qq_22763299的博客

目录模型训练目标检测中涉及的超参数训练部分的实现使用训练结果实现目标检测的推理NMS非极大值抑制单图预测推理VOC测试集评测介绍map指标模型训练经过前面章节的学习，我们已经对目标检测训练的各个重要的知识点进行了讲解，下面我们需要将整个流程串起来，对模型进行训练。通常来说，神经网络的训练实现流程大致如下：设置各种超参数定义数据加载模块 dataloader定义网络 model定义损失函数 loss定义优化器 optimizer遍历训练数据，预测-计算loss-反向传播目标检测中涉及的

目录前言损失函数正负样本的选择损失函数Hard negative mining（负样本难例挖掘）前言前一篇博文我们讲到网络的模型结构，特征提取网络，分别用于分类和定位的分类分支和回归分支，以及两个分支的输出情况。接下来我们要考虑目标检测的损失函数设计，以便对我们的网络进行训练，得到一个良好的目标检测模型损失函数正负样本的选择之前，我们使用anchor机制生成了许多先验框(锚框)，我们想要通过这些先验框来预测目标的类别信息与边界框信息。首先我们需要明确哪些先验框与目标对应，即为正样本；哪些先验框与背

目录特征提取网络设置anchor分类头与回归头边界框的解码分类分支与回归分支预测特征提取网络特征提取网络采用vgg16的结构作为特征提取模块，并去掉fc6和fc7两个全连接层。代码实现：class VGGBase(nn.Module):

目录锚框引例锚框不同尺度的锚框先验框与特征图的对应锚框类别信息的确定锚框生成锚框引例在理解目标检测的锚框之前，我们首先通过一个不太严谨的例子对锚框进行一个简单的了解：由于目前污染比较严重，导致海洋中漂浮着许多垃圾，这些垃圾既污染环境，又不利于鱼类的生存。假设我们面前有一片海域，海域中零星地漂浮着很多不同类型的垃圾，这些垃圾有的大，有的小，有的是方形的，有的是长条形的。为了保护环境，我们需要将所有的垃圾打捞起来，还海洋生物一个美好家园。为此，我们设计了一种打捞机器，该机器能够在一定范围内撒下网，进行

目录前言xml文件解析前言从voc数据集中的xml中的信息可以看出其中的信息还是很多、很复杂的，为了后续方便使用，再这里首先对xml进行处理。xml文件解析如图，对于每一个xml文件，我们将它包含的boxes、labels以及difficulties提取出来并以字典的形式的保存。相关代码实现：#voc_labels为VOC数据集中20类目标的类别名称voc_labels = ('aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', '

目标检测基本概念及目标检测数据集VOC前言目标检测基础知识定义求解思路目标框定义交并比(IoU)目标检测数据集VOC数据集说明前言之前对目标检测(Object Dectection)的理解一直不是什么深入，且没有做过相关的代码实践，最近看到DataWhale在12月份的组队学习中有关于目标检测的学习内容，因此报名了该学习小组，希望能够深入了解一下目标检测的具体实现，并在次记录关于此次学习的相关笔记。目标检测基础知识定义简单来说，目标检测就是分类+定位。分类：判断图像中是否存在相关的感兴趣物体定