AI_eNyu的博客

BN（batch normalization）层多方面解读，包括BN层的作用方式、作用位置、起作用原因、测试时的使用方法等！

**`tf.data`为tensorflow官方最为推荐的处理数据的模块**。本文通过实例详细叙述使用`tf.data`处理数据的方法，其中包括**读入数据、预处理数据、使用数据增强**等，同时本文针对上述过程中涉及到的python 及 tensorflow 的api均进行了详细的说明，以求充分理解并自行完成满足实际需求的代码。本文使用tensorflow版本为v2.6且本文内容在**v2.0以上版本均适用。**...

Tensorflow官方入门demo详细解读

目标检测算法常用Loss文章目录目标检测算法常用Loss1. 差值平方损失2. IoU Loss3. GIoU Loss4. DIoU Loss5. CIoU Loss6. 说明和补充6.1说明6.2 补充1. 差值平方损失在YOLOv3及YOLOv1,v2版本均采用的均值平方损失，也称为L2损失。L2损失在目标检测问题上不能很好的表现出ground truth 和预测框之间的位置，重合等关键信息。所以衍生出一系列关于IoU的损失。2. IoU Loss如下图三种不同的情况，明显第三个预测框与

YOLOv1论文精度YOLO系列论文精读总结——[YOLOv1篇](https://download.youkuaiyun.com/download/AI_eNyu/85274569)YOLOv1概述1. 推理阶段2 训练阶段2.1 网络结构:2.2 损失函数:后续版本YOLO系列论文精读总结——YOLOv1篇概述：本文为YOLOv1论文精度的记录，帮助理解YOLOv1整个训练以及预测过程。Tips:文章绿色部分为YOLO后续论文中优化更改的内容。YOLOv1论文精度资料，包括论文原文，推测部分经典PPT

目标检测常见概念：IOU, NMS1.交并比（Intersection over union）交并比函数用来计算两个边界框交集和并集之比。如下图蓝色框可以表示ground truth（标注框），黄色框表示bounding box（预测框），由两框的交并比便可以大致判断预测的边界框是否正确。一般在计算机视觉任务中约定，如果IoU>=0.5IoU>=0.5IoU>=0.5就说检测正确。2. 非极大值抑制（Non-max suppression)当我们模型处在预测阶段时，我们不确定.

目标检测常见评价指标1. 公开数据集评价标准：pascal voc, coco,目前基本都在使用coco数据集。2.评价指标mAP: mean Average Precision, 即给类别AP的平均值。理论知识：TP（True Positive）:IoU>0.5的检测框数量 （同一个Ground Truth 只计算一次）FP(False Positive): IoU<=0.5的检测框（或者是检测到同一个GT的多余检测框的数量）FN（False Negative）: 没有检测到