pytorch fasterrcnn-resnet50-fpn 神经网络 目标识别 应用 —— 逻辑概述

记录神经网络学习过程,我的代码主要参照官方案例：pytorh
有兴趣可以看一下

前提：工欲善其事必先利其器

1. 工具
2. 环境(我的环境配置文件 requirements.txt 已上传到 gitee 供大家参考)
3. 代码
4. 数据

网上案例很多，环境搭建不再赘述，代码和数据我会上传到gitee
工具看个人喜好，vscode轻便，pycharm 功能好,新手推荐pycharm

源码：https://gitee.com/laomaogu/fasterrcnn_resnet50_fpn_study

---

接下来正式进入学习环节

一、逻辑概述

对于一个完全陌生的技术点
我一贯的作风是，先搞清楚大概的运行逻辑
细枝末节先不管，这样才能摸清主干的脉络
等到大概搞清楚啥意思了，再逐一深入探讨
毕竟 , 重在 应用 ！

今天先看看最粗的一个枝干

够不够简单粗暴，总共就两个东西

1 模型训练

1) 训练数据

正式讲解之前，我们先看一个小故事

厂里生产的水杯最近质量严重下降，导致很多客户投诉
_
老板想找个人，守在产线出口，监督生产
_
招个人干他不放心，这可关乎到厂子生产的质量的问题
_
左思右想，叫来了自家大侄子
_
老板拉着大侄子，到一堆水杯面前，
跟他说：“你看，这个漏水，不行。 这个掉漆，不行。这个可以，里外干净光滑。。。。。”
_
“以后，质量大关，我可就交给你了，好好干，副厂长的位置给你留着”

---

言归正传，
为啥要训练模型？
本质上就和上边老板对大侄子说的话一样，
要让大侄子明白，哪个是良品，哪个是不良品。

那数据是啥？
显而易见，那堆杯子就是数据，
而且要有好的和不良的杯子做对比， 有了参照，大侄子就明白了

---

反应到神经网络里，就是以下的过程：

这个权重文件，就是一个“判断标准”

模型和网络结构就像大侄子，而训练出来的权重文件就像大侄子的判断标准

至于这个判断标准效果怎么样，只有推理预测一下，才能知道

---

2) 网络结构

本代码用的结构如标题所述：fasterrcnn-resnet50-fpn

网络结构先不讲，这部分，我们只要知道不同的网络结构的特性及应用方向就OK了

（当然，主要是太深的我也不懂。。。。）

---

2 推理识别

上面说了
大侄子就是模型，大侄子判断标准就是训练得到的权重文件 .pth.

但是代码不像人
能完成很多高级指令
所以有些过程需要通过代码体现：

---

下一章 推理识别代码讲解（开源）