一起养成写作习惯！这是我参与「掘金日新计划 · 4 月更文挑战」的第30天，点击查看活动详情。
神经网络
常见术语与名词
训练、Epoch、Batch Size、Step、评估
深度学习的分类
有监督学习、无监督学习、评估指标
YoLo算法学习
fork 一个基于YoloV3目标检测模型
目标检测模型优化算法
1.数据增强
图像混合(Image Mixup) AutoAugment 图像镶嵌(Image Mosaic)
2.数据采样
OHEM Class aware Sampling
3.网络结构
更优的骨干网络(backbone) 可变形卷积(Deformable Conv) Coord Conv 不同尺度的池化窗口提取特征(SPP) DropBlock
4.学习策略
Iou/GIou/DIou/CIou/Loss Iou/Aware Label smooth 调整loss权重 计算中心坐标时，加上一个偏移和缩放(Grid Sensitive)
5.训练策略
调整batch size/learning rate/迭代次数等 卡间同步均值和方差(Synchronize batch norm) EMA
6.后处理
Soft NMS
Matrix NMS
目标检测评价指标
平均精度均值(Mean Average Precision，mAP)
mAP即是把每个类别的AP都单独拿出来，然后计算所有类别AP的平均值，代表着对检测到的目标平均精度的一个综合度量。
-
正例（Postive）:代表我们目标的类别
-
负例（negtive)：代表我们不关心的类别
-
真正TP(True Postive): 实际是正例，预测也是正例。
-
假正FP(False Positive):实际为负例，预测为正例。
-
假负FN(Flase Negtive):实际为正例，预测为负例。
-
真负TN(True Negtive):实际是负例，预测也是负例。
-
精确率 P(Precision):指的是如果模型预测一条数据是正例，那么有多大的概率确实是正例。
-
召回率 R(Recall):可以用来衡量模型能在验证集中找回多少正例。
PR曲线
平均精确度AP(Average Precision)
通常用于计算评价的检测精度，用于衡量检测器在每个类别上的性能好坏（就是PR曲线下的面积）。
p表示precison,r表示recall
平均AP值mAP (Mean Average Precision)
多用于评价多目标的检测器性能，衡量检测器在所有类别上的性能好坏。
n表示类别数量
交并比 IOU(Intersection Over Union)
IOU用来衡量预测的物体框和真实框的重合程度。
