ibox函数可以算出来吗

来源：蜘蛛抓取(WebSpider) 时间：2022-06-11 05:17 标签： ibox少写了一个0

对于Loss函数的设计，我现在是越来越感觉到比模型搭建更难，虽然在理论上，就是几个loss函数的计算，比如交叉熵啥的，理论看起来很简单，但是对于ssd，yolo这些，真正要设计出来loss的计算，里面的细节太多也太杂了，让我很头大，但是没法，只能硬着头皮啃呗， 其实在现在这个时候，也就是我敲字的时候，我对于整个loss函数也只能说懂了百分之八十，还有一些细节，我依旧还是比较模糊，这也是写这篇文章的目的，在梳理我自己的思路的同时，也希望能帮到大家，开题先感谢一下，大家有兴趣或者看我的有些不明白，可以转向上面这个链接，我的整个思路的梳理，这个作者对我帮助很大，我也只是站在他的肩膀上写出我对整个loss的理解。

在上一篇文章中，我们知道整个网络最后搭建出来的模型最后的输出数据维度是类似[2, 38, 38, 84]这种，不是很清楚的可以看看上篇文章我们先看看整个流程图：
我们先看看第一步，第一步的原理如下：

'''对应w和h，有四种情况和六种情况长宽比的，详情看图片''' '''对每个模型输出的特征图，有两个默认的box长宽比都为1，但是计算方法不一样，详情将图片''' '''剩下的几种情况，如下'''

好了，第一步我们完成了，这一步最后输出的维度是[8732, 4]，接下来我们开始进行第二步，在这一步中，我们得设计到一个解码的操作，这里得解码，是指的真实的标签框和先验框共同处理，得到一个转化的关系，原理如下图：

处理上面这个encode，我们还得设计一个函数来求解iou，所谓的Iou就是针对两个边框而言的，iou就是两个边框重合部分占总面积的比例，原理如下：

知道这两个基本函数之后，我们就可以进行接下来的处理了，对先验框和标签框进行处理。需要注意的如下：


 要注意，一个标签框可以对应多个box，但是一个box只能对应一个标签框

经过以上处理之后，我们就可以开始干第三步了，这一步，原理看图：

'''接下来先将先验框和标签框进行处理''' '''经过以上操作，我们求得了每个box对应的最佳的标签框后的x,y,w,h，以及每个box对应的最佳类别，如果这里面数值为0代表是负样本，类别为背景, 接下来我们将预测的Predic和上面操作得到的数值进行操作'''

好了，以上原理的截图，均是我在最上面给的链接的作者的，那作者写的实在是太好了，关于原理部分我实在找不到补充了，只能在代码里面尽量为大家多注释一些，多写一点我的理解，希望能帮到各位。代码有些多，需要耐心的去看，没办法，我也是搞了好久才大致的将整个过程清楚了，没有什么简单的捷径方法，光是看看原理就简单，但是真实要代码复现出来，很复杂，里面很多细节。感谢能看到最后的朋友的支持，我相信，大多数看见这么多代码，会直接退出去，正常正常，因为我也这样，不到不得已，也不愿意看其他人写的代码，更不要说一行一行代码去理解了。

numpy中argsort函数用法，有需要的朋友可以参考下。

另一种方式实现按降序排序：

我要回帖

更多关于 ibox少写了一个0 的文章

 

随机推荐