YOLO介绍：（You Only Look Once）典型的one-stage网络。是在2016年CVPR发表的一篇论文，对于yolov1而言，在图像大小为448*448推理，可以达到45FPS，它在pascal voc 2007测试数据集上，可以达到63.4mAP（明显弱于SSD网络，非常不理想）。YOLO论文思想：一般将图像分为7*7等份，如最左边的图像，在训练之前，会先对狗进行人工标注（Bo

YOLO介绍：（You Only Look Once）典型的one-stage网络。是在2016年CVPR发表的一篇论文，对于yolov1而言，在图像大小为448*448推理，可以达到45FPS，它在pascal voc 2007测试数据集上，可以达到63.4mAP（明显弱于SSD网络，非常不理想）。YOLO论文思想：一般将图像分为7*7等份，如最左边的图像，在训练之前，会先对狗进行人工标注（Bo

什么是损失函数？1、什么是损失呢？在机器学习模型中，对于每一个样本的预测值与真实值的差称为损失。2、什么是损失函数呢？显而易见，是一个用来计算损失的函数。它是一个非负实值函数,通常使用L(Y, f(x))来表示。3、那损失函数有什么用呢？度量一个模型进行每一次预测的好坏（即预测值与真实值的差距程度）。差距程度越小，则损失越小，该学习模型越好。4、损失函数如何使用呢?损失函数主要是用在模型的训练阶.

SSD介绍：是作者Wei Liu在ECCV 2016上发表的论文提出的。对于输入尺寸300*300的SSD网络使用Nvidia Titan X在VOC 2007测试集上达到74.3%mAP以及59FPS（每秒可以检测59张图片）；对于输入512*512的SSD网络，达到了76.9%mAP，超越了当时最强的Faster RCNN（73.2%mAP）。达到真正的实时检测。SSD网络结构：（可以达到在不

VGG介绍:由牛津大学著名研究所VGG提出，斩获该年ImageNet竞赛中Localization Task（定位任务）第一名和Classification Task（分类任务）第二名。VGG网络的配置：（VGG-16是许多模型中的主干网络）在原论文中，作者给了6个VGG网络的不同配置，并且尝试了不同的深度（11、13、16、19层）以及是否采用LRN等。在实际使用过程中，我们一般都会采用D这个配

什么是损失函数？1、什么是损失呢？在机器学习模型中，对于每一个样本的预测值与真实值的差称为损失。2、什么是损失函数呢？显而易见，是一个用来计算损失的函数。它是一个非负实值函数,通常使用L(Y, f(x))来表示。3、那损失函数有什么用呢？度量一个模型进行每一次预测的好坏（即预测值与真实值的差距程度）。差距程度越小，则损失越小，该学习模型越好。4、损失函数如何使用呢?损失函数主要是用在模型的训练阶.

SSD介绍：是作者Wei Liu在ECCV 2016上发表的论文提出的。对于输入尺寸300*300的SSD网络使用Nvidia Titan X在VOC 2007测试集上达到74.3%mAP以及59FPS（每秒可以检测59张图片）；对于输入512*512的SSD网络，达到了76.9%mAP，超越了当时最强的Faster RCNN（73.2%mAP）。达到真正的实时检测。SSD网络结构：（可以达到在不

VGG介绍:由牛津大学著名研究所VGG提出，斩获该年ImageNet竞赛中Localization Task（定位任务）第一名和Classification Task（分类任务）第二名。VGG网络的配置：（VGG-16是许多模型中的主干网络）在原论文中，作者给了6个VGG网络的不同配置，并且尝试了不同的深度（11、13、16、19层）以及是否采用LRN等。在实际使用过程中，我们一般都会采用D这个配

什么是损失函数？1、什么是损失呢？在机器学习模型中，对于每一个样本的预测值与真实值的差称为损失。2、什么是损失函数呢？显而易见，是一个用来计算损失的函数。它是一个非负实值函数,通常使用L(Y, f(x))来表示。3、那损失函数有什么用呢？度量一个模型进行每一次预测的好坏（即预测值与真实值的差距程度）。差距程度越小，则损失越小，该学习模型越好。4、损失函数如何使用呢?损失函数主要是用在模型的训练阶.

VGG介绍:由牛津大学著名研究所VGG提出，斩获该年ImageNet竞赛中Localization Task（定位任务）第一名和Classification Task（分类任务）第二名。VGG网络的配置：（VGG-16是许多模型中的主干网络）在原论文中，作者给了6个VGG网络的不同配置，并且尝试了不同的深度（11、13、16、19层）以及是否采用LRN等。在实际使用过程中，我们一般都会采用D这个配