摘要：
本系列主要记录在做算法模型训练过程中一些列用到的技术。 对于我一个非算法科班出生的人来说，训练模型需要学习和积累的知识非常多。公认的高效的学习模式就是搭建自己的知识体系并形成输出，学习某一个知识点之后动手实现，然后记录下来，整理出总结性文章。不断构建自己的知识树，最终形成自己的体系。 voc数据集转 阅读全文
摘要：
目前在全力开发一个模型训练相关的开源项目，该项目技术栈相当丰富，而且各种技术都是比较新，所以本系列拆解该开源项目的技术。 阅读全文
摘要：
Python语言虽然一直被认为是执行速度慢的语言，但是在互联网公司中却也拥有一席之地。python优势在于方便高效的库和简易的语法操作。
那么在互联网公司中python使用什么模块呢快速迭代呢？本系列更新互联网公司中使用python编程的模块、思想、规则等。
欢迎探讨有关与python编程相关的话题，聊模块，聊语法，聊奇巧淫技，也可以聊人生理想。 阅读全文
摘要：
本书是程序员大牛陈皓的文章汇总，内容包括技术、沟通、工程师文化等，通读之后摘录其中精华部分。开卷有益，能读到摘录部分也会收益，当然最好是去读原文，知识转化效率更高。除本书之外，还有一些他的文章也非常值得阅读，包括程序员如何变现，如何学习英语主题等。 阅读全文
摘要：
本篇是自己学习过程中的记录，使用的数据集比较小，主要是为了代码分析和简单的提点。代码分析的部分在之前的文章中已经总结了，本篇主要是结果分析和提升map的一些尝试，入门阶段，高手请绕行。 阅读全文
摘要：
NMS: 非极大值抑制（Non-Maximum Suppression)，
功能：从大量的预测结果中筛选出得分最高的结果。
思路：NMS的主要思路是通过计算目标框之间的重叠度（即IOU，交并比）来剔除非最佳结果。 阅读全文
摘要：
模型的损失计算包括3个方面，分别是：
1. 定位损失
2. 分类损失
3. 置信度损失
本篇主要讲解yolov5中损失计算的实现，包括损失的逻辑实现，张量操作的细节等。 阅读全文
摘要：
yolov5 正样本可视化，分析正样本筛选3种规则，跨anchor预测，跨网格预测，跨分支预测。 阅读全文
摘要：
正样本全称是anchor正样本，正样本所指的对象是anchor box，即先验框。
先验框：YOLO v2吸收了Faster RCNN的优点，设置了一定数量的预选框，使得模型不需要直接预测物体尺度与坐标，只需要预测先验框到真实物体的偏移，降低了预测难度。 阅读全文
摘要：
本篇主要讲解yolov5的网络模型结构以及其代码实现。
到yolov5为止，yolo系列的网络模型结构发展快速的是1，2，3三代，4，5逐渐稳定优化。 阅读全文
摘要：
mosaic 是yolov4中提出的一个数据增强的方式，通过将4张图片拼接在一起送入训练，有效提升了模型的map 阅读全文
摘要：
学习yolo系列，最重要的，最核心的就是网络模型、正负样本匹配、损失函数等三个方面。本篇汇总了yolov1-yolov5等5个版本的相关知识点，主要看点是在yolo框架搭建。初学者可以通过相关篇章搭建自己的知识点框架，然后再深入各个知识点，就像攻克一个又一个山头。当大部分的知识点都了然于胸，yolo系列就算掌握了。 阅读全文
摘要：
在模型训练的学习中voc和coco是最常见的两种格式，并且经常需要互相转换，本篇提供coco数据集转voc数据集的方法。 阅读全文