本文章主要讲述yolo系列网络的理论知识，从yolov1->yolov2->yolov3->yolov3 SPP->yolov4，如果有不太明白的可以参考哔站这个up主的视频https://www.bilibili.com/video/BV1yi4y1g7ro?spm_id_from=333.999.0.0。
大神讲的是真的好。真的好，真的好！！！！

1、YOLO V1

1.1论文思想

先来大致了解一下论文思想。

1. 将一副图像分成SxS个网格（grid cell），如果某一个object的中心落在这个网格中，则这个网格就负责预测这个object。

什么意思呢？假如有下面这张图片：

对于图像中狗这个object，存在于划分后的多个 grid cell中，人工标注的真实框就是图中的红色框的区域，，在红色中的这些grid cell中处在中心的grid cell是黄色位置，那么这个黄色的grid cell 就负责这个狗object的预测。

1. 每个网格要预测B个（B一般取2）bounding box，每个bounding box除了要预测位置之外，还要附带预测一个confidence值。每个网格还要预测C个类别的分数。

什么意思呢？就是说分完网格以后每个网格预测两部分信息：
1、一部分是bounding box
每个bounding box 要预测 5 个参数值，一个位置信息包含4个参数，就是预测边界框的4个参数参数（x,y,w,h），还要预测一个confidence值，这个confidence是YOLO系列独有的。
2、一部分是预测C个类别对应的得分，有多好个类别，就有多好个参数。

假如我们现在用的是 Pascal VOC 数据集，这个数据集有20个类别，故有
C = 20
假设 S = 7，所以input经过上边的操作，就会得到S x S = 7 x 7 个grid cell
设 B = 2，即一个grid cell 预测两个 bounding box
所以可以计算，这个input要预测的参数个数
参数个数=grid cell的个数 x （每个grid cell预测的bounding box个数 x 每个bounding box 要预测的参数个数 + C个类别参数 = 7 x 7 x （2 x 5 + 20 ）= 7 x 7 x 30

也就是说，经过YOLO 的正向传播，你就会得到一个7 x 7 x 30 的特征矩阵，看下面这张图加深理解，就是直观的分析要下上面表格中的内容，为什么是一个grid cell 对应30个参数：
下图中一个黄色的长条对应的的就是一个grid cell对应的参数矩阵，后面的拆分就是参数的组成。

然后我们还要分析一下每一个bounding box 的5ge 参数（x,y,w,h）confidence 具体是什么
注意：这里的4个参数意义是和faster RCNN以一样的，但是值的相对对象是不一样的，因为在YOLO中是没有FAster RCNN中的 anchor box的概念的。

x ，y	预测目标边界框的中心坐标，这个坐标是相对于grid cell而言的，如下图，中心点的grid cell 是黄色的框，然后我们的x,y,是相对于黄色框的中心点坐标而言的，就是说变换的尺度被限制在0~1之间，只能在这里边调整，就是图中蓝色的点，不会超出黄色框
w，h	预测目标边界框的w,h,同样也是一个相对值，相对的目标是整幅图像的高和宽而言，也就是说在下图中白点的位置变换，尺度同样被限制在0~1之间
x,y,w,h	之所以这样是因为LOYO没有 anchor box的概念的，fasterRCNN有anchor box，就是计算anchor相对于真实gt的偏移量。
confidence	预测的目标边界框与真实目标边界框的交并比IOU乘 Pr(object)
Pr(object)	这个值你可以理解成0,1两个值，当网格grid cell中有目标落在上边面为1，如果没有则为0，这样计算，如果Pr(object)为0，那么这个grid cell对confidence就等于0

1. 测试过程中的输出

论文原文是这么说的：

在测试时，对于每一个目标的概率，我们是将条件类概率与个体框置信度预测相乘
上面我们说到过，多于每一个 bounding box ，我们有C个类别，最后的类别参数就会包含C个类别的分数

