卷积神经网络学习笔记

创建一个新的pytorch环境

conda create -n pytorch3.8 python=3.8

激活

conda activate pytorch3.8

删除环境

conda env remove -n envname

安装cocotools

pip install pycocotools-windows>=2.0

克隆github项目

git clone https://github.com/XXX.git

coco数据集：
训练集图片：http://images.cocodataset.org/zips/train2017.zip
验证集图片：http://images.cocodataset.org/zips/val2017.zip
测试集图片：http://images.cocodataset.org/zips/test2017.zip
训练集、验证集标注信息http://images.cocodataset.org/annotations/annotations_trainval2017.zip
http://images.cocodataset.org/annotations/stuff_annotations_trainval2017.zip
http://images.cocodataset.org/annotations/panoptic_annotations_trainval2017.zip

经过卷积后矩阵尺寸大小的计算公式为：N=(W-F+2P)/S+1，C通道观察卷积类型可知
不整除时，卷积向下取整，池化向上取整。因卷积向上取整没有对应信息，池化向上取整会有对应信息。

经过转置卷积后的尺寸大小计算公式：
H输出=（H输入-1）✖S[0]-2P[0]+F[0]
W输出=（W输入-1）✖S[1]-2P[1]+F[1]

epoch：
一个epoch等于训练集中的全部样本训练一次的过程，进行了一次正向传播和反向传播

看到stride为1的时候，当kernel为3 padding为1或者kernel为5 padding为2 卷积前后尺寸不变

DWConv就是组卷积(Group Conv)，不改变通道

native Lite-HRNet是指将shauffle moudle直接应用于HRNet

神经网络训练过程：
（1）前向传播，计算损失（2）反向传播，更新参数（3）循环往复，损失最小

基于的现在目标检测算法中有三个组件：
Backbone、Neck和Head
主干网络提取特征，脖子提取一些更复杂的特征，头部计算预测输出。
Backbone, 译作骨干网络，主要指用于特征提取的，例如：ResNet-50、Darknet53等;
Head:译作检测头，主要用于预测目标的种类和位置(bounding boxes)，如SPP
在Backone和Head之间，会添加一些用于收集不同阶段中特征图的网络层，通常称为Neck。如FPN.PAN
目标检测模型的结构：
输入->主干->脖子->头->输出。主干网络提取特征，脖子提取一些更复杂的特征，然后头部计算预测输出。

FPN 高维度向低维度传递语义信息（大目标更明确）
PAN 低维度向高维度再传递一次语义信息（小目标也更明确）

YOLOv5会将数据集传送给一个数据加载器dataloader，它将会在线增强数据，主要方式有：缩放，颜色空间调整和mosaic增强。其中，马赛克增强是将四张照片以随机比例结合成一张。它对于COCO数据集上的小目标检测效果非常好，见上述实测例子

YOLOv2:采用多尺度训练方法，每迭代10个batch，就将网络的输入尺寸进行一个随机的选择，提升检测鲁棒性。