大师兄的博客

摘要： 参考视频：YOLOv7论文，网络结构，官方源码，超详细解析 参考博客：YOLOV7详细解读（一）网络架构解读 总体来说框架也是没有大的变化，但是Block应该是精心设计过的，ELAN有点像Inception模块，加上RepVgg的结构重参数化，还有SPP魔改，总体感觉就是网络过于复杂，而且和v6同期 阅读全文

摘要： 1. 前言 YOLOv6是美团视觉智能部研发的一款目标检测框架，致力于工业应用。它支持模型训练、推理及多平台部署等全链条的工业应用需求，并在网络结构、训练策略等算法层面进行了多项改进，能够同时专注于检测的精度和推理效率。 与其他yolo模型的性能对比： YOLOv6-N在COCO数据集上精度为35. 阅读全文

摘要： 1. 参考 视频：14.1 RepVGG网络讲解 博客：RepVGG网络简介 2. 主要内容 2.1.与其他网络对比 如下图所示，RepVGG无论是在精度还是速度上都已经超过了ResNet、EffcientNet以及ReNeXt等网络。 2.2. 创新点，结构重参数化 在训练时，使用一个类似ResN 阅读全文

摘要： 1. 问题 由于做实验的原因，经常需要在个人电脑上使用jupyter notebook，而我的jupyter notebook是使用anaconda进行管理的，因此需要先激活conda的环境，然后再启动jupyter notebook，我希望把这些都写入bat中，需要用的时候直接用bat文件运行就可 阅读全文

摘要： 1. 前言 出自论文《“Why Should I Trust You?”Explaining the Predictions of Any Classifier》，LIME是通用的机器学习可解释性分析方法。使用“可解释特征”，训练“可解释模型”，在“特定样本的局部线性邻域”拟合“原模型”。通过可解释 阅读全文

摘要： 1. 前言 出自《Visual Explanations From Deep Networks via Gradient-Based Localization》，对原生CAM（类激活热力图）改进，计算“特定类别预测分数相对于最后一层卷积层输出特征图每个元素的偏导数”，进而计算特征图每个channel 阅读全文

摘要： 1. 前言 CAM由周博磊等在论文《Learning Deep Features for Discriminative Localization》中提出，是神经网络可解释性分析方面的经典论文，影响了后续很多的工作。 主要的方法非常简单但又巧妙，通过全局平均池化（GAP）层，获得指定类别对最后一层卷积 阅读全文

摘要： 参考博客：YOLOX网络结构详解 参考视频：YOLOX网络结构详解 亮点： 网络检测头部分，改成解耦的结构，将类别分数、边界框回归参数和objectness分别预测，提高网络收敛速度。 使用Anchor free对目标进行预测。 正负样本匹配策略SimOTA。 （完） 阅读全文

摘要： 推荐博客：YOLOv5网络详解 推荐视频：YOLOv5网络详解 （完） 阅读全文

摘要： 推荐博客：YOLOv4网络详解 配套视频：YOLOv4网络详解 补充知识：3.1 YOLO系列理论合集(YOLOv1~v3) 中的yolov3spp理论讲解(包括CIoU以及Focal Loss) （完） 阅读全文