沉醉于风中的博客

据说yolov5原来的FLOPS计算脚本有bug，因此这个大神推荐使用thop库进行计算，代码如下：input = torch.randn(1, 3, 416, 416)flops, params = thop.profile(model, inputs=(input,))print('flops:', flops / 900000000*2)print('params:', params)收藏在这里，方便以后需要算yolov5等模型的FLOPS时使用；本文章来源知乎pogg：YOLOv5

一、yolov5s.yaml中各行（参数）所表示的意义# parametersnc: 20 # number of classesdepth_multiple: 0.33 # model depth multiple 控制模型的深度（BottleneckCSP个数）width_multiple: 0.50 # layer channel multiple 控制Conv通道channel个数（卷积核数量）# depth_multiple表示BottleneckCSP模块的缩放因子，将所有Bot

一、yolo中的初始Anchor设定在YOLO算法之中，针对不同的数据集，都会设置固定的Anchor；在网络训练中，网络在初始锚框的基础上输出预测框，进而和Ground Truth进行比对，计算两者差距，再反向更新，迭代网络参数；可以看出Anchor也是比较重要的一部分，比如Yolov5在Coco数据集上初始设定的锚框：其中：第1行是在最小的特征图上的锚框;第2行是在中间的特征图上的锚框;第3行是在最大的特征图上的锚框;二、自适应计算Anchor的流程：载入数据集，得到数据集中所有数

在yolov5-6.0版本中，超参数配置文件有三个，目录在..\yolov5-6.1\data\hyps中，一共有hyp.scratch-high.yamlhyp.scratch-low.yamlhyp.scratch-med.yaml这三个超参数配置文件，经过比较，发现里面参数个数和内容完全相同，区别在于各参数具体数值存在大小差异；根据原来的注释并结合参数名称，大致将各参数进行分类，如下所示：# 优化器相关lr0: 0.01 # initial learning rate (SGD=1

coco2017数据集共80小类，类别id号不连续，最大为90，各类别id与类别名称对应关系如下：问：为什么id不连续呢？转载的这个博客的博主回复：解析coco的id不连续，说明coco本来为各个类别设置的id就是不连续的；参考链接优快云博客：coco2017数据集80类别名称与id号的对应关系...

一、优快云博客大佬：linolzhang目标检测-RCNN系列：里面有介绍YOLOV1深度学习算法之YOLOv2：对于YOLOV2的技术改进要点和关键点介绍的非常详细，特别值得反复观看学习揣摩；YoloV4模型解析及TensorRT加速：作者还未具体写YOLOV4，但是对YOLOV1–V4大致技术做了表格总结，附上了V1–V3的网络流程结构图，仍值得一看；此外，这个大佬还介绍了SSD Faster RCNN改进 目标追踪等等许多网络 技术要点，虽然博客已停止更新，但以前的那些博客仍然很值得一看

linolzhang的优快云博客：https://blog.youkuaiyun.com/linolzhang/article/details/54344350?spm=1001.2014.3001.5502：此篇博客介绍了RCNN家族总体发展过程及其中的技术演进变化，各网络的改进和重大改进点、以及缺点；另外还有对于YOLOV1的介绍，都比较简洁中肯，值得再看；通过添加额外的RPN分支网络，将候选框提取合并到深度网络中，这正是Faster-RCNN里程碑式的贡献。RPN网络的特点在于通过滑动窗口的方式实现.

下面是一个，精读论文做得特别好的B站up主，总结的学习并制作论文精读视频的过程：子豪兄是怎么做每一篇论文精读视频的:提前1-2年开始选题看论文通读2遍，确保所有地方自己都弄懂了批注笔记第1遍看这篇论文重点引用的其它论文看youtube上这个算法所有视频看B站上这个算法所有视频看论文作者介绍这个算法的视频看论文作者的谷歌学术主页看知乎和优快云上介绍这个算法的博客如果遇到问题，问清华、同济、上交的几个大佬。批注笔记第2遍做算法精讲PPT最后通读论文1遍调试设备录制论文精读视频

对于Precision值，其代表的是你 所预测出来准确结果占 “所有预测结果” 的准确性；对于Recall值，其代表的是你 所预测出来准确结果占 “总体正样本” 的准确性。举例：现在你手上有10个鸡蛋，里面有6个是好的，另外4个是坏的，你训练出一个模型，检测出8个鸡蛋是好的，但实际上只有5个是好的，另外3个是坏的。那么模型的Precision值为5/8=0.625，即表示你所预测出来的8个鸡蛋中只有5个是好的，其值只在你预测结果中计算得到，Recall值为5/6=0.833，即表示总共有6个正样本，你

SOTA：state-of-the-art的英文缩写；state-of-the-art常在各种计算机视觉领域的会议期刊论文第一页上见到；直译意思是：最前沿的，最先进的，目前最高水平；即指目前检测效果最好、识别率最高、正确率最高，算法模型超过以前的所有方法，达到最优；参考文章1...

YOLOv5采用了许多有效的数据处理的方法，来增加训练模型的精度和减少训练时间，数据扩增的方法主要介绍了Mosaic、Cutout方法；除了这两种方法外YOLOv5还使用了图像扰动，改变亮度、对比度、饱和度、色调，加噪声，随机缩放，随机裁剪（random crop），翻转，旋转，随机擦除等方式；YOLOv5为了提高网络的训练速度还增加了矩形训练的方法；文字来源...

一、目标检测方法Anchor1. One Stage1. Yolo FamilySSD FamilyRetinaNetM2Det2. Two StageRCNNFast RCNNFaster RCNNMask RCNNRFCNLight-Head-RCNNCascade RCNNLibra RCNNDetectoRSAnchor FreeConnerNetFoveaboxCenterNetFCOSRepPointATSSFreeAnchorFSAFT

图片来源

图片来源