大可的杨先森的博客

ImageNet 上标签平滑效果的可视化。顶部：当增加ε时，目标类别与其它类别之间的理论差距减小。下图：最大预测与其它类别平均值之间差距的经验分布。很明显，通过标签平滑，分布中心处于理论值并具有较少的极端值。Loss：基于CrossEntropy进行Label Smooth操作class CrossEntropyLabelSmooth(nn.Module):ㅤdef __init__(self, num_classes, epsilon=0.1, use_gpu=True):...

GIOU Loss解决 iou loss 为1 时不优化的缺陷 增加c项，表示为预测框与标签框最小矩形 缺陷，当两个框相交时，尤其一个框包含另一个的时候，退化为iou loss，收敛会变慢DIOU Loss直接最小化Anchor和目标框之间的归一化距离以达到更快的收敛速度 b、bgt分别是anchor、groundtrueth中心点坐标，p为其欧式距离，c为其包含最小矩形对角线长度 解决GIOU Loss 退化IOU loss的情况CIOU Loss回归损失在与目标框有.

torch.backends.cudnn.benchmark = true一般来讲，应该遵循以下准则：如果网络的输入数据维度或类型上变化不大，设置torch.backends.cudnn.benchmark=true 可以增加运行效率； 如果网络的输入数据在每次 iteration 都变化的话，会导致 cnDNN 每次都会去寻找一遍最优配置，这样反而会降低运行效率。...

模型大小6M inference cpu 40ms wflw 98 个点 NE3.5，比第二名高0.9个点

您的鼓励是我前进的源动力????