PyTorch 目标检测（二）

网络骨架 backbone

物体检测算法流程：

1. 利用卷积神经网络处理输入图像
2. 生成特征图
3. 利用算法完成区域生成和损失计算

卷积层

提取图像特征
torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding, dilation, groups, bias)

1. in_channels：输入特征图的通道数，一般处理RGB图像时为3
2. out_channels：输出特征图的通道数
3. kernel_size：卷积核的尺寸，常见的有1，3，5，7的正方形
4. stride：卷积核计算滑动步长，一般为1，若大于1，则输出特征图的尺寸会变小
5. padding：填充，常见的有零填充，边缘填充，默认为零填充
6. dilation：空洞卷积，大于1可以在保证特征图尺寸的同时增大感受野，默认为1
7. groups：可实现组卷积，达到降低计算量的目的
8. bias：是否需要偏置，默认为True
</