本文介绍了如何搭建NCNN和YOLOV4的环境，并展示了不同归一化参数对识别精度的影响。通过实例比较，显示了归一化参数的调整可能导致识别效果显著下降，甚至出现目标无法识别的情况。这提示我们归一化在模型推理中的重要性，值得进一步研究。
NCNN环境的搭建请参考：
腾讯神经网络推理框架NCNN试玩儿_tugouxp的专栏-优快云博客
NCNN转换YOLO4网络并推理_tugouxp的专栏-优快云博客
YOLOV4 darknet环境搭建请参考
Ubuntu18.04 搭建YOLOV4环境_tugouxp的专栏-优快云博客
使用yolov4.cpp中的默认参数对输入数据进行归一化操作：
得到的结果如下：
作如下调整后：
得到的识别效果，可以看到，精度明显降低了很多。
换一张图片的效果对比：
这张照片的差异更加明显，修改后一个目标都没有识别到，准确率0，召回率0。
至于产生这种差异的原因，归一化参数如何影响识别效果，有时间再研究，这里权当记录。
您可能感兴趣的与本文相关的镜像
Yolo-v5
YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
扫一扫
1361
