同样的，为了求职和更好的进行组里的项目，学习之后，总结一下文章内容及链接合集。

目录

目标检测 - 识别编程 - 概念与定义 

文章

内容

YOLO源码解读

文章

目标检测 - 识别编程 - 概念与定义 

文章

深度学习初学者必须知道的 25 个术语和概念https://www.analyticsvidhya.com/blog/2017/05/25-must-know-terms-concepts-for-beginners-in-deep-learning/

计算机视觉入门https://blog.csdn.net/qq_42899794/article/details/97843831

物体检测系列https://blog.csdn.net/wa1tzy/article/details/109534685https://blog.csdn.net/wa1tzy/article/details/109534685

图像识别技术的原理是什么？https://www.zhihu.com/question/38014222https://www.zhihu.com/question/38014222深度学习之Bottleneck Layer or Bottleneck Features在深度学习中经常听闻Bottleneck Layer 或 Bottleneck  Features ，亦或 Bottleneck Block，其虽然容易理解，其意思就是输入输出维度差距较大，就像一个瓶颈一样，上窄下宽亦或上宽下窄，然而其正儿八经的官方出处没有一个能说出其所以然来，下面本文将对Bottleneck Layer 或 Bottleneck  Features ，亦或 Bottleneck...https://blog.csdn.net/u011501388/article/details/80389164 深度学习——SPPNet原理_ciky奇的博客-CSDN博客从R-CNN 到Fast R-CNN，有必要了解下SPPNet，其全称为Spatial Pyramid Pooling Convolutional Networks（空间金字塔池化卷积网络）。它将CNN的输入从固定尺寸改进为任意尺寸，例如在CNN结构中，输入图像的尺寸往往固定的（如224x224像素），输出可看做固定维数的向量。 SPPNet在普通的CNN结构中加入了ROI池化层（ROI Po...https://blog.csdn.net/c20081052/article/details/81663064验证集和测试集的区别https://blog.csdn.net/qq_31347869/article/details/98203028https://blog.csdn.net/qq_31347869/article/details/98203028DeepLearing—CV系列（七）——多类多目标物体的侦测——R-CNN系列https://blog.csdn.net/wa1tzy/article/details/106854459https://blog.csdn.net/wa1tzy/article/details/106854459YOLOv5模型网络结构简单理解及详解anchor设置YOLOv5模型网络结构理解及anchor设置写在前面Yolov5网络结构anchor（锚框）计算与设置详解写在前面作者最近在做一些目标检测的竞赛，参加了火箭军智箭火眼人工智能挑战赛，科目一排名28，科目二排名23，提升不上去了????。在这个过程中看见了yolov5这个模型的性能以及准确率是这么的优秀，于是果断采用了这个模型作为我们的baseline，当然在这不停的炼丹过程中，遇到了很多的问题，也学习到了很多的新知识。这里把自己遇到的网络结构理解与anchor设置方面的问题分享给大家，供大家参考，本人https://blog.csdn.net/aabbcccddd01/article/details/109578614锚框：Anchor box综述https://zhuanlan.zhihu.com/p/63024247https://zhuanlan.zhihu.com/p/63024247SPP-Net - 百度百科https://baike.baidu.com/item/SPP-Net/22701886?fr=aladdinhttps://baike.baidu.com/item/SPP-Net/22701886?fr=aladdin目标检测 YOLOv5 anchor设置https://flyfish.blog.csdn.net/article/details/117594265https://flyfish.blog.csdn.net/article/details/117594265学习率衰减之余弦退火(CosineAnnealing）https://blog.csdn.net/weixin_35848967/article/details/108493217https://blog.csdn.net/weixin_35848967/article/details/108493217GIoU Loss 损失函数浅析https://blog.csdn.net/WalkingSoul/article/details/101450597https://blog.csdn.net/WalkingSoul/article/details/101450597[原创][深度][PyTorch] DDP系列第一篇：入门教程https://zhuanlan.zhihu.com/p/178402798https://zhuanlan.zhihu.com/p/178402798DDP 比 DP 快几倍的原因https://blog.csdn.net/blueblood7/article/details/113190531https://blog.csdn.net/blueblood7/article/details/113190531目标检测中的mAP是什么含义？https://zhuanlan.zhihu.com/p/64580318https://zhuanlan.zhihu.com/p/64580318EMA 指数滑动平均原理和实现 (PyTorch)https://zhuanlan.zhihu.com/p/51672655https://zhuanlan.zhihu.com/p/51672655