对于这个公式，经过变形，最后就得到了两部分相乘组成

Pr(Classi)	为某一目标的概率值
IOUtruthpred	预测边界框与真实边界框的覆盖程度

以上就是论文思想，然后看一下YOLO V1 的网络结构

1.2、YOLO V1 网络结构

卷积的过程就不解释了，直接看后边
最后一次卷积以后得到了一个7 x 7 深度为1024 的特征矩阵：
flatten展平处理，以进入全连接层
fc(4096)全连接，得到4096维的向量
在进行fc(1470)的全连接，得到1470的一维向量
然后做reshape的维度变换，变换到 7 x 7 x 30 的特征矩阵，这样就回到了上面提到了分成S x S 的grid cell，对应的30个值就是每一个grid cell对应的参数。

1.3、YOLO V1 损失函数

这个网络的损失函数由3部分组成：

分为bounding box损失，confidence损失，还有classes损失
在计算损失的时候，用误差平方损失函数和进行计算
1、bounding box损失：

• 对于x，y 的 loss计算 = 预测值-真实标签值的平方和
• 对于w，h的计算有所不同，要对与测试于真实值开根号再计算误差平方和。原因是考虑到大目标和小目标的问题，看下面的图
  
  其中蓝色代表预测值，绿色代表真实值，然后看左边的图，如果我们直接用平方和，那么对于大小目标，横轴同样的偏差造成纵轴的损失就是一样的，想一下这种情况，对于同样的损失，如果是小目标，那么效果就是很差的，因为偏差一点，IOU就变了很多，但是在大目标上看，就没有多大影响，所以对于这样不行，不利于小目标的预测。怎么办：
  
  看这张图，很显然如果做了开根号以后再计算平方误差，那么横轴同样的偏差，对小目标造成的损失要大于大目标的，这样就利于小目标的检测学习。
  总结来说就是我们不想让同样的偏差对大小目标造成的误差一样。

2、confidence损失
直接预测值-真实值
但是值得注意的是，这个有两部分组成，一部分是有真实中目标的，一部分是没有真实目标的。所以说没有真实目标的减去的真实值是0，那么结果就会大，就符合误差的增减关系了

3、classes损失
预测值 - 真实值

然后，将3部分加在一起就是总的损失

1.4、YOLO V1 存在的问题

1. 对群体性小目标的检测效果差（每一个grid cell只预测两个bounding box ）
2. 当目标出现了新的尺寸配置的时候，效果差
3. 定位不准确（直接预测目标信息，没有anchor概念，没有回归预测。）

有了问题才好进行后面的版本的改进。

---

2、YOLO V2

YOLO v2针对YOLO v1做了如下尝试，就是对YOLO v1进行的改进

经过这些尝试是模型的性能大大提高，接下来就分析一些这些改进

2.1、Batch Normalization

首先是BN层，在每个卷积层之后加上BN层。估计是当时发表YOLO v1的时候留了一手，哈哈哈
原论文作者是这样解释的，在每一层卷积之后加上一个BN归一化层，这样到来的好处就是：

1. 加速模型的收敛速度
2. 消除其他形式的正则化
3. 使用BN层可以消除dropout的操作。（drop的作用是减轻过拟合的作用）

总体而言，通过加上BN层的操作以后，有助于模型规范化，得到了2%以上的mAP提升。

2.2、High Resoul Classifier

这个操作是：使用了一个更高分辨率的分类器。
在YOLO v1中，作者采用的是 224 x 224 输入大小的分类器。在YOLO V2中采用一个更大的输入尺寸，448 x 448 的输入，带来的好处：

1. 使用更大的分辨率的输入给模型带来了4%的mAP的提上

2.3、Convolutional With Anchor Boxes

原论文是这么说的：

上边已经讲到，在YOLO v1中作者是直接预测目标边界框的高度，宽度和中心坐标的，这样的定位性能并不是太高，在YOLO v2中，作者尝试使用基于Anchor的预测，预测anchor偏移量的形式来预测目标边界框。好处是：

1. 简化目标边界框的预测问题
2. 加速模型收敛

总的来说，这样做使得mAP有了一点点的下降，但是模型的召回率却有了将近10%的提上，召回率上去了，就证明能检测出来的目标更多了，而且准确路并没有多大的下降，这是很好的，有助于模型继续提升的空间。

2.4、Dimension Clusters

原论文这样说的:

