yolo（you only look once)内部算法相关介绍（持续更新）

我们引入两个参数来评价一个数据集的精确度；

AP：衡量的是学习出来的模型（数据集）在每个类型上的好坏

mAP：衡量的是学出的模型在所有类别上的好坏

input输入图片后进入backbone骨干网路（神经深度学习网络）

再进入neck多尺度神经网络

yolo会将特征图划分为s*s的格子 格子负责对落入其中的目标由神经卷积网络进行检测

yolov5不同于三四还有一点在于其GT可以跨层检测 匹配数范围可以是3-9个

数据集还有一个维度是深度（deep）

其表达方式为B*（5+C）

B为预测的边界框数量 C表示类别数 5表示的是一个坐标信息和一个目标性得分

class confidence score 是类别置信度得分 测量分类和定位的置信度。

在实时测试时没有GT框，多个预测框比较之间的iou值 称作nms

使用torch.cuda.amp模块中的autocast类。当进入autocast的上下文后，可支持AMP的CUDA ops 会把tenso的dtype转换为半精度浮点型，从而在不损失训练精度的情况下加快运算。刚进入autocast的上下文时，tensor可以是任何类型，不需要在model或者input上手工调用.half()，框架会自动做，这也是自动混合精度中“自动'一词的由来。另外一点就是，autocast上下文应该只包含网络的前向过程（包括loss的计算），而不要包含反向传播，因为BP的op会使用和前向op相同的类型。