['obj'] 置信度带来的误差
lcls *= self.hyp['cls'] 类别带来的误差
【目标检测系列】yolov3之损失函数以及边框回归pytorch源码注释以及理论理解
损失函数
yolo系列理论合集