上一篇文章介绍了window10 下TensorFlow-gpu，环境的搭建。本文主要是在此基础上搭建faster-rcnn  源码地址：https://github.com/dBeker/Faster-RCNN-TensorFlow-Python3.5  一步步说明：1- Install tensorflow, preferably GPU version. Follow ins...

https://zhuanlan.zhihu.com/p/31727402

    因为想在Tensorflow-gpu 上跑Faster-rcnn，以前在Ubuntu16.04上跑过caffe的faster-rcnn（搭建过程可以参考以前的文章），但是在新的笔记本上装双系统后，在Ubuntu16.04上，显卡驱动始终安装不成功，折腾了两三天没办法，退而求其次，打算在Windows10+Tensorflow-gpu 搭建Faster-rcnn，依然是一路坑，一路泪啊。记录

学习率是一个非常非常重要的超参数，这个参数呢，面对不同规模、不同batch-size、不同优化方式、不同数据集，其最合适的值都是不确定的，我们无法光凭经验来准确地确定lr的值，我们唯一可以做的，就是在训练中不断寻找最合适当前状态的学习率。比如下图利用fastai中的lr_find()函数寻找合适的学习率，根据下方的学习率-损失曲线得到此时合适的学习率为1e-2。

源码地址：https://github.com/smallcorgi/Faster-RCNN_TF 我自己做的数据集和voc的格式一样，所以只修改classes 里的类别就好。1、/Faster-RCNN_TF/lib/datasets/pascal_voc.py      self._classes 修改为自己数据的类2、/Faster-RCNN_TF/lib/networks/VGGnet_t

从这篇文章中，我们了解了这个数据集以scene understanding为目标，主要从复杂的日常场景中截取，图像中的目标通过精确的segmentation进行位置的标定。COCO数据集有91类，虽然比ImageNet和SUN类别少，但是每一类的图像多，这有利于获得更多的每类中位于某种特定场景的能力，对比PASCAL VOC，其有更多类和图像。├── Annotations#存放xml文件，与JP

学习率是一个非常非常重要的超参数，这个参数呢，面对不同规模、不同batch-size、不同优化方式、不同数据集，其最合适的值都是不确定的，我们无法光凭经验来准确地确定lr的值，我们唯一可以做的，就是在训练中不断寻找最合适当前状态的学习率。比如下图利用fastai中的lr_find()函数寻找合适的学习率，根据下方的学习率-损失曲线得到此时合适的学习率为1e-2。

关于yolov5训练输出的混淆矩阵与终端输出的不一致问题_yolov5的混淆矩阵出错-CSDN博客Yolov5代码详细注释——val.py_yolov5 val.py-CSDN博客

ReLU为什么比Sigmoid效果好附：双曲函数类似于常见的(也叫圆函数的)三角函数。基本双曲函数是双曲正弦"sinh"，双曲余弦"cosh"，从它们导出双曲正切"tanh"sigmod函数：Relu函数：综合：为什么通常Relu比sigmoid和tanh强，有什么不同？主要是因为它们gradient特性不同。sigmoid和tanh的g

（一）HOG特征1、HOG特征：方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，HOG+SVM进行行人检测的方法是法国研究