在FASTER RCNN中不是得到了3个尺寸和3中比例的目标边界框嘛，但是也没有说为甚就是这3种尺寸没中比例，这里坐着给出，在训练的过程中，用K-means聚类的方法得到。

2.5、Direct location prediction

这一点是关于目标边界框预测的一些尝试。就是也加上了一个类似于anchor的概念。论文中称为 bounding box prior。

先来看一下在FASTER RCNN中，给出的边界框回归参数预测过程，有给出如下回归公式

其中：

t_i:表示网络预测的第i个anchor边界框的回归参数
ti^*表示第i个anchor对应的真实边界框GT Box回归参数

然后我们计算公式如下

先来看一下运用anchor以后的回归参数的预测过程。

1、首先我是不是预测出了一个边界框（x,y,w,h）
x：表示我们当前预测的x坐标,依此类推y,w,h
2、然后我们还有一个 anchor的边界框的坐标（x_a,y_a,w_a,h_a,）
x_a：表示真实的边界框中心点a的x坐标
3、我们就看x,y,进行分析
t_x：（预测的的x值 - anchor中心点x_a值）/w_a，依此类推，得到的就是预测的的边界框相对于anchor的回归参数[t_x,t_y,t_w,t_h,]
t*：（真实的x值 - anchor中心点x_a）/w_a，依此类推，得到anchor对于此anchor对应的真实边界框GT Box对应的回归参数
4、学习的目的就是让预测的参数和真实的参数接近
4、最后计算损失：loss = t^*- t

上边是FASTE RCNN用了anchor概念以后的预测过程，预测的是预测边界框相和真实边界框对于anchor box的偏移量然后进行损失计算学习参数，而我们之前讲的YOLO v1是直接通过预测边界框相对于真实边界框（相对于整副图像）计算的偏移量。

有了回归参数然后就是预测过程，预测的具体计算。

经过对基于anchor的预测模型的学习，作者发现这种方式在训练的前期是很不稳定的，经过研究，发现这种不稳定更多的是由于预测中心坐标想，y所导致的，预测的公式是：

x = (t_x * w_a) + x_a
y = (t_y * h_a) + y_a

就是说对于这个预测公式，他是没有任何限制的，所以预测出来的坐标可能会出现在图像的任意地方，这显然是不好的。为什么会这样，我们看一个例子：

1、首先对于每一个grid cell，设置anchor设置在每一个grid cell的左上角，如上图。
2、由于我们的公式并没有限制tx,ty的值，那么我们将anchor的中心坐标加上回归参数之后呢可能出现在图像的任意一个地方，可能是上图的右下角的黄色值。
3、但是这明显是不对的，因为右下角的黄色框应该是由右下角grid
cell的anchor中心点坐标加上回归参数得到的，轮不到左上角的anchor。

就造成了不稳定，为了改善这种情况，作者用了另外一种方法：

1. 假设将anchor设置在每一个grid cell左上角的话，假设他的中心点坐标是（C_x,C_y）
2. 假设预测的bounding box prior的宽高是（P_w,P_h）
3. 在YOLO v2中作者给出了如下计算公式
   
   就是给t_x经过sigmoid函数映射，将t_x限制在0~1之间，也就是将预测的中心点坐标固定在当前的 grid cell中了。
   就是：让每一个anchor （prior）只去负责预测目标中心点落在某个grid cell区域内的目标。区域外的目标就不用管了。

总的来说，利用聚类方式生成bounding box prior，和直接预测bounding box中心坐标的方式，这样的改进使得模型提高了5%的mAP。

具体的预测过程我们在YOLO v3中讲解，v2,v3是一样的预测过程

2.6、Fine-Grnined Features

原论文是这样说的：

就是说在最终的预测特征图上结合更底层的特征信息，就是更靠前的卷积层输出的特征结果。
因为这些特征层更能显示一些图像的细节信息，这是在检测小目标所需要的
怎么结合的呢，还是引用上面提到的哔哩哔哩UP主的杰作：看下图

这是一个YOLO v2模型的整体框架
这里作重要的就是这个蓝色框的部分：

这里有一个细节，在进入PassThrough Layer之前进行一个1 x 1 x 64的卷积得到26 x 26 x 64的特征

他是将底层的26 x 26 x 64的特征和后面的 13 x 13 x 1024 的层结合，怎么结合的，这是一个最新的主流技术，yolo v5 focus结构也是这样的，哈哈哈，看下图这个例子：

