摘要：
在深度学习中，权重衰减（Weight Decay） 是一种常用的正则化技术，用于防止模型过拟合。它通过在损失函数中添加一个正则化项来限制模型的复杂度，从而提高模型的泛化能力。 权重衰减（Weight Decay）通常在整个训练过程中都使用，而不是仅在某个特定阶段。在 Faster R-CNN 的训练 阅读全文
posted @ 2025-12-06 20:28
yinghualeihenmei
阅读(25)
评论(0)
推荐(0)
摘要：
在动量优化算法中，动量参数（通常用 β 表示）用于控制上一次梯度更新对当前更新的影响程度。动量参数的值在 0 到 1 之间，0.9 是一个常见的选择，它可以帮助优化算法更快地收敛，并且减少震荡。 动量（Momentum） 通常在整个训练过程中都使用，而不是仅在某个特定阶段。 在 Faster R-C 阅读全文
posted @ 2025-12-06 20:23
yinghualeihenmei
阅读(5)
评论(0)
推荐(0)
摘要：
训练轮数（Epochs） = 完整遍历整个训练集的次数，是控制模型学习深度的核心超参数。 一、定义与计算 1个Epoch = 所有训练样本都参与一次梯度更新 Python 复制 # 示例：8000张图纸，batch_size=4 num_images = 8000 batch_size = 4 # 阅读全文
posted @ 2025-12-06 19:58
yinghualeihenmei
阅读(9)
评论(0)
推荐(0)
摘要：
深度学习的"批量大小" Batch Size = 每次梯度更新时使用的训练样本数量。 梯度更新 = 参数更新，两者是同一过程的不同表述。 梯度更新发生在反向传播（Backward Pass）之后、优化器调用step()的瞬间。 作用于 Faster R-CNN 的所有可训练参数，而非某个特定模块内部 阅读全文
posted @ 2025-12-06 19:54
yinghualeihenmei
阅读(4)
评论(0)
推荐(0)
摘要：
初始学习率 0.002 是 Faster R-CNN 精细微调场景下的保守配置，比标准值 0.02 小10倍，适用于迁移学习冻结Backbone或Warmup预热阶段。 一、0.002 的使用场景 场景1：分层学习率中的Backbone Python 复制 # Backbone微调慢，Head训练快 阅读全文
posted @ 2025-12-06 19:31
yinghualeihenmei
阅读(8)
评论(0)
推荐(0)
摘要：
Anchor宽高比是Anchor的形状参数，与尺寸(Scale)共同决定每个候选框的具体高宽像素值。 通用场景（COCO） yaml 复制 # 3种比例覆盖大部分目标 ASPECT_RATIOS: [0.5, 1.0, 2.0] # 0.5: 高大于宽 (人、柱子) # 1.0: 正方形 (车辆、盘 阅读全文
posted @ 2025-12-06 17:42
yinghualeihenmei
阅读(4)
评论(0)
推荐(0)
摘要：
Anchor尺寸 {16, 32, 64, 128} 是建筑图纸检测的极致精简配置，专为小目标密集+资源受限场景设计。 一、核心参数解码 Python 复制 # 对应FPN的4个层级 P3(stride=8): scale=16 → 实际尺寸 128×128px # 符号、标记 P4(stride= 阅读全文
posted @ 2025-12-06 17:40
yinghualeihenmei
阅读(13)
评论(0)
推荐(0)
摘要：
统一管理所有可训练参数的更新，而非作用于某个局部模块。 一、全局视角：SGD管理哪些参数？ Python 复制 # Faster R-CNN可训练参数总览 model = FasterRCNN( backbone=ResNet50(), # 包含 conv1~conv5_x, BN层 rpn=RPN 阅读全文
posted @ 2025-12-06 17:35
yinghualeihenmei
阅读(3)
评论(0)
推荐(0)
摘要：
是的，但远不止改变图片大小这么简单。 一、尺度变换 = 改变图像分辨率 最直接的定义：将图像从原始尺寸（如 3000×2000）缩放到另一尺寸（如 800×600 或 4000×3000）。 阅读全文
posted @ 2025-12-06 13:50
yinghualeihenmei
阅读(8)
评论(0)
推荐(0)
摘要：
在 IoU阈值从0.5到0.95 的范围内，每隔 0.05 计算一个AP，然后取平均值。 mAP@[.5:.95]=101IoU=0.5∑0.95APIoU 具体IoU阈值序列： [0.5,0.55,0.6,0.65,0.7,0.75,0.8,0.85,0.9,0.95] 共 10个 阈值点， 阅读全文
posted @ 2025-12-06 13:46
yinghualeihenmei
阅读(12)
评论(0)
推荐(0)
浙公网安备 33010602011771号