上图是最近一直以来，零零散散看的论文，进行了一个简单的梳理。

在论文之前的例子中已经提到过，信息的不同片段在同一时刻需要同时存在大脑中，每个部分之间互相约束，同时作用，这种就是平行分布处理，这些模型认为，信息处理是通过简单处理单元之间的相互作用来完成的，每个单元都会向其他单元发送兴奋或者抑制信号。认知过程本身就是大量信息互相约束的过程！这段是PDP的思想的提出，第一次提出unit的含义，同时又告诉我们，unit 的含义是不固定的，不同模型里的unit可以表示

说实话，只看这个整体架构图，即使看了论文，还是不明白这个框架是什么，所以直接debug github 上的 vit-pytorch 中的VIT结构，先学习模型结构，再深入理解背后含义。

说明，以下内容右chatgpt生成，为了个人多次深刻理解，现记录下来，供反复理解。

说明，以下内容右chatgpt生成，为了个人多次深刻理解，现记录下来，供反复理解。

说明，以下内容右chatgpt生成，为了个人多次深刻理解，现记录下来，供反复理解。

先看的YOLOV8的分割原理，在YOLOV8里面第一次了解到了prototypes maks，原型掩码，当时不是非常的明白，最近看到YOLACT，yolov8的 prototypes maks 的思想，应该是来自这里。具体yolov8分割流程，可以移步我的另一篇文章=》=》=》

在ultralytics工程中，通过debug的形式，对yolov8m-seg测试一张图片的过程进行逐步查看，画出以下网络结构图。

下图中可以看到，超过127个类别的后，迁移学习的新能是微弱的递增，如果说，是因为，PASCAL 任务只有20个类别，因此在127个类别上预训练不会导致性能下降，但是SUN-CLS是397个类别，综合考虑这两个例子，虽然在大量的类别上进行预训练当然是很好的，但是但当预训练使用的不同类别超过127个时，收益就会递减。，ImageNet数据集中，1000个类别，每个类别使用500张图片进行预训练，然后在

在ultralytics工程中，通过debug的形式，对yolov8m-seg测试一张图片的过程进行逐步查看，画出以下网络结构图。