金色旭光

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

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。 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数据集转换成coco数据集 coco数据集 阅读全文

摘要： 在我做一些算法学习的时候，需要将voc数据集转coco放到yolo当中训练，但是在网上找了很多个都不是很好用，要不是会报错，要不是根本不能跑起来。为了节省在学习算法小伙伴的时间，我分享我在工作常常用的voc转coco的脚本。 阅读全文