秋山丶雪绪的博客

2020 - CVPR -《Memory enhanced global-local aggregation for video object detection》视频目标检测方案详解

感觉只是对于 ILSVRC2015_VID 数据集中的视频有效。挑了几个视频看了下，基本有以下特点：视频长度短、场景或背景变化小、大多是针对一个或多个目标拍摄的视频且目标通常比较大。

网络结构按 YOLOv10m 绘制，不同 scale 的模型在结构上略有不同，而不是像 YOLOv8 一样仅调整 depth 和 width。Head 有部分后续计算与 YOLOv8 完全相同，上图省略，具体请看。YOLOv10 整体的网络结构与 YOLOv8 相同，在一些细节模块上有所改进，查看具体的模块计算方式、优化策略跳转部分。

本文仅根据模型的预测过程，即从输入图像到输出结果（图像预处理、模型推理、后处理），来展现不同任务下的网络结构，OBB 任务暂不包含。

本文主要以源码+注释为主，可以了解 YOLOv8 计算评价指标的具体实现方法。

本文主要以源码+注释为主，可以了解到YOLOv8从模型的输出到损失计算这个过程每个步骤的具体实现方法。

本文从 U-Net 入手熟悉分割的简单方法，再看 YOLOv8 的方法。主要梳理 YOLOv8 的网络结构，以及 Predict 过程的后处理方法。

# train.py 91model = Darknet(cfg).to(device)# models.py 225class Darknet(nn.Module): def __init__(self, cfg, img_size=(416, 416), verbose=False): super(Darknet, self).__init__() self.module_defs = parse_model_cfg(cfg) self.m

目录1. 前言2. detect.py3. 数据集处理3.1 COCO1. 前言源码地址：https://github.com/ultralytics/yolov3官方教程：https://github.com/ultralytics/yolov3/wiki/Train-Custom-Data目标检测数据集PASCAL Visual Object Classes官网：http://host.robots.ox.ac.uk/pascal/VOC/voc2012/index.htmlCOCO官网：h