1. 假设这里有一个 4 x 4 的特征矩阵
2. 首先将这个特征矩阵进行2倍分割
3. 然后分割之后将相同位置的小方格进行组合
4. 就得到4个 2 x 2的特征图

可以看到，原特征矩阵的长和宽变为原来的二分之一，深度变为原来的4倍。
经过PassThrough Layer得到一个 13 x 13 x 256的特征矩阵
然后在深度方向和一样宽度的高层特征图进行一个拼接，即深度相加

2.7、Multi-Scale Training

原论文是这样说的：

就是说进行多尺度训练。
在训练过程中，替换固定尺度的输入，提高鲁棒性怎么做？
每次迭代10个批次，将网络的输入尺寸进行一个随机的选择，对输入图像进行缩放，这个缩放因子是32

32是怎么来的：
看上边的网络结构，输入的是：416 x 416
最后一个特征层的输出是： 13 x 13
416/13 = 32

所以，我们随机选择的输入尺寸都是32的10~20的整数倍从320开始到608结束
{320,352，…………，608}

上面就是 YOLO v2的一些尝试，然后看一下 YOLO的主干网络

2.8、主干网络—BackBone：Darknet19

网络结构如下：

这里的输入是224 x 224输入为例：Darknet-19224x224)]only requires 5.58billion operations to process an image yetachieves 72.9% top-1 accuracy and 91.2%top-5 accuracy on ImageNet.
准确率很高。
网络的总体结构还是上面的这里就不做阐述了：

就是注意一下，最后做的就是一个简单的1 x 1 x 125 得卷积，这个125就是5个bounding box prior对应的参数。

---

3、YOLO V3

前边的YOLO v1，和YOLO v2就是做一下简单的介绍，YOLO v3相对与他两个在mAP上有了一个相当大的提升，模型也相对复杂，是值得学习的，后面的v4,v5也是对v3稍加改进，有在数据层面的，也有在模型层面稍加调整，理解好 v3还是有必要的，接下来就看v3吧。

3.1、主干网络—BackBone：Darknet-53

在v2中用的主干网络是Darknet-19，而v3中在主干网络部分进行了改进，运用Darknet-53，我来简单的介绍一下，同样看一下论文中的网络结构：

可以看到Darknet-53的top-1有了4个百分点的提升，检测速度也不低，每秒78张图片。
简单分析一下网络结构，之所以叫Darknet-53，是因为整个网络中用可53层Convolutional。

然后每一个上面每一个Residual对应的方框圈住的部分相当于一个残差结构。

1、为什么效果会比普通的残差结构更好？
是因为在网络中，去除了ResNet中的最大池化层，每一次的下采样都是用“步长为2的卷积层”实现的尺度的压缩的，这样做的好处就是更能融合全部的特征信息。
2、为什么速度快？
这个网络的参数个数远小于ResNet

3.2、模型结构

这个地方还是引用我上面提到的UP主https://blog.csdn.net/qq_37541097/article/details/81214953的博文里的图片。

通过这个图我们可以看到，对于每个入，考虑三个预测特征层的输出，然后每个预测特征层又有三种尺度的预测。每三种尺度的具体数值是通过K-mens算法得到的，那么一共得到9种尺度，每一个预测特征图三种。

还是用UP的杰作（有点剽窃的感觉了，因为我写博客也是为了加深自己的理解，捋一遍过程，就这样吧）：

在YOLO V3中加入了一个 bounding box priors，这个就和我们之前Faster RCNN中的 anchors是一样的。

然后我们看一下在看一下预测的参数，这里以每一个预测特征层为例：

特征层size	N x N
grid cell 三个数	N x N
每一个grid cell的bounding box priors个数	3
每一个bounding box priors参数	位置参数4个，目标置信度confidence 1个，类别分数 C个（C就是类别数）
总参数个数	N x N [3 x (4 + 1 + C)]

