YOLO系列

1. TensorRT 简介 TensorRT 是为了模型高效部署推理的优化器。 多GPU训练 → 单GPU部署推理：一般的深度学习项目，训练时为了加快速度，会用GPU分布式训练。但在部署推理时，为了

1.1 模型部署 训练好的模型在特定软硬件平台下推理 针对硬件优化和加速的推理代码 1.2 推理流程 训练框架：PyTorch、Keras、TensorFlow、MXNet训练 --> 中间表示：ON

学了这么久的代码了，我尝试汇总一下近段时间的思路，如有问题，后续会继续更正！保持学习！ 训练函数计算过程： 验证/测试过程：

运行train.py的流程： 加载包的导入 加载每个函数的头部 找到程序入口if __name__ == "__main__" 按顺序执行 main程序入口 parse_opt加载参数 main配置参

（loss.py） 进入ComputeLoss的__init__函数： （train.py） 每个epoch中，开始迭代每个batch的数据并获取一个batch的损失： （loss.py）loss.p

在此声明： 1. 我们是按task='test'来过这个val.py模块的。 2. 我们用的是自己的数据集：有3个类别，{0:HP,1:LP,2:NE}；124张图；batch_size32

本人参加了人工智能创作者扶持计划，包括YOLOv7的使用环境、YOLOv7的结构：E-ELAN、RepConv等创新点

对focal loss一直不怎么了解，现在特地整理了一番。这个函数做了两件事：1. 控制难易区分的样本loss权重 2.控制正负样本loss权重。

NMS 算法： NMS发生在目标检测算法的最后一步，计算mAP的前一步。 NMS 步骤：排序、计算IoU、遍历所有框、遍历所有类、跨类比价。

掘金日新计划第4天 ：回顾IoU和查准率，查全率。mAP的计算步骤。关COCO数据集的mAP计算过程。

YOLO 增加的点子，并不多了，把CSP结构应用在了Neck的PAN上，然后数据增强，训练技巧等，其余的改变并不多。

今天为大家讲解YOLO v4，这里面涉及很多trick，我们只是捡出来一些重要的：网络结构（CSP+SPP+PAN），数据增强，定位函数等

YOLO v3继承了YOLO v2的BN、距离、预测偏移。主要创新在于YOLO v3改变结构，添加了残差结构、FPN结构。

YOLO v2添加了7个主要的tricks显著添加了检测精度。主要的是：BN层、分辨率、Anchor、k-means、约束回归参数、特征融合、多尺度训练

看累了基于Anchor的网络结构了，今天想来点不一样的~。今天为大家讲解Anchor free的FCOS结构。

SSD像Faster RCNN：尺度大小固定的default box，损失函数相同。SSD像YOLO：一次扫描不提前提取候选特征，对每层进行预测。

RetinaNet能够在实现和one-stage同等的速度基础上，在精度上超越所有（2017年）two-stage的检测器。1.网络结构2.正负样本不均衡。

本篇介绍了one-stage中的入门网络yolo v1,该网络不用提取候选特征，直接通过图片中划分区域→标注分类和bounding box→预测类别和位置。

《Feature Pyramid Networks for Object Detection》 FPN构建了一个可以进行端到端训练的特征金字塔。 通过CNN网络的层次结构高效的进行强特征计算。

Faster RCNN的几个重要细节又进行了重新学习。主要是分类网络、anchor的生成，接下来一篇主要通过代码去详细。