深度学习基础篇【4】从0开始搭建YOLOR 并进行测试

本文链接：https://blog.youkuaiyun.com/m0_60673947/article/details/125019435

本文介绍了从零开始搭建和测试YOLOR模型的详细步骤，包括环境配置、准备工作、模型使用。内容涵盖PyTorch 1.8环境搭建、CUDA 11.1.1的配置、NVIDIA RTX 2080 Ti GPU的选择，以及权重文件下载、模型预测和训练等关键环节。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

深度学习基础篇【4】

从0开始搭建

YOLOR

并进行测试

YOLOR模型于2021年由开发者Chien-Yao Wang, I-Hau Yeh, Hong-Yuan Mark Liao在《You Only Learn One Representation: Unified Network for Multiple Tasks》提出。人类可以从不同的角度可以分析相同的数据。然而，经过训练的卷积神经网络（CNN）模型通常只能实现一个目标，一般来说，从训练有素的CNN中提取的特征不适用于其他类型的问题。产生上述问题的主要原因是我们只从神经元中提取特征，没有使用CNN中丰富的隐性知识。当真实的人来大脑在运行时，上述的隐性知识可以有效地协助大脑执行各种任务。图1:人类可以从相同的输入回答不同的问题。我们的目标是训练一个单一的深度神经网络来完成许多任务。隐性知识是指在潜意识学习地知识。然而没有系统去定义隐性知识如何运作，如何获得隐性知识。在神经网络定义中，从浅层获得的特征通常称为显性知识，从深层获得的特征称为隐性知识。本文将直接把观察到的知识称为显性知识，模型观察不到、与观察无关的知识称为隐性知识。作者提出一个统一的网络来融合隐性知识(implicit knowledge)和显性知识(explicit knowledge)，确保模型包含一个统一的表征(representation)，这个统一的表征允许子表征(sub-representation)也适用于其他任务。

- 语言环境：Python3.8

- 编译器&#