导读在机器学习中，我们前期经过数据采集、数据清洗，中期进行特征分析、特征选择，后期对处理好的数据集分割，将数据集划分为训练集、验证集合、测试集，最后基于划分好的数据集进行训练调优，并选择性能最好的模型。那么我们是如何评估我们的模型性能好坏的呢？这就不得不说一下常用的机器学习评级指标了。上车~~机器学习评价指标对于机器学习中评价模型性能的指标，常用的有准确率、精度、召回率、P-R曲线、F1 分数、R

目前已提出的目标检测框架分为两类：One Stage和Two Stage，其中Two Stage框架先于One Stage被提出。下面我们分别介绍一下这两种框架，然后做一个比较。One StageOne Stage 的算法框架是在backbone提取得到的feature maps上直接预测物体的位置(x, y, w, h)，物体类别，物体置信度，经过单次检测即可得到最终的检测结果。常见的有SSD、

cv2.findContours检测物体轮廓什么是物体轮廓cv2.findContourscv2.drawContours什么是物体轮廓轮廓可以简单地理解为连接所有连续点（沿物体边界）的曲线，这些点通常具有相同的颜色或强度。 轮廓在图像分析中具有重要意义，是物体形状分析和对象检测和识别的有用工具，是理解图像语义信息的重要依据。cv2.findContours通常，为了提高物体轮廓检测的准确率，首先

由模型量化而思考深度可分离卷积以及MobileNet

在Two stage的目标检测算法中，需要先提取出候选框，然后对候选框作精细分类和进一步的回归。这里存在一个问题，即提取出的候选框大小不一，而后续的分类和回归网络需要固定大小的输入。在RCNN中是直接采用了resize操作将不同大小的候选框处理为同等大小，但是这样的暴力做法会使得候选框严重变形，从而造成精度损失。到了Faster-RCNN和Mask-RCNN分别采用ROI Pooling和ROI

近年来，AI大潮汹涌澎湃，包括机器学习，深度学习，计算机视觉，自然语言处理在内的许多领域都在迅速发展，并取得了显著的成果。每年都会有很多优秀经典的算法提出来，适用于不同的场景。However，现在网络的训练主要还是梯度下降以及从中衍生出的优化算法。想要入门机器学习和深度学习，梯度下降是你绕不过的坑，但今天本文的任务就是要引领大家彻底搞懂梯度下降，在学习中避免掉坑！梯度下降算法（引言）训练神经网..

2.5 数据处理数据对于深度学习而言是至关重要的，丰富、完整、规范的数据集往往能训练出性能优异的网络模型。本次首先介绍物体检测领域当前较为主流的公开数据集，然后从数据的加载、数据的GPU加速、数据的可视化3个方面介绍。2.5.1 主流公开数据集深度学习能够取得快速发展的其中一个主要原因是建立在大量数据的基础上，是用数据 “喂” 出来的。世界上一些先进的研究机构和公司开源了一些规模庞大且质量高的数据

导读最近在做一个项目，需要使用人脸关键点的坐标变化作为特征。但是发现经过前期的人脸配准、裁剪、resize预处理之后，图像由于宽高比例发生了变化，其中的人脸已经发生了扭曲变形。在这种扭曲的人脸上检测到的关键点那肯定是不准确的了，更不用谈后期的分析了。所以呢，就需要一种方法，在保证图像宽高比例不变的情况下，把目标图像resize到目标大小。我选择了边缘填充的方式，下面详细介绍一下，并附上代码以及效果

文章目录 YOLO v3的损失函数构成及表达式题外话YOLO v3的模型输出与多尺度预测研究LOSS的思维获取目标真实值target预测值的获取总结 YOLO v3的损失函数构成及表达式 YOLO v3的损失函数由定位损失、置信度损失以及分类损失三部分组成。相信下边的公式大家看过很多遍了，我标明了各个损失对应的部分。 题外话 在网上查阅了很多资料，很多人都反应说复现的代码和DarkNet开源代码

Faster-RCNN有两种训练方式：四步交替迭代训练和联合训练。本文主要讲解四步交替迭代的训练方式。Faster-RCNN主要由五部分构成：特征提取网络Backbone、RPN、ROI Pooing以及RCNN。其最大的创新点就是提出RPN替代RCNN中的Selective Search，应用卷积神经网络提取ROIs，极大地提升了检测的速度，称为实时目标检测的开山之作。笔者也会着重讲解RPN，请