l13022736018的博客

YOLOV5代码理解——类权重系数和图像权重系数摘要 当训练图像的所有类个数不相同时,我们可以更改类权重, 即而达到更改图像权重的目的.然后根据图像权重新采集数据，这在图像类别不均衡的数据下尤其重要。...

YOLOV5代码理解——损失函数的计算摘要： 神经网络的训练的主要流程包括图像输入神经网络, 得到模型的输出结果,计算模型的输出与真实值的损失, 计算损失值的梯度,最后用梯度下降算法更新模型参数。损失函数值的计算是非常关键的一个步骤。本博客将对yolov5损失值的计算过程代码的实现做简要的理解。def compute_loss(p, targets, model): # predictions, targets, model device = targets.device lcls,

YOLOV5代码解析——优化器摘要 本博文用来记录yoloV5优化器的设置，文章通过yolov5官方代码解析optimizer优化器的用法。Optimizer模型参数共分为三组卷积神经网络的权重参数weights ,卷及神经网偏置参数bias,批归一化的权重参数weights .代码实现如下： # Optimizer nbs = 64 # nominal batch size模拟的batch_size accumulate = max(round(nbs / t

常见的几种激活函数的理解&分析**摘要：**神经网络中的每个神经元节点接受上一层神经元的输出值作为本神经元的输入值，并将输入值传递给下一层，输入层神经元节点会将输入属性值直接传递给下一层（隐层或输出层）。在多层神经网络中，上层节点的输出和下层节点的输入之间具有一个函数关系，这个函数称为激活函数（又称激励函数）。如果不用激励函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合。如果使用的话，激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，这样

YOLOV5 代码学习总结摘要 在学习YOLOV5代码过程中记录一些代码理解计算AP值 compute_apdef compute_ap(recall, precision): """ Compute the average precision, given the recall and precision curves. Source: https://github.com/rbgirshick/py-faster-rcnn. # Arguments re