发展YOLO系列并方便支持实例分割和斜框检测等任务，亮点：设计兼容性backbone和neck，采用大核深度可分离卷积；动态标签分配中采用软标签计算匹配损失；结合训练达到实时检测、实时实例分割和斜框检测SOTA。

YOLOv5中有三个损失分别是 box, obj, cls在超参数配置文件hyp.*.yaml中可以设置基础值，例如训练使用时，在train.py进行更新可以看到损失与nl（number of detection layers，检测层的层数，这里是3）和图像尺寸相关，与layers相关这个好理解，是因为损失多个layers的加和。与图像尺寸相关则需要进一步探讨。然后，在loss计算时会乘上各自的权

得益于计算友好且与检测评价指标适配的基于IoU的损失的使用，水平框目标检测领域获得了良好的发展。而旋转检测器通常采用更复杂的SkewIoU(斜IoU)，对基于梯度的训练并不友好。论文提出了基于高斯建模和高斯积有效近似SkewIoU的损失。其包括两项。一是尺度不敏感的中心点损失，用于快速缩短两个边界框中心点的距离。二是距离无关项，采用高斯分布的乘积来模仿SkewIoU的机制。在一定距离内（例如9像素

1，异常点检测算法使用场景什么时候我们需要异常点检测算法呢？常用的有三种情况。1.做数据预处理的时候需要对异常的数据做过滤，防止对归一化等处理的结果。2.对没有标记输出的特征数据做筛选，找出异常的数据。3.对有标记输出的特征数据做二分类时，由于某些类别的训练样本非常少，类别严重不平衡，此时也可以考虑用非监督的异常点检测算法来做。

Refs: https://www.zhihu.com/question/66532235一种思路是：ONNX + Caffe2，现将pytorch模型转为caffe2模型，然后再操作。看起来很复杂。参考：https://pytorch.org/tutorials/advanced/super_resolution_with_caffe2.html另一种思路是：基于Pytorch ...

From and thanks to: github jcjohnson/pytorch-examples    本文通过自包含的示例介绍了PyTorch的基本概念，jcjohson的这些实例可以很好地帮助理解PyTorch与numpy、TensorFlow等之间的关系，以及其自己的概念和设计。    PyTorch的核心是两个主要特征：1）一个n维Tensor，类似于numpy但可以...

当git项目较大或网速不快的情况下，git clone可能会中断，其不支持断点续传，导致要重新操作，那如何进行断点续传呢。为了在断掉后，自动git fetch, 我写了一个bash脚本样例， 会循环执行，重试2000次，直到成功后退出。5.命令行执行 git remote add origin [项目地址]1.新建目录, 命令行进入目录，执行 git init。2. 命令行执行： git fetc

使用nvidia-smi命令查看显卡状态时，出现错误：而使用nvcc -V查看cuda版本时，显示正常。

【docker】容器启动多个终端docker exec -it cd3b79a85d7e /bin/bash

1 梯度爆炸原因：学习的过程中，梯度变得非常大，使得学习的过程偏离了正常的轨迹。症状：观察每次迭代的loss值，会发现loss明显增长，最后因为loss值太大以至于不能用浮点去表示，所以变成了Nan。可采取的措施：1 降低学习速率，2 如果模型中有多个loss层，就需要找到梯度爆炸的层，然后降低该层的loss weight。2 学习率过高原因：过高的学习率乘上所有的梯度使得所有参数变成无效的值。症