songhuangong123的博客

在YOLOv8目标检测中，误检（False Positive）是一个常见问题，即模型将非目标区域错误识别为目标。通过引入负样本（Negative Samples），即不包含任何目标框的图像，可以有效减少误检。在YOLOv8中添加负样本的方法是为这些图像提供空的标注文件（.txt），确保每张图像都有对应的标注文件，即使内容为空。可以使用Python脚本自动生成这些空标注文件。使用负样本时需注意数量比例、标注一致性、验证集同步和图像质量。适当加入负样本能显著提升模型鲁棒性，降低误判风险。

Netron 是一个用于可视化神经网络模型结构的工具，支持多种深度学习框架的模型文件格式。模型可视化：支持 ONNX、TensorFlow、PyTorch、Keras 等格式，能够以图形化的方式展示模型的网络结构。参数查看：可以查看每一层的输入输出维度、权重参数等详细信息。跨框架支持：方便在不同框架之间进行模型转换和迁移。轻量化与易用性：提供网页版和桌面版，无需复杂配置即可使用。官网地址当我将一个onnx模型拖到网页时，你将得到一幅图。我主要看这个输出，你知道为啥是：198400吗？

是YOLO训练和推理过程中非常重要的参数之一。YOLO要求输入图像的尺寸是固定的，通常为正方形（如416×416、640×640等）。这个尺寸直接影响模型的性能和速度。

那么交并比就是：上篇文章中《理解 YOLOV1 第一篇 预测阶段_code bean的博客-优快云博客》我们预测出了98个候选框，那么我们现在要做的就是筛选出最为准确的那几个。我们首先将其中一类（比如狗）的候选框按全概率进行降序排序，然后将所有的候选框和第一个比较，如果候选框的交并比大于某个阈值，就直接将此候选框对应的概率清零（相当于排除该候选框，因为交并比过大说明是重复的选择，概率有比最大的小，所以可以干掉）如上图所示，黄色框和绿色框交并比大于0.5结果，绿框被干掉了。 经过了第一轮，和第一个框交并比过

首先看YOLOV1的网络结构，感觉就是普通的卷积神经网络： 最终输出是一个7*7*30的黑盒子，把它想象成一本7*7大小的有着30页的一本书。 书的每一页，由49个方格（grid cell）组成, V1版本中每个grid cell预测2个选框（bounding box，bounding box的中心落于该gridcell）所以一共可以生成98个bounding box。每个bounding box，含5个参数：1 x，y bounding box的中心点的位置2 h，w bounding box的宽

刚刚，写了《【yolo】yolo推理报错，以及解决方案》，马上训练就遇到类似的报错。我对我标注的图像进行了300轮的训练，但是训练完300轮后，报错了。。。

我安装好了yolo8的环境后出现的报错，安装命令如下