文章采用了一种基于网格分类和基于框的检测（GCBD），其中基于网格分类的部分主要用于对裂缝区域进行细粒度划分，同时进行分类和检测

摘要：CUDA内核运行时触发assert失败但未立即暴露，可能在后续NCCL通信中才显现。建议使用TORCH_USE_CUDA_DSA启用设备端断言。主要原因可能包括：1)标签索引越界；2)非法张量操作；3)NaN或无效值。解决方法包括检查标签范围、映射负数类别ID等。针对D-FINE模型，可参考相关博客和代码（如coco_dataset.py）进行调试优化。

解决docker配置了镜像源但还会拉取官方镜像源 docker: Error response from daemon: Get "https://registry-1.docker.io/v2/": context deadline exceeded

目标检测中的边界框回归损失函数

1、node.js安装node.js官网：Node.jsnode.js中文官网：Node.js 中文网这里以中文网为例，以下是下载界面：这里选择Windows二进制文件安装，根据电脑配置，下载64位。解压后，放入单独的一个node.js的文件夹里进行存储，以我自己的为例：设置环境变量的目的就是便于在任何地方都可以找到node.js，node命令就成为了全局命令。设置好环境变量以后，在命令提示 符里

目标检测中的边界框回归损失函数

小批量梯度下降法在趋向最小损失方面更快，可以加速网络模型的训练速度，可能还会占有较少的内存资源。采用这样的方式加速模型的训练速度，会为我们之后的调参带来好处。在之前所用的梯度下降法，被称之为批量梯度下降法，它是将所有的训练样本聚类成一个大的批量，然后计算整个批量的损失函数。而小批量梯度下降法是将训练集分割成更小的批量，然后对每个批量进行单步的梯度下降迭代计算。我们依旧采用MNIST数据集，先要对整

已有YOLO格式数据集一键转换为COCO格式

提出了Instructive Multi-Route Training的方法，通过在训练时并行使用一个主“一对一”预测路径和两个辅助的“一对多”预测路径，来更有效地训练Detection Transformers，从而在不增加推理成本的情况下提升模型在目标检测等任务上的性能。

YOLOv13：利用超图增强型自适应视觉感知进行实时物体检测主要的创新点提出了HyperACE机制、FullPAD范式、轻量化模块设计