Lcl_huolitianji的博客

YoloV3学习笔记（六）YoloV3学习笔记（六）—— YoloV3-tiny一、网络架构二、总结YoloV3学习笔记（六）—— YoloV3-tinyyolov3-tiny中，共有两个输出层（yolo层），分别为13x13和26x26，每个网格可以预测3个bounding box，共有80个分类数。所以最后的yolo层的尺寸为：13x13x255和26x26x255。一、网络架构yolov3-tiny网络层结构如下：可以看出，yolov3-tiny共有23层网络，其中包含五种不同的网络层：卷

YoloV3学习笔记（五）YoloV3学习笔记（五）—— 网络架构一、总体架构二、Darknet三、输出YoloV3学习笔记（五）—— 网络架构在上一节中，主要介绍了cfg文件的代码注释，但是还是不懂得YoloV3的网络架构是如何搭建的。一、总体架构DBL: Darknetconv2d_BN_Leaky=conv+BN+Leaky reluBN: Batch Normalization （详情可点击）resn: n代表数字，有res1，res2, … ,res8等等，表示这个Resbloc

YoloV3学习笔记（三）YoloV3学习笔记（三）—— 训练一、数据准备二、代码导入三、数据装载四、模型训练1、训练2、测试3、预测总结YoloV3学习笔记（三）—— 训练在经过环境配置和打标签之后，便开始进行我们最终的目标——训练数据集。一、数据准备以下给出了网上红细胞的数据集以及Yolov3的pytorch框架：链接:数据集框架二、代码导入1、将下载好的代码在pycharm中打开，如下图所示2、配置编译环境仅仅依靠我们第二节配置的环境来运行YoloV3是远远不够的，下载的文件夹

YoloV3学习笔记（四）YoloV3学习笔记（四）——cfg解读cfg文件YoloV3学习笔记（四）——cfg解读cfg文件[net]# Testing #初始batch参数要分为两类，分别为训练集和测试集，不同模式相应放开参数#batch=1#subdivisions=1# Trainingbatch=64 #一批样本的样本数量，每batch个 样本更新一次参数subdivisions=8 #batch/subdivisions作为一次性送入训练样本的数量，如果内存不够

YoloV3学习笔记（二）YoloV3学习笔记（二）——环境配置一、Anaconda3+Pycharm二、Cuda10.2+Cudnn8.1.0三、pytorch1.7.0YoloV3学习笔记（二）——环境配置Windows10+Anaconda3+Pycharm+pytorch1.7.0+cuda10.2+cudnn8.1.0电脑：24G内存+512G固态+GTX1050+2G独显一、Anaconda3+Pycharm这个是基础的配置，很多博主都有讲到，此处就不再过多讲解，以下两个链接都有详细教