目标检测基本概念解释

前言🎈（只要学习，就会一直写！）

简单记录一下，自己在学习目标检测过程中遇到的一些概念问题🐱‍🐉

backbone

主干网络，用来做特征提取的网络（比如ResNet，VGG等等），一般用来提取图片信息，然后生成Feature map。

neck

放在backbone和head之间，作用是更好的利用backbone提取的特征。

head

是获取网络的输出内容，head部分利用backbone提取的特征作出预测。

bottleneck

意为瓶颈，通常指的是网络输入的数据维度和输出的维度不同，输出的维度比输入的小了许多，就像脖子一样，变细了。经常设置的参数 bottle_num=256，指的是网络输出的数据的维度是256 ，可是输入进来的可能是1024维度的。

GAP（Global Average Pool）

全局平均池化。即将某个通道的特征值取平均值。

warm up

Warm up指的是用一个小的学习率先训练几个epoch，这是因为网络的参数是随机初始化的，一开始就采用较大的学习率容易数值不稳定。

目标检测结果评价标准

box_loss:边界框回归损失 预测预测框和标定框之间的损失。
obj_loss： 目标存在的置信度损失。
csl_loss: 分类损失，计算锚框和对应的标记分类是否正确。
一般来说mAP针对整个数据集而言的；AP针对数据集中某一个类别而言的；而percision和recall针对单张图片某一类别的。

• precision（精确率）：简单来说就是都被模型判断为positive的目标，其中判断对了多少个。

• recall（召回率） ：在真实标签为positive的所有样本中，找到了多少个。
  注： Precision和Recall之间往往是一种博弈关系，好的模型让Recall值增长的同时保持Precision的值也在很高的水平，而差的模型性可能会损失很多Precision值才能换来Recall值的提高。通常情况下，都会使用Precision-recall曲线，来显示分类模型在Precision与Recall之间的权衡。

• 准确率：计算的是分类正确个数占全体样本的比例，针对的是所有类别。一般不直接使用准确率。主要是因为类别不平衡问题，如果大部分是negative的 而且大部分模型都很容易判别出来，那准确率都很高， 没有区分度，也没有实际意义(因为negative不是我们感兴趣的)

• IoU ：就是模型预测的框和自己标记的框之间的重合度。

• AP ：多个类别物体检测中，每一个类别都可以根据recall和precision绘制一条曲线。AP是Precision-Recall Curve(PRC)曲线所覆盖的面积，用来衡量模型在每个具体类别上的好坏

• mAP（mean average precision） ：衡量精度的指标。即多个类别AP的平均值。这里average等于是对recall取平均。而mAP的mean，是对所有类别取平均。

Ablation experiment(消融实验）

第一次看到Ablation experiment忘记是哪篇论文了，一直到现在才搞懂到底什么是消融实验。其实很简单，比如在一次目标检测中，因为加入了A、B、C 因此取得了不错的效果，但是不知道到底是因为ABC哪一个。因此，消融实验就是保留A,去除B、C·····依次查看到底是哪个起了作用。

BN（Batch Normalization）

概念： 用于神经网络的正则化技术，加速模型的训练。他对输入进行标准化，得每层的输入在训练时都具有相似的统计特性，从而加速模型的训练过程。
作用：

• 将每个批次的数据标准化为均值为0和方差为1的分布，通过引入批次统计信息，可以减少模型的过拟合现象，提高模型的泛化能力。
• 可以解决梯度消失和梯度爆炸等问题，提高模型的稳定性和收敛速度。

GFLOPs（Giga Floating-point Operations）

GFLOPs指的是模型的浮点运算量。
它是衡量深度学习模型计算量的一种常用指标，通常用于比较不同模型之间的计算复杂度大小。一个GFLOP表示模型在一秒钟内所执行的十亿次浮点运算数。
通常情况下，GFLOPs越高，模型的复杂度越高，模型的计算量也就越大，训练和推理的时间也就越长。但是，GFLOPs并不能单独决定模型的性能好坏，还需要考虑其他指标，比如精度、召回率、速度等。

过拟合

今天在训练模型的时候，发现训练损失一直在下降，但是验证损失在下降之后开始上升，这就是过拟合了。
也就是说 在训练集上表现的好，在验证集或测试集（也就是没见过的数据）上表现差，即为过拟合。
解决方法有：

• 数据增强：增加训练数据的多样性，有助于提高模型泛化能力。
• 正则化：通过添加惩罚项限制模型参数的大小，减少过拟合现象。
• 早停：在验证损失开始上升之前停止训练，避免模型过拟合。