YOLOv3 SPP理论详解(包括CIoU及Focal loss)

网络性能对比

在这里插入图片描述

表格的数据来自U版yolov3 spp的参数对比，输入图片大小都是512 x 512, 原始的yolov3他的coco mAp(Iou 0.5:0.95) 所取的均值是在32.7,加上了SPP结构它的mAp达到了35.6，基本上提升了大概有3个点，U 版的yolov3 SPP的mAP达到了42.6，它相对于普通版Yolov3 SPP提升了将近7个点，这效果是非常明显的。通过查看U版的源码，作者使用了很多trciks.
U版的Yolov3 SPP 作者主要使用的技巧包括: 1.Mosaic 图像增强 2. SPP模块 3.CIOU LOSS ，其中Focal loss作者在代码有实现，但实际训练中并没有使用到，作者发现加上了Focal loss效果并没有改善。

以往的网络中也提到了很多图像增强算法包括：图像的随机裁剪、图像的随机水平翻转、亮度色度饱和度的随机调整等。

Mosaic 图像增强实际上是将多张图片拼接在一起，然后输入网络进行训练。在源码中，作者默认使用4张图片进行拼接预测，Mosaic图像增强到

相关阅读:
uniapp heckbox-group实现多选
22-07-05 七牛云存储图片、用户头像上传
浏览器：重绘（repaint）与回流/重排（reflow）
USB母座引脚定义
leetcode 20. 有效的括号
计算机毕业设计Java汽车商城系统(源代码+数据库+系统+lw文档)
HTTPS双向认证和如何生成证书
9.16 校招实习内推面经
C51智能小车（循迹、跟随、避障、测速、蓝牙、wifie、4g、语音识别）总结
linux系统安装MySQL服务，详细图文教程

原文地址：https://blog.csdn.net/weixin_38346042/article/details/126154981