YOLO

https://blog.csdn.net/thm225679/article/details/79407619  实践

---》

argparse是python用于解析命令行参数和选项的标准模块，用于代替已经过时的optparse模块。argparse模块的作用是用于解析命令行参数，例如python parseTest.py input.txt output.txt --user=name --port=8080。

1：import argparse

2：parser = argparse.ArgumentParser()

3：parser.add_argument()

4：parser.parse_args()

解释：首先导入该模块；然后创建一个解析对象；然后向该对象中添加你要关注的命令行参数和选项，每一个add_argument方法对应一个你要关注的参数或选项；最后调用parse_args()方法进行解析；解析成功之后即可使用

用tf.train.Saver() 创建一个Saver 来管理模型中的所有变量。~https://blog.csdn.net/qiqiaiairen/article/details/53184216

tf.train.Saver.restore(sess, save_path)

恢复之前保存的变量，这个方法运行构造器为恢复变量所添加的操作。它需要启动图的Session。恢复的变量不需要经过初始化，恢复作为初始化的一种方法。save_path 参数是之前调用save() 的返回值，或调用 latest_checkpoint() 的返回值。

 

使用arrange生成连续元素' print numpy.arange(6) # [0,1,2,3,4,5,] 开区间 print numpy.arange(0,6,2)

 

transpose转置：https://www.cnblogs.com/sunshinewang/p/6893503.html

cv2.rectangle(image, 左下角坐标, 右上角坐标, color) 

 

np.multiply数组/矩阵相乘：

https://blog.csdn.net/zenghaitao0128/article/details/78715140

 

对于二维数组b2，nonzero(b2)所得到的是一个长度为2的元组。它的第0个元素是数组a中值不为0的元素的第0轴的下标，第1个元素则是第1轴的下标，因此从下面的结果可知b2[0,0]、b[0,2]和b2[1,0]的值不为0：

>>> b2 = np.array([[True, False, True], [True, False, False]])
>>> np.nonzero(b2)
    (array([0, 0, 1]), array([0, 2, 0]))

 

计时：

from utils.timer import Timerdetect_timer = Timer()
detect_timer.tic()

detect_timer.toc()
print('Average detecting time: {:.3f}s'.format(
detect_timer.average_time))

 

https://blog.csdn.net/hrsstudy/article/details/70305791  论文讲解

解决方案如下：
更重视8维的坐标预测，给这些损失前面赋予更大的loss weight, 记为 λcoord ,在pascal VOC训练中取5。（上图蓝色框）
对没有object的bbox的confidence loss，赋予小的loss weight，记为 λnoobj ，在pascal VOC训练中取0.5。（上图橙色框）
有object的bbox的confidence loss (上图红色框) 和类别的loss （上图紫色框）的loss weight正常取1。

对不同大小的bbox预测中，相比于大bbox预测偏一点，小box预测偏相同的尺寸对IOU的影响更大。而sum-square error loss中对同样的偏移loss是一样。
为了缓和这个问题，作者用了一个巧妙的办法，就是将box的width和height取平方根代替原本的height和width。 如下图：small bbox的横轴值较小，发生偏移时，反应到y轴上的loss（下图绿色）比big box(下图红色)要大。