如果是对于 13x 13 的特征层基于COCO 数据集C=80 预测，就是：

然后你要注意Convolutional Set 里边的结构

经过 Convolutional Set ，输出两个分支，一个是进行此特征层的预测，另一个是进行了一个Convolutional + Up Sampling 后与底层特征层进行一个 Concateate，这个操作是在深度方向上进行拼接作为下一个预测特征层的预测，依此类推

然后每一个特征层的预测器，就是一个简单的Conv1 x 1的卷积。

因为三个特征层的尺度不一样对于输入是416 x 416的输入：

输入	416 x 416
第一个特征层13 x 13	预测较大的目标
第二个特征层 26 x 26	预测中等目标
第三个特征层 52 x 52	预测目标

这样就把预测大小目标的性能都考虑在内了。

3.3、YOLO v3 目标边界框的检测

对于目标边界框的预测，采用的是和YOLO V2一样的预测机制。详细的看一下。

在YOLO V2和YOLO V3中运用的anchor机制和FAster RCNN ，SSD还是有一点不一样的。

模型	网络预测众目标中心点的参数相对对象	宽高
Faster RCNN，SSD	anchor	anchor
YOLO v1	当前grid cell中心点	整幅图像
YOLO v2，v3	当前grid cell左上角点	anchor

我们以某一个特征层进行分析：

假设这就是三个特征层中的某一个预测特征层特征层

1、当对上图中红色的 grid cell进行预测的时候，会得到三个anchor，每一个anchor模板都会生成（4 +1 + C）个参数。
通过训练对于每一个anchor得到下面四个回归参数分别是：

tx
ty
tw
th

2、图中虚线的部分代表的是anchor，每一个anchor只需要关注anchor的宽度和高度

宽度Pw	Ph高度

在回归参数的预测过程中，我们是通过学习，学到回归参数，这个回归参数是基于anchor偏移量计算的，所以在预测过程中，我们关注的同样是关注anchor的宽度和高度。

3、图中蓝色的矩形框对应的是最终预测的目标边界框的大小和位置

4、有了回归参数然后看一下预测边界框的坐标的计算公式

Cx，Cy	当前grid cell 左上角点的 （x,y）坐标
预测的目标中心点的坐标x	bx = Sigmoid（tx）+ Cx
–	–
预测的目标中心点的坐标x	by = Sigmoid（ty）+ Cy
预测的目标边界框宽度w	bw =Pwet~w~
预测的目标边界框高度h	bh = bw =Phet~h~

这里的改进就是加上了Sigmoid函数：

这里的最好的地方就是在预测过程加上了Sigmoid函数对偏移量进行限制，使得偏移量维持在0~1之间，就是这个预测框只预测当前grid cell的object，作者会加速模型的收敛。

3.4、YOLO v3 正负样本的匹配

原论文是这么说的：

就是说对边界框参数进行训练的时候会计算损失，计算损失的时候对于不是前景的损失就不用计算了对不对，那就要区分哪些要计算，要计算的是正样本，哪些不计算为负样本，对于生成的所有bounding box prior怎么分配这个值呢，针对每一个GT 我们会分配一个正样本bounding box prior ，一张图片中有几个GT目标，就有几个正样本。
分配原则（怎么给这个bounding box prior打标签）：

1. 将与GT重合度最大的bounding box prior作为正样本
2. 将与GT也重合但不是最大的bounding box prior但是由大于规定的某一IOU阈值，直接丢弃
3. 其余的，也就是IOU小于规定的阈值的作为负样本

如果当前bounding box prior 既不是正样本，也不是负样本，那么他就既没有定位损失，也没有类别损失，只有confidence损失
现在有一个问题，如果按照作者给出的分配方式会造成正样本的数量很少，就做如下改进：

怎么改进看一个例子吧（还是引用UP主的杰作）：

以一个特征层为例
之前我们说过，对于每一个预测特征图，都会有三个不同的预测特征图模板
蓝色——代真实的也边界框GT
黄色——代表不同尺寸模板Anchor Template

