YFR718的博客

代码地址https://github.com/YFR718/Pytorch_Ai背景lecun大佬最早对手写数字进行识别，1980年代。网络结构1.第一层C1是一个卷积层输入图片: 32 * 32卷积核大小: 5 * 5卷积核种类: 6输出feature map大小:2828(32-5+1)神经元数量:28 * 28 * 6可训练参数数量:(5 * 5+1) * 6，(每个卷积核25个权重值w，一个截距值bias;总共6个卷积核)连接数量:(5 * 5+1)628282.第

所有源码：https://github.com/YFR718/Pytorch_Ai背景MobileNetV2是MobileNet的升级版，它具有一个非常重要的特点就是使用了Inverted resblock，整个mobilenetv2都由Inverted resblock组成。创新点Inverted resblock首先利用1x1卷积进行升维，然后利用3x3深度可分离卷积进行特征提取，然后再利用1x1卷积降维。ReLU6ReLU激活函数对低维特征信息照成大量损失网络结构设计该

背景2017年google提出，模型参数为VGG的1/32，准确率下降0.9。MobileNetV1就是把VGG中的标准卷积层换成深度可分离卷积（DW）。创新点（DW）深度卷积传统卷积：参数 in_channelout_channelK*KDepthwiseConv:参数 in_channelKK特点卷积核深度为1in_channel卷积核个数out_channel（PW）逐点卷积就是K = 1的传统卷积DW+PW = Conv计算量和参数个数减为Conv的1/N+

http://yli17.cn/caRlQ网络结构性能Yolov5s网络最小，速度最少，AP精度也最低。但如果检测的以大目标为主，追求速度，倒也是个不错的选择。其他的三种网络，在此基础上，不断加深加宽网络，AP精度也不断提升，但速度的消耗也在不断增加。目前使用下来，yolov5s的模型十几M大小，速度很快，线上生产效果可观，嵌入式设备可以使用。核心思想Mosaic数据增强Yolov5的输入端采用了和Yolov4一样的Mosaic数据增强的方式。随机缩放、随机裁剪、随机排布的方式进行拼.

参考：http://yli17.cn/LcNQ0特点是一个高效而强大的目标检测网咯。它使我们每个人都可以使用 GTX 1080Ti 或 2080Ti 的GPU来训练一个超快速和精确的目标检测器。这对于买不起高性能显卡的我们来说，简直是个福音！在论文中，验证了大量先进的技巧对目标检测性能的影响，真的是非常良心!对当前先进的目标检测方法进行了改进，使之更有效，并且更适合在单GPU上训练；这些改进包括CBN、PAN、SAM等。网络结构最简单清晰的表示： YOLOv4 = CSPDarknet53（

网络结构特征提取部分采用darknet-53网络结构代替原来的darknet-19，利用特征金字塔网络结构实现了多尺度检测，分类方法使用逻辑回归代替了softmax，在兼顾实时性的同时保证了目标检测的准确性。Darknet-53主要由1×1和3×3的卷积层组成，每个卷积层之后包含一个批量归一化层和一个Leaky ReLU，加入这两个部分的目的是为了防止过拟合。卷积层、批量归一化层以及Leaky ReLU共同组成Darknet-53中的基本卷积单元DBL。因为在Darknet-53中共包含53个这样的D

更快更强网络结构改进方法（1）加入BN，提升2个点（2）更高分辨率，v1 224224，v2 448448.提升4%（3）引入 Anchor Box 机制在YOLOv1中，作者设计了端对端的网路，直接对边界框的位置（x, y, w, h）进行预测。这样做虽然简单，但是由于没有类似R-CNN系列的推荐区域，所以网络在前期训练时非常困难，很难收敛。于是，自YOLOv2开始，引入了 Anchors box 机制，希望通过提前筛选得到的具有代表性先验框Anchors，使得网络在训练时更容易收敛。预

参考：http://yli17.cn/9kYRY背景在YOLOv1提出之前，R-CNN系列算法在目标检测领域独占鳌头。R-CNN系列检测精度高，但是由于其网络结构是双阶段（two-stage）的特点，使得它的检测速度不能满足实时性。2016年，提出了一种单阶段（one-stage）的目标检测网络。由于其速度之快和其使用的特殊方法，作者将其取名为：You Only Look Once，并将该成果发表在了CVPR 2016上。YOLO 的核心思想就是把目标检测转变成一个回归问题，利用整张图作为网络