qq_60498436的博客

终于到V3了，最大的改进就是网络结构，使其更适合小目标检测特征做的更细致，融入多持续特征图信息来预测不同规格物体。13特征图上：(116x90)，(156x198)，(373x326)26。52*52特征图上：(10x13)，(16x30)，(33x23)26特征图上：(30x61)，(62x45)，(59x119)这张图讲道理真的过分了！先验框更丰富了，3种scale，每种3个规格，一共9种。YOLO-V2中选了5个，这回更多了，一共有9种。YOLO-V2中选了5个，这回更多了，一共有9种。

总之，BatchNormalization是一种有效的优化技术，可以使得神经网络更加健壮，具有更好的泛化能力和训练速度。很明显，堆叠小的卷积核所需的参数更少一些，并且卷积过程越多，特征提取也会越细致，加入的非线性变换也随着增多，还不会增大权重参数个数，这就是VGG网络的基本出发点，用小的卷积核来完成体特征提取操作。如果堆叠3个3x3的卷积层，并且保持滑动窗口步长为1，其感受野就是7*7的了，这跟一个使用7x7卷积核的结果是一样的，那为什么非要堆叠3个小卷积呢？V1训练时用的是224。

x和y表示边界框中心在网格中的位置，w和h表示边界框的宽度和高度，置信度表示该边界框包含目标的概率。NMS的基本思想很简单，对于一组检测结果，首先会按照其得分（比如分类概率）从高到低排序，然后从得分最高的检测结果开始，遍历其余所有检测结果。对于任意两个重叠度（IoU）大于一定阈值的检测结果，只保留得分较高的那个，将得分较低的检测结果删除。YOLOv1的训练过程使用了交叉熵损失函数，并且将不同类别的损失进行了加权，使得小目标和大目标的权重相等，避免了某些类别在预测时过度占据了损失函数。

这些算法采用了单阶段的检测方式，即所有目标的检测和分类都在一个单独的网络中完成。相比于传统的两阶段检测（如Faster R-CNN和Mask R-CNN），YOLO系列具有更快的检测速度和更高的实时性能，但也存在一定的精度损失。通过比较预测结果和真实目标之间的差异，我们可以计算出模型的精度。在深度学习中，mAP（mean Average Precision）是一种广泛使用的评估指标，其用于衡量在目标检测任务中模型的性能。在机器学习和数据挖掘中，精度和召回率是常用的评估指标，用于评估分类模型的效果。