分配步骤如下：

1、将每一个Anchor Template 与 其对应 GT 的左上角重合
2、重合好了以后，将GT和他对应的每一个Anchor Template进行一个IOU值的计算。
3、IOU-AT1=0.25，IOU-AT2=0.7，IOU-AT3=0.2
4、设置一个IOU阈值，这里我们设置成：IOU > 0.3，只要IOU>0.3的就都置为正样本，则正样本为IOU-AT2=0.7这个模板
5、然后将GT映射到预测特征图（grid网格）上
6、映射后GT的中心点落在哪个grid cell上，该cell对应的AT2就为正样本
7、如果第3步计算的AT-1，2，3的IOU都大于指定阈值，那么在当前的grid cell 中对应的3个anchor都会被置为正样本

以上面的方法分配，就达到了扩充正样本数量的目的，租主要的就是第7步的分配准则。

3.5、YOLO v3 损失计算

YOLOv3的损失函数主要分为三个部分：

目标定位偏移量损失	Lloc(l , g)
目标置信度损失	Lconf(o , c)
目标分类损失	Lcla(O , C)

如下

λ₁，λ₂，λ₃，为平衡系数。

3.5.1、置信度损失-Binary Cross Entropy

目标置信度可以理解为预测目标矩形框内存在目标的概率。直接理解就是预测的框和真实的框的IOU越大，概率就越大
论文原文是讲：

就是说对于每一个bounding box 所预测的 objectness score 用的是逻辑回归，**源码中的逻辑回归的损失计算使用的“二值交叉熵损失”**给出下方公式：

oi ∈ [0,1]	表示预测目标边界框与真实目标边界框的IOU（原文是说只有0,1两个值）
c	预测值
c^i	c通过Sigmoid函数得到的预测置信度
N	正负样本个数

3.5.2、类别损失-Binary Cross Entropy

同样看原文：

就是说：只有正样本才有目标类别损失，在计算类别损失的时候，同样用“二值交叉熵损失”

Oij∈ {0,1}	表示预测目标边界框 i 中是否存在第 j 类目标，取0或1
Cij	预测值
C^ij	Cij通过Sigmoid函数得到的目标概率
Npos	正样本个数

针对上面的计算公式看下面的例子

输入图片两个目标是猫

1、假设类别：【老虎，豹子，猫】
2、真实标签：
目标一：【0，0，1】
目标二：【0，0，1】
3、预测概率(经过Sigmoid处理)
目标一：【0.1, 0.8, 0.9】
目标二：【0.2, 0.7, 0.8】

通过计算你可以发现，对于每一个输出值相加之和不等于一，因为经过了而值交叉熵损失计算，没有经过softmax处理，每一个类别输出的概率值是相对独立的。

3.5.2、定位损失

原论文提到：

就是说：目标定位损失采用的是Sum of Squared Error Loss，注意只有正样本才有目标定位损失

还是看边界框预测过程的图：

给出损失计算公式：

tx，ty，	网络预测的关于中心坐标的偏移参数
tw，th	网络预测的关于目标宽高的缩放因子
Cx，Cy	是对应Grid Cell 的左上角坐标
Pw，Ph	代表对应Anchor模板的宽度和高度
gx，gx，gx，gx	代表GT Boxes中心点的坐标x, y以及宽度和高度（映射在Grid网格中的）
g^	真实回归参数

根据上边的公式，对，仅对每一个正样本计算定位损失，然后求和，最后除以正样本总个数。
了解即可

---

计算机视觉——YOLO（v1，v2，v3）相关推荐

1. PyTorch 实现经典模型7：YOLO (v1, v2, v3, v4)

   YOLO (v1, v2, v3, v4) 网络结构 YOLO v3 网络结构 代码 Ref <机器爱学习>YOLO v1深入理解 <机器爱学习>YOLOv2 / YOLO90 ...

2. 目标检测（九）--YOLO v1,v2,v3

   YOLO v1 这是继RCNN,fast-RCNN和faster-RCNN之后,rbg(RossGirshick)针对DL目标检测速度问题提出的另外一种框架.YOLO V1其增强版本GPU中能跑45f ...

3. CNN：RCNN、SPPNet、Fast RCNN、Faster RCNN、YOLO V1 V2 V3、SSD、FCN、SegNet、U-Net、DeepLab V1 V2 V3、Mask RCNN

   日萌社 人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新) CNN: 目标检测: RCNN SPPNet Fast RCN ...