内容

1、Batches

       训练神经网络时，我们不是一次性发送整个输入，而是将输入随机分成几个相同大小的块。与将整个数据集一次性提供给网络时构建的模型相比，批量训练数据使模型更具泛化性。

2、Epochs

       一个 epoch 被定义为前向和反向传播中所有批次的单个训练迭代。这意味着 1 个 epoch 是整个输入数据的单个向前和向后传递。

       您可以选择用于训练网络的时期数。很可能更多的时期数会显示出更高的网络精度，但是，网络收敛也需要更长的时间。此外，您必须注意，如果 epoch 数太高，网络可能会过度拟合。

3、余弦退火公式及其实现

    # 设置学习率衰减，这里为余弦退火方式进行衰减
    # 就是根据以下公式lf,epoch和超参数hyp['lrf']进行衰减
    # Scheduler https://arxiv.org/pdf/1812.01187.pdf
    # https://pytorch.org/docs/stable/_modules/torch/optim/lr_scheduler.html#OneCycleLR
    lf = lambda x: ((1 + math.cos(x * math.pi / epochs)) / 2) * (1 - hyp['lrf']) + hyp['lrf']  # cosine
    scheduler = lr_scheduler.LambdaLR(optimizer, lr_lambda=lf)
    # plot_lr_scheduler(optimizer, scheduler, epochs)

YOLO源码解读

文章

DeepLearing—CV系列（八）——多类多目标物体的侦测——YOLO系列之YOLOv1算法详解https://blog.csdn.net/wa1tzy/article/details/106875716

DeepLearing—CV系列（十四）——YOLOv5理论详解+Pytorch源码解析https://blog.csdn.net/wa1tzy/article/details/106954989https://blog.csdn.net/wa1tzy/article/details/106954989 YOLOv5系列https://blog.csdn.net/wa1tzy/category_10041761.htmlhttps://blog.csdn.net/wa1tzy/category_10041761.htmlYOLOV5网络结构https://blog.csdn.net/Q1u1NG/article/details/107511465

深度剖析YOLO系列的原理https://blog.csdn.net/sinat_34560749/article/details/103653108https://blog.csdn.net/sinat_34560749/article/details/103653108

YOLOV5训练代码train.py注释与解析https://blog.csdn.net/Q1u1NG/article/details/107463417

YOLOV5测试代码test.py注释与解析https://blog.csdn.net/Q1u1NG/article/details/107464724https://blog.csdn.net/Q1u1NG/article/details/107464724YOLOV5检测代码detect.py注释与解析https://blog.csdn.net/Q1u1NG/article/details/108093525https://blog.csdn.net/Q1u1NG/article/details/108093525

YOLOV5dataset.py代码注释与解析https://blog.csdn.net/Q1u1NG/article/details/107362572https://blog.csdn.net/Q1u1NG/article/details/107362572YoloV4当中的Mosaic数据增强方法（附代码详细讲解）https://www.cnblogs.com/xiamuzi/p/13471396.htmlhttps://www.cnblogs.com/xiamuzi/p/13471396.html

YOLOV5 general.py注释与解析https://blog.csdn.net/Q1u1NG/article/details/108799441https://blog.csdn.net/Q1u1NG/article/details/108799441 Yolov5技术总结https://blog.csdn.net/Q1u1NG/article/details/108799609https://blog.csdn.net/Q1u1NG/article/details/108799609

DeepLearing—CV系列（十四）——YOLOv5理论详解+Pytorch源码解析https://blog.csdn.net/wa1tzy/article/details/106954989https://blog.csdn.net/wa1tzy/article/details/106954989

从零开始PyTorch项目：YOLO v3目标检测实现（上）https://zhuanlan.zhihu.com/p/36020561https://zhuanlan.zhihu.com/p/36020561

目标检测|YOLO原理与实现https://zhuanlan.zhihu.com/p/32525231https://zhuanlan.zhihu.com/p/32525231