本文介绍了机器学习中的距离度量和评价指标。在距离度量方面，详细阐述了欧式距离、曼哈顿距离、切比雪夫距离和闵科夫斯基距离的计算方法及其适用场景，并介绍了标准化欧式距离的改进思路。在信息论方面，解释了信息熵、信息增益和信息增益率的概念及其在分类中的作用。最后，概述了机器学习评价指标，包括准确率、精确率、召回率、F1值、ROC曲线和AUC值等性能评估方法。这些基础概念为机器学习模型的选择和优化提供了重要

在源码中，针对预测小目标的预测特征层（P3）采用的权重是4.0，针对预测中等目标的预测特征层（P4）采用的权重是1.0，针对预测大目标的预测特征层（P5）采用的权重是0.4，作者说这是针对COCO数据集设置的超参数。而SPPF结构是将输入串行通过多个5x5大小的MaxPool层，这里需要注意的是串行两个5x5大小的MaxPool层是和一个9x9大小的MaxPool层计算结果是一样的，串行三个5x5

随着深度学习模型效果的优化，基于深度学习的目标检测算法盖过了传统计算机视觉中的目标检测算(DPM)，从而导致很多之前研究传统目标检测算法的人员转向深度学习，并且现在工业界中应用最多的目标检测方式以深度学习为主。其中R-CNN是奠定深度学习方向发展目标检测的的基础算法，是第一个真正可以工业级应用的目标检测解决方案，是结合区域提名(Region Proposal)和卷积神经网络(CNN)的一种目标检测

随着深度学习模型效果的优化，基于深度学习的目标检测算法盖过了传统计算机视觉中的目标检测算(DPM)，从而导致很多之前研究传统目标检测算法的人员转向深度学习，并且现在工业界中应用最多的目标检测方式以深度学习为主。其中R-CNN是奠定深度学习方向发展目标检测的的基础算法，是第一个真正可以工业级应用的目标检测解决方案，是结合区域提名(Region Proposal)和卷积神经网络(CNN)的一种目标检测

在源码中，针对预测小目标的预测特征层（P3）采用的权重是4.0，针对预测中等目标的预测特征层（P4）采用的权重是1.0，针对预测大目标的预测特征层（P5）采用的权重是0.4，作者说这是针对COCO数据集设置的超参数。而SPPF结构是将输入串行通过多个5x5大小的MaxPool层，这里需要注意的是串行两个5x5大小的MaxPool层是和一个9x9大小的MaxPool层计算结果是一样的，串行三个5x5

本文介绍了神经网络模型压缩的三种主要技术：量化、剪枝和蒸馏。量化通过降低参数精度（如32位到16位）来减小模型体积和提升计算效率；剪枝通过去除不重要的权重或节点来精简模型结构；蒸馏则将大模型（教师模型）的知识迁移到小模型（学生模型）中。这些技术能显著减少模型对计算资源的需求，使其更适合部署在手机等资源受限设备。但压缩过程可能影响模型性能，需根据具体场景权衡取舍。文章还探讨了各项技术的优化策略，如量

随着深度学习模型效果的优化，基于深度学习的目标检测算法盖过了传统计算机视觉中的目标检测算(DPM)，从而导致很多之前研究传统目标检测算法的人员转向深度学习，并且现在工业界中应用最多的目标检测方式以深度学习为主。其中R-CNN是奠定深度学习方向发展目标检测的的基础算法，是第一个真正可以工业级应用的目标检测解决方案，是结合区域提名(Region Proposal)和卷积神经网络(CNN)的一种目标检测

pytorch_geometric安装

python开发环境配置

pytorch_geometric安装