AI学长

yolo通常是通过配置文件来构建模型的。如果有用，请点个三连呗。

通常来讲，逻辑回归的概率越大说明越接近1，也就可以说他是坏用户的可能性更大。比如，我们定义了阈值为0.5，即概率小于0.5的我们都认为是好用户，而大于0.5都认为是坏用户。因此，对于阈值为0.5的情况下，我们可以得到相应的一对查准率和查全率。

yolov9结构图

yolov9提出可编程梯度信息(PGI)和基于梯度路径规划的通用高效层聚合网络(GELAN)，最终铸成YOLOv9目标检测全新工作！性能表现SOTA！在各个方面都大大超过了现有的实时目标检测器，优于RT DETR、YOLOv8等网络，代码刚刚开源

官方网站C语言版本:https://pjreddie.com/darknet/yolov1/tensorflow版本的代码下载： https://github.com/hizhangp/yolo_tensorflow论文：http://arxiv.org/abs/1506.02640一、YOLO介绍YOLO的全称叫做“You Only Look Once”，简单来说，YOLO可以做到将一张图片输入，直接输出最终结果，包括框和框内物体的名称及score(得分)。相比RCNN系列的算法（..

RCNN、FastRCNN、FasterRCNN比较：一、Faster R-CNN的思想Faster R-CNN可以简单地看做“区域生成网络RPNs + Fast R-CNN”的系统，用区域生成网络RPN代替FastR-CNN中的Selective Search方法。Faster R-CNN这篇论文着重解决了这个系统中的三个问题：1. 如何设计区域生成网络； 2. 如何训练区...

FastRCNN是2015年有名的两阶段目标检测算法。基于SPP-Net之后的两阶段目标检测算法优化改进。论文：https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf 代码：https://gitcode.net/mirrors/rbgirshick/fast-rcnn；一、RCNN存在缺点预测速度慢； 训练速度慢； 训练所需空间

目录一、RCNN的瓶颈二、SPP的改进（一）共享卷积网络SPP-Net是2014年有名的两阶段目标检测算法。论文：https://arxiv.org/pdf/1406.4729.pdf一、RCNN的瓶颈在RCNN思路的基础上，我们继续探索目标检测的痛点，其中RCNN使用CNN作为特征提取器，首次使得目标检测跨入深度学习的阶段。但是RCNN对于每一个区域候选都需要首先将图片放缩到固定的尺寸（224*224），然后为每个区域候选提取CNN特征。容易看出这里面存在的一些性能瓶.

目录一、目标检测的任务二、什么是“两阶段”呢？三、两阶段算法原理（二）候选区域算法（三）边框回归（ Bounding Box Regression ）1.非极大值抑制（Non-Maximum Suppression，NMS）2.对候选框进行坐标调整（三）RCNN模型结构1. RCNN的模型结构​​​​​2.R-CNN 总结目前目标检测领域的深度学习方法主要分为两类：two stage 的目标检测算法；one stage 的目标检测算法。...

目标检测、标注自己的数据集、VOC格式

目标检测计算指标AP&mAP1.1 基本概念1.2平均精度Average-Precision即AP1.3AP计算1.4 mean Average Precision(mAP)1.5类别置信度当我们完成目标检测模型的训练之后，需要合适的指标对模型的性能进行度量，常用的指标有AP、mAP两种。参考：http://www.mamicode.com/info-detail-2307140.htmlhttps://zhuanlan.zhihu.com/p/888968681.1 基本概念要了解AP

这里写目录标题一级目录二级目录三级目录一级目录二级目录三级目录

什么是IOUIoU 的全称为交并比（Intersection over Union），通过这个名称我们大概可以猜到 IoU 的计算方法。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。IOU的计算过程可以参考博客：https://blog.youkuaiyun.com/u014061630/article/details/82818112需要计算两部分1.并集：首先需要计算交集，然后并集通过两个边框的面积的和减去交集部分即为并集，因此 IoU 的计算的难点在于交集的计算。2.交集：