曾星的博客

现在yolov5的neck用的是PANet，在efficient论文中提出了BiFPN结构，还有更加不错的性能。所以就尝试将yolov5中的PANet层改为BiFPN。需要修改的地方主要是修改yaml配置文件我修改的是yolov5x.yaml，将concat层连接不同的layer。有三层BiFPN，最后输出为了和yolov5对应，我没有用在论文里写的p3-p7五个节点，我只用了三个。（这里应该要用relu使w>0，我训练报错就没有用relu）修改common.pyclass Concat

我会从以下几个角度讲解YOLOv3，并且实现一个简单版本的YOLO目录YOLO简介标准深度神经网络结构YOLOv3 model architecture训练数据集处理损失函数训练过程检测新图片参考资料YOLO简介定义：YOLO是目标检测算法，用来识别图片中的物体，并且找到它们的位置，并且用边框给它们标出来。如图所示（note: 我做的一个很简单的单目标检测，YOLO是用于多目标检测的）标准深度神经网络结构# 伪码def model(x, y, num_iters): paras =.

上一篇笔记写了torch.save和torch.load来存储和读取训练好的model，这一篇是关于另一种saving和loading model的方法—用参数字典而不是整个训练好的model来加载model。torch.nn.Module.load_state_dict需要理解的定义state_dict: 就是一个简单的Python 字典对象(dictionary object)，用来存储参数(比如weights、biases)，字典中存储model的layers和它对应的权重张量相对应。（no

1. torch.load()需要用到的一些概念的定义torch: 是pytorch里的一个包，包括了张量(tensor) 的数据结构以及对其的操作pickle 模块: 实现了对一个 Python 对象结构的二进制序列化(pickling)和反序列化(unpickling)。pickling: 是一个把Python对象转化成一个字节流的过程。也可称为序列化(serialization)、编组(marshalling)；而相对应反向操作unpickling是将一个字节流转化成一个pytho