qq_43163694的博客

YOLOV1是YOLO系列的开篇之作。系统后续有许多版本都是针对前一版本的改进，进而可以学到大佬们是怎么思考的。首先来看看YOLO的特点用一个网络模型就可以完成边界预测和分类非常快，实时；基础模型可以45帧每秒，小版本的模型甚至可以达到155帧每秒在YOLO的系统里，只要看一眼就能预测出坐标和类别，就是一步到位。论文的内容很多，还有和其他预测模型的对比和实验等。这里只是对其模型的原理进行了通读。内容有误请多多指教！！！

RCNN是目标检测的经典论文，后面有许多算法也是借鉴里面的思想，所以有必要好好研究一下。

本文中对论文的构建网络部分通读，训练部分暂时忽略，代码构建同样只做网络构建，不进行训练测试和预测（或许会另写一篇）。

学习深度学习的时候，网络结构如果可以可视化，对于整个学习框架来说，都是非常清晰的；再者，如果可视化，对于真正开发调优网络，也是重要的参考。

最近在学习pytorch框架，所以按照莫烦python的代码跑了一遍github代码整理手写数字数据# Mnist 手写数字train_data = torchvision.datasets.MNIST( root='./mnist/', # 保存或者提取位置 train=True, # this is training data transform=torchvision.transforms.ToTensor(), # 转换 PIL.Image or num

PyTorch在深度学习领域的应用的比例越来越高，学习PyTorh是学习深度学习框架不可缺少的一个。下面将用最简单的方式搭起PyTorch框架。打开pytorch官网传送门选择get started选择想要的pytorch配置，直接复制下面的安装命令安装pip install torch===1.5.0 torchvision===0.6.0 -f https://download.pytorch.org/whl/torch_stable.html用测试代码测试import torc