金色旭光

摘要： 模型训练过程中每一轮都会计算P，R，mAP，`mAP@0.5`等数值，本篇分析这些数值的计算过程，分析最核心部分。我的感受是计算的过程比想象的复杂。 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