4. st-link v2怎么连接_深度学习之 YOLO v1,v2,v3详解 - 一杯清酒邀明月

   (写在前面:如果你想 run 起来,立马想看看效果,那就直接跳转到最后一张,动手实践,看了结果再来往前看吧,开始吧······) 一.YOLOv1 简介 这里不再赘述,之前的我的一个 GitChat ...

5. IGMP V1 V2 V3 定义和区别

   先来认识一下IGMP这个协议吧,它的全称是Internet Group Management Protocol,它和unicast和multicast的区别是它是发往一组计算机(属于它这个组播组的所有 ...

6. 使用自己的数据集训练GoogLenet InceptionNet V1 V2 V3模型（TensorFlow）

   使用自己的数据集训练GoogLenet InceptionNet V1 V2 V3模型(TensorFlow) [尊重原创,转载请注明出处]https://blog.csdn.net/guyueali ...

7. 经典卷积神经系列（Inception v1\v2\v3\v4、ResNet、ResNext、DenseNet、SENet）

   写在前面:此文只记录了下本人感觉需要注意的地方,不全且不一定准确.详细内容可以参考文中帖的链接,比较好!!! 经典的CNN:Inception v1\v2\v3\v4.Resnet.Resnext.D ...

8. (转自网易--无风)IGMP V1 V2 V3 定义和区别

   IGMP的问题,应用在IGMP的一些概念. 那就让我们完整的看一下这个组播协议把,以下是我学习过程重总结的一些东西, 先来认识一下IGMP这个协议吧,它的全称是Internet Group Manag ...

9. 一文看尽目标检测：从YOLO v1到v3的进化之路

   本文转载自: http://www.mamicode.com/info-detail-2314392.html 导语:如今基于深度学习的目标检测已经逐渐成为自动驾驶.视频监控.机械加工.智能机器人等领 ...

10. 一文看尽目标检测：从 YOLO v1 到 v3 的进化之路

    点击"小詹学Python",选择"星标"公众号 重磅干货,第一时间送达 源自: http://www.mamicode.com/info-detail-2314 ...

最新文章

1. php接入微信运动计步功能,运动计步，微信运动究竟靠不靠谱？
2. 天猫精灵可以当电脑音响吗_天猫精灵推出便携式投影仪，小到可以装进口袋，试试效果...
3. LIVE555再学习 -- testRTSPClient 实例
4. http method
5. 用Zend Encoder加密PHP文件和PHP 优化配置
6. 《自然》重磅新论文：女性更易患阿尔兹海默症，竟然是因为它！
7. 蓝桥杯青少创意编程python组
8. 腾讯优测-优社区干货精选 |安卓适配之Camera拍照时快门咔嚓声
9. Arrays.asList的用法
10. 20170814二维码的识别
11. Windows远程桌面如何设置分辨率
12. Pyke 逻辑编程入门（16）：知识库之“问题库”
13. 完全卸载SQL server 2005的方法
14. Pocket PC 2003 PC网卡上网设置
15. MATLAB 插值+计算离散点曲率
16. 【扫盲】硬盘接口『 SATA 、 mSATA 、 m.2 （ NGFF ）、PCI-E （ PICe 、 PCI Express ） 』及其协议 『 NVMe 、 AHCI 』
17. 大二web期末大作业——动漫海贼王（可以很好的应付老师的作业）
18. 论文阅读：机器学习模型可解释性方法、应用与安全研究综述
19. Web前端开发必不可少的10个开源框架
20. 计算机管理恢复分区,windows10系统隐藏恢复分区Recovery Image的方法

热门文章

1. OpenCV imread读取图片为空的问题
2. python re 筛选数据 求和_python求和函数sum()详解
3. 【微信小程序】实现下拉刷新和上拉触底加载更多数据的页面事件
4. 网站SEO实践之 - 解决网站不收录的必备思路
5. HTML+CSS实战---------一个电商类的小型项目：品优购（一）
6. itunes 升级到8.2后出现无法连接91手机助手解决方法
7. php实现摇一摇点名程序
8. 前端学习之JavaScript DOM以及DOM操作的基础知识
9. [AMBA]AHB总线协议简介
10. LCYのACM退役回忆录【兼2022西安威海赛后记录】