摘要：Yolov5官方代码中，给出的目标检测网络中一共有4个版本，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型。 YOLO v5四个版本的算法性能图 YOLO v5s的框架图 Mosaic数据增强 Mosaic是参考CutMix数据增强的方式，但CutMix只使用了两张图片 阅读全文

摘要：YOLO V1 大致框架：只用一次就可以检测物体的目标检测。YOLOv1借助了GoogleNet的思想，使用了22层卷积层和两层全连接层来进行目标检测。首先是将整张图片传入给神经网络，借助全局的特征更好的进行目标检测任务。 优点： YOLO v1将检测视为回归问题，因此处理图像的流程非常简单、直接。 阅读全文

摘要：动量梯度下降 主要是选用指数加权平均的思想，给梯度下降增加一个动量，使这个梯度下降可以在纵向摆动更小，横向摆动更大（每一次都是往最优的方向前进），从而加快了收敛速度。 超参数：学习率α、β默认值是0.9 RMSProp 也是利用指数加权平均的思想，只不过在动量梯度下降基础上加上了平方根的思想，这样使 阅读全文

摘要：图像分类： AlexNet、VGGNet、GoogLeNet、ResNet优化算法： 动量梯度下降、RMSPROP、Adam两阶段目标检测： R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN单阶段目标检测： YOLO V1、YOLO V2、YOLO V3、 YOLO V4机 阅读全文

摘要：AlexNet 大致框架AlexNet是深度神经网络的开山之作，其中包括前五层是卷积层、三层的全连接层、和softmax层分类。其中使用了ReLU激活函数、局部响应归一化、重叠池化、在最后一层的全连接上dropout。 优点：使得速度变快，使用relu激活函数，使用重叠池化，droupout等，提高 阅读全文