Yolo

anchors相关的信息

anchors = [12,16,19,36,40,28,36,75,76,55,72,146,142,110,192,243,459,401] [12,16]，即[w,h]，是一对，三对为一组 [12,16,19,36,40,28] ,对应于76*76的head

anchors_masks = [[6,7,8],[3,4,5],[0,1,2]] masks中0~8，对应于[12,16]~[459,401]

strides = [32,16,8] 608/32 = 19 608/16 = 38 608/8 = 76

模型最后的预测输出 [tx,ty,tw,th,obj,class] 最后是如何根据预测输出进行画框的 tx,ty 用来确定预测框的中心点 tw,th用来确定anchor框的大小变化 这样就可以画出预测框 obj和class用来作为是否画框的阈值

tx、ty是物体中心点在某网格的偏移距离 tw、th是真实label框groundtruth和anchor框的偏差

结合 y = kx+b理解 y:输出特征图 x:输入特征图 k,b：卷积核

网格原理 1.整体网络使用了全卷积的架构，保留了空间信息（参照感受野理解） 2.每个特征点只负责对应于原图空间位置的物体 3.不同大小的输出头对应网格大小不同 网格大小（[608/19，608/38，608/76]）

先验框Anchors的原理 tx、ty、tw、th

backbone：提取特征 neck：特征融合 head:

理清loss中赋予每个维度的实际物理意义