YOLO学习中的琐碎知识点

一、导入的库

二、名词介绍

（1）pytorch张量

（2）边界框（bounding box）

三、pycharm操作

（1）参数设置

四、文件认识

五、YOLO如何训练自己的模型

一、导入的库

import torch

这行代码导入PyTorch库。

简单的说：PyTorch库是一个流行的深度学习框架，是一个基于Torch的Python开源机器学习库，用于自然语言处理等应用程序。

Torch是一个有大量机器学习算法支持的科学计算框架，是一个与Numpy类似的张量（Tensor）操作库。

对于PyTorch，通过反向求导技术，可以让你零延迟地任意改变神经网络的行为，而且其实现速度快。正是这一灵活性是PyTorch对比TensorFlow的最大优势。

优点：支持GPU；灵活，支持动态神经网络；底层代码易于理解；命令式体验；自定义扩展。

缺点：全面性处于劣势，目前PyTorch还不支持快速傅里叶、沿维翻转张量和检查无穷与非数值张量；针对移动端、嵌入式部署以及高性能服务器端的部署其性能表现有待提升；其次因为这个框架较新，使得他的社区没有那么强大，在文档方面其C库大多数没有文档。

pytorch简介和准备知识 - 夷则july的文章 - 知乎pytorch简介和准备知识 - 知乎

import cv2

这行代码导入OpenCV库，这是一个计算机视觉库，用于图像和视频处理。

import numpy as np

这行代码导入NumPy库，这是一个Python中用于科学计算的库，它提供了数组和矩阵的支持。

import time

这行代码导入time库，这是Python中用于测量时间的基本库之一。

import torchvision

这行代码导入torchvision库，这是PyTorch中专门用于计算机视觉任务的库，提供了一些常用的数据集、模型和预处理函数等。

from torchvision import transforms

这行代码从torchvision库中导入transforms模块，这个模块包含了一些常用的图像预处理函数，例如缩放、裁剪、旋转和标准化等。

二、名词介绍

（1）pytorch张量

PyTorch张量是PyTorch中的核心数据结构，类似于多维数组。它们可以用来存储和操作数据，支持各种数学运算、线性代数操作和神经网络计算等。

PyTorch张量类似于NumPy的多维数组，但是提供了额外的功能和优化，使其适用于深度学习任务。与NumPy数组相比，PyTorch张量还具有以下特点：

1. GPU加速：PyTorch张量可以在GPU上进行计算，通过将张量移动到GPU内存中，可以利用GPU的并行计算能力加速运算。

2. 自动求导：PyTorch张量可以自动跟踪和计算梯度。这对于使用梯度下降等优化算法来训练神经网络非常有用。

3. 动态计算图：PyTorch使用动态计算图，在每次前向传播时构建图形，从而允许更灵活的模型定义和控制流程。

4. 张量类型：PyTorch提供了不同类型的张量，如浮点型张量（torch.FloatTensor）、整数型张量（torch.LongTensor）和布尔型张量（torch.BoolTensor），以满足不同的需求。

通过使用PyTorch张量可以方便地进行各种数值计算、创建神经网络模型并进行训练。

（2）边界框（bounding box）

边界框（bounding box）是指在图像或视频中标记物体位置的矩形框，通常用一组坐标表示。边界框可以用来描述目标物体的位置、大小和形状等信息。

在计算机视觉领域，边界框是非常常见的一种数据结构，经常被用于目标检测、物体跟踪、人脸识别、姿态估计等任务中。例如，在目标检测中，我们需要从一张图像中找出所有的目标物体，并准确地框定它们的位置和大小。这时就需要使用边界框来描述每个目标物体的位置和尺寸。在物体跟踪中，我们需要不断地跟踪一个特定的物体，这时也需要使用边界框来描述物体的位置和大小。