图像深度学习的一点总结

     1. 3个常见目标

        3个目标分别是图像分类，目标检测和图像分割。图像分类的模型非常多，结构也多变，包括vgg、inception、resnet、mobilenet、SENet等。目标检测的模型包括Yolo系列以及两阶段系列，比如 SSD、FPN、RetinaNet、Faster rcnn、AnchorFree、Transformer等。图像分割的模型包括Mask-RCNN，Unet系列，deeplab系列，FCN、SegNet、BiSeNet等。3个任务的模型相辅相依，互相吸取对方的优点和创新点，互相成长。

     2. 目标检测

        Yolo是只看一次的模型，经历了从v1 – v8的层层迭代，已经是图像项目中的必知必会的模型，在目标检测的任务中精度和速度表现非常好，是值得学习的一个模型。其中yolov4是改进较大的一个版本，改进了SAM和PAN的结构，使得yolo系列得以在工业界广泛使用。今天的yolo已经发展到了v8版本，未来会不会有v9, v10呢？

        虽然yolo用的比较多，但是笔者还是建议多去看看其他模型，以及那些被很少使用或者快被遗忘的模型，比如SSD, RetiaNet等等，了解他们的大概架构以及思想，会对今天所使用的模型有着更完整的理解。

     3. 工程使用

        大部分的使用场景是拿当前业务的数据集train这些已有的模型，所以重点不在模型上，在数据标注、数据扩增上，大概会花费80%的时间，所以在工程使用中自