尽管有大量方法声称可以独立提高目标检测器的精度，但在实践中，某些方法在结合使用时并不有效。因此，需要对这些技巧的组合进行实际测试。按照渐进的方式逐一评估其有效性。事实上，本文更像是一份技术报告，它告诉您如何逐步构建PP-YOLOv2。还涉及失效案例的理论证明。使用PAN代替FPN，多了一个自顶向下的信息汇集，之前多次提及，这里不再重复。Mish激活函数在YOLOv4、YOLOv5等多种实际的探测器

https://arxiv.org/abs/1903.00621no codeanchor在带来性能提升的同时，其自身的局限性也阻碍了模型继续优化创新，它的局限性体现在：1.预设的anchor size是一柄双刃剑，anchor尺寸不是自由的，任意的，被束缚住尺寸的anchor有助于后续的统一，但是对于形状比较特殊的目标往往无能为力。2.anchor的数量是十分密集的，即使我们用nms或者soft

论文地址：https://arxiv.org/pdf/2008.13367.pdfGithub地址：https://github.com/hyz-xmaster/VarifocalNetFCOS + ATSS为base自适应训练样本选择（ATSS）是一种根据对象的统计特征自动选择正样本和负样本的方法。 它弥合了基于锚的探测器和无锚的探测器之间的差距。作者还设计了一个更加不同的边界框，即一个更适合此

ONNXRuntime是微软推出的一款推理框架，用户可以非常便利的用其运行一个onnx模型。ONNXRuntime支持多种运行后端包括CPU，GPU，TensorRT，DML等。可以说ONNXRuntime是对ONNX模型最原生的支持。虽然大家用ONNX时更多的是作为一个中间表示，从pytorch转到onnx后直接喂到TensorRT或MNN等各种后端框架，但这并不能否认ONNXRuntime是一

论文地址： http://arxiv.org/pdf/2008.08115v2.pdf代码： https://dbolya.github.io/tide/来源： 佐治亚理工学院论文名称：TIDE: A General Toolbox for Identifying Object Detection Errors原文作者：Daniel Bolya在肿瘤检测任务中，正确的分类更重要，Bounding

论文：CornerNet: Detecting Objects as Paired Keypoints论文链接：https://arxiv.org/abs/1808.01244代码链接：https://github.com/umich-vl/CornerNet1、将目标检测问题当作关键点检测问题来解决，也就是通过检测目标框的左上角和右下角两个关键点得到预测框，因此CornerNet算法中没有anc

PP-YOLO: An Effective and Effificient Implementation of Object DetectorPP-YOLO是PaddleDetection优化和改进的YOLOv3的模型，其精度(COCO数据集mAP)和推理速度均优于YOLOv4模型，PP-YOLO在COCO test-dev2017数据集上精度达到45.9%，在单卡V100上FP32推理速度为72

数据增强有区域级数据增强方法、图像级增强方法。区域级数据增强方法：它的mask或者修改是随机选择图像的矩形区域。图像级增强方法：它是利用加强学习来发现选择和组合不同的标签不变性变换的最优策略。数据增强（DA）是实现深度学习有效涨点的技巧；在计算机视觉方向，数据增强的本质是人为地引入人视觉上的先验知识，可以很好地提升模型的性能，目前基本成为模型的标配；数据增强的作用:（1）避免过拟合（2）模型鲁棒性

计算机视觉方面的三大顶级国际会议：ICCV，CVPR和ECCV，统称为ICE。ICCV（International Comference on Computer Vision）正如很多和他一样的名字的会议一行，这样最朴实的名字的会议，通常也是这方面最nb的会议。ICCV两年一次，与ECCV正好错开，是公认的三个会议中级别最高的。它的举办地方会在世界各地选，上次是在北京，下次在巴西，...

这篇论文的作者“关于深度学习的大批量训练：泛化差距和锐利最小值”，声称这是因为大批量方法往往会导致模型卡在局部最小值中。超参数定义了更新内部模型参数之前要处理的样本数，这是确保模型达到最佳性能的关键步骤之一。（3）Batch Normalization 使用同批次的统计平均和偏差对数据进行正规化，加速训练。学习率和批量大小密切相关——小批量在较小的学习率下表现最好，而大批量在较大的学习率下表现最好