后处理的输入，也就是backbone、Segment的输出，不管输入的原始图片多大，网络都是会letterbox到640x640的大小，经过backbone之后，输出特征层P3 P4 P5，每层的特征输入到Segment层后，输出对应的64维的目标框、80类的类别、以及32维的mask系数，以及学习的固定大小的prototype 160x160x32。Anchor-free类（例如FCOS）的目标

以下解析的代码来自：https://pjreddie.com/darknet/在对yolo_layer.c解析前，你需要知道的是：1、yolov3的网络结构yolov3的基础网络为darkent53，如下图：

一、下载安装tensorrt1.1 检查linux环境cat /usr/local/cuda/version.txt查看cuda版本号，我的是10.0.130cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2查看cudnn的版本号7.6.4

yolov8的P5特征具有很强的应用的价值，之前也分析过，使用P5特征做特征比对，本文章是实操性的，用来将P5特征从yolov8中提取出来，这里的“提取来”，指的是将embeding的相关信息在yolo-tensorrt中提取。

gem时average pooling 的一般化gem 的公式如下：f(g)=[f1(g)...fk(g)...fK(g)]T=(1∣Xk∣∑xxpk)1pkf^{(g)} = [f_1^{(g)}...f_k^{(g)}...f_K^{(g)}]^T = (\frac{1}{|X_k|}\sum_xx^p{_k})^\frac{1}{p_k}f(g)=[f1(g)​...fk(g)​...fK(

1、经常使用pytorch的都知道，下面是pytorch加载自己数据的流程代码from torch.utils.data import Datasetfrom torch.utils.data import DataLoaderclass MyDataset(Dataset):def __init__(self)def __len__(self)def __getitem__(self， inde

一、Pseudo Labeling这个链接解释Pseudo Labeling解释的很清楚，可以看一看什么是Pseudo Labeling：Pseudo Labeling就是将测试集中，测试结果中分数很高的测试图片，加入到训练集中，再训练。Pseudo Labeling的5个步骤：1、使用原始训练集，训练一个模型，这里最好是比较好的模型;2、使用该模型去测试你的测试集，这里一般是没有标签的测试集；3

   yolov4的发布，让很多做工程的都很兴奋，但其实静下来仔细研究，发现yolov4其实是一个成功的调参例子，作者用到了大量前人的技术，加以组合，实现了速度和精度的完美平衡，读yolov4的论文会发现，作者深厚的论文基础，以及对论文中技术的使用，都值得我们学习。工程项目中，算法搭建完之后，复杂的应用环境中，总是遇到各种各样的问题，使得算法精度上不去，算法停留到瓶颈出，只有尝试各种解决问题的方法

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。

注意：首尾帧的长度是为了输入长度和输出长度一致！这个模块返回趋势项和波动项（高频），拆开是因为，模型希望趋势变化慢，希望波动项变化快。