目标检测—Batch Normalization Layer（BN）批归一化问：为什么会出现BN这种操作？答：假设我们现在有四个样本，每个样本有四个特征，每一个神经元可以代表一个特征（这句话我是在网上找到的，感觉有点道理，但是我又找不出来哪有道理~~），这些数据作为输入传进BP网络（假设就是为简单的感知器模型）中，可以得到一下损失函数，通过这个损失函数可以很明显的看到，如果随着w的更新，当w4的取

目标检测—SSP net网络ssp net网络其实是在RCNN网络的基础之上做的一些变动，目的是为了解决RCNN其中包含的一些问题，在了解SSP net之前，先需要了解一下两个知识点：感受野和金字塔池化~~SSP net感受野上图中，由map1到map3，是在做卷积的过程，其feature map一直在缩小。map3所对应的map1感受野其实就是11 * 11的图片区域，对应于map2感受野其实就

目标检测之NMS代码实现（python）思路分析非极大值抑制(Non-Maximum Suppression,NMS)，顾名思义就是抑制不是极大值的元素，可以理解为局部最大搜索。是目标检测中常用的一种精修bounding box的方式。上面就很好的展示了NMS的运行效果~1.首先输入图片中包括很多目标种类（人，马，狗，汽车）。2.可以通过各式各样的候选框生成方法，可以得到右上角图中众多候选框（目前

闲聊！谈谈目标检测中对坐标进行预测的相关问题~今天，在刷zh的时候，偶然看到了一篇blog，直接上图~https://www.zhihu.com/question/304307091?sort=created（我省略了作者的信息了~若侵权，请联系我删除）一、问题刷到这条blog，我很高兴！因为在我deep learning的学习过程中，也一直有这样的问题。我一眼就能看懂作者的意思，他的想法就是：为

本文介绍了一个用于管理大模型训练/推理配置的Python数据类BaseModelArguments。它通过@dataclass装饰器自动生成常用方法，包含以下核心功能： 模型加载配置：必填的模型路径、适配器路径、缓存目录等 分词器设置：快速分词选项、特殊token处理等 性能优化：支持FlashAttention、Unsloth等加速技术 显存管理：梯度检查点等内存优化选项 高级功能：支持MoD、

神经网络的更新过程（正向与反向）在tf代码框架中，肯定少不了一个loss和优化器的构建~那么到底是如何进行更新参数的呢？这篇blog举个实例来说明其中的更新过程~~思路神经网络的一种求解W的算法，分为信号“正向传播(FP)”求损失，“反向传播(BP)”回传误差；根据误差值修改每层的权重，继续迭代，直到参数更新到固定值的时候，预测值与真实值的误差最小。下面随便举一个栗子来说明~假设有一个样本数据，它

在实际工程中，我们一般会先用少量的数据集进行人工标注，然后训练一个简单的深度学习网络模型，然后基于该网络模型进行预测，对剩余大量测试图片进行初步标注，然后基于机器标注之后的结果进行人工微调标注框，这样即省时又省力。这篇blog主要就讲讲基于训练好的YOLO v5模型实现自动辅助标注。...

神经网络的更新过程（正向与反向）在tf代码框架中，肯定少不了一个loss和优化器的构建~那么到底是如何进行更新参数的呢？这篇blog举个实例来说明其中的更新过程~~思路神经网络的一种求解W的算法，分为信号“正向传播(FP)”求损失，“反向传播(BP)”回传误差；根据误差值修改每层的权重，继续迭代，直到参数更新到固定值的时候，预测值与真实值的误差最小。下面随便举一个栗子来说明~假设有一个样本数据，它

在上篇blogYOLO V6系列(二) – 网络结构解析里面大概介绍了美团视觉出的YOLO V6算法的网络结构，这篇主要解析下YOLO V6算法的损失函数的计算过程以及实现代码

神经网络的更新过程（正向与反向）在tf代码框架中，肯定少不了一个loss和优化器的构建~那么到底是如何进行更新参数的呢？这篇blog举个实例来说明其中的更新过程~~思路神经网络的一种求解W的算法，分为信号“正向传播(FP)”求损失，“反向传播(BP)”回传误差；根据误差值修改每层的权重，继续迭代，直到参数更新到固定值的时候，预测值与真实值的误差最小。下面随便举一个栗子来说明~假设有一个样本数据，它