gitlab 是origin main而不是master,绝了！

git reset –hard

error: src refspec master does not match any. 错误处理办法 - JeremyLee87 - 博客园 (cnblogs.com)

Git 多人协作开发流程 - SegmentFault 思否

pixelshuffle#

上采样可以理解为在同一个位置，原来只是以1:1的比例提取信息，而现在以1:4的比例提取信息，提取信息的频率更高了，所以能反映的细节也就更多。对于tensor来说，在同一个位置多提取信息，也就是通过卷积生成通道数更多的tensor。具体过程为（以一个（n,64,64,64）的特征图为例）

1. 通过卷积，得到通道数倍增的特征图（n,64,64,256）
2. 将特征图切割成若干份，对每一份（n,64,64,4）的像素点进行重新排列,reshape成(n,64,64,2,2），再reshape成（n,64,2,64,2），最后reshape成（n,128,128,1），再把这么多份拼接起来，得（n,128,128,64）的特征图

upsample#

插值方法

转置卷积(ConvTranspose2d)#

填充0后做卷积

参考资料#

(19条消息) 上采样方法大PK（Upsample，Interpolate，resize，Transposed convolution，deconv，Unpool，Pixelshuffle）_年轻即出发，-CSDN博客

上采样，上池化，反卷积 - OliYoung - 博客园 (cnblogs.com)

PixelShuffler原理学习笔记 - 程序员大本营 (pianshen.com)

pytorch中的上采样（上采样，转置卷积，上池化，PixelShuffle） - 那抹阳光1994 - 博客园 (cnblogs.com)

LN：Layer Normalization，LN是“横”着来的，对一个样本，不同的神经元neuron间做归一化。

BN：Batch Normalization，BN是“竖”着来的，各个维度做归一化，所以与batch size有关系。

优点：Bactch Normalization通过标准化让激活函数分布在线性区间，结果就是加大了梯度，让模型更大胆的进行梯度下降，具有如下优点：

• 加大搜索的步长，加快收敛的速度；
• 更容易跳出局部最小值；
• 破坏原来的数据分布，一定程度上缓解了过拟合

缺陷如下：

1、BN是在batch size样本上各个维度做标准化的，所以size越大肯定越能得出合理的μ和σ来做标准化，因此BN比较依赖size的大小。
2、在训练的时候，是分批量进行填入模型的，但是在预测的时候，如果只有一个样本或者很少量的样本来做inference，这个时候用BN显然偏差很大，例如在线学习场景。
3、RNN是一个动态的网络，也就是size是变化的，可大可小，造成多样本维度都没法对齐，所以不适合用BN。

LN带来的优势：

1、Layer Normalization是每个样本内部做标准化，跟size没关系，不受其影响。
2、RNN中LN也不受影响，内部自己做标准化，所以LN的应用面更广。

• BatchNorm：batch方向做归一化，计算NHW的均值
• LayerNorm：channel方向做归一化，计算CHW的均值
• InstanceNorm：一个channel内做归一化，计算H*W的均值
• GroupNorm：先将channel方向分group，然后每个group内做归一化，计算(C//G)HW的均值

WN#

归一化操作#

参考资料#

https://www.cnblogs.com/gczr/p/12597344.html

详解深度学习中的Normalization，BN/LN/WN - 知乎 (zhihu.com)

为什么要做特征归一化/标准化？ - shine-lee - 博客园 (cnblogs.com)

深度可分离卷积

假设输入是$D_{f^i} * D_{f^i} * M$ ,输出图大小是$D_{f^o}*D_{f^o}N$, 卷积核大小是$D_kD_k$

普通卷积操作

输入图在经过卷积核（$D_kD_kM$）后输出为目标输出大小，但此时仅为$D_{f^o}*D_{f^o} * 1$ ,需要$N$个这样的操作才能得到目标特征图。

此时所需要的计算量有$D_{f^o}D_{f^o}D_kD_kM*N$。

参考资料#

MMDetection 2.5 目标检测（3）：配置修改 - 简书 (jianshu.com)

mmdetection源码分析faster-rcnn，读懂mmdetection - 知乎 (zhihu.com)

将自己数据集转化成voc数据集格式并用mmdetection训练 - 简书 (jianshu.com)

(29条消息) （详细教程）mmdetection训练自己的模型，测试，评估_若风的博客-CSDN博客

(29条消息) 【MMDetection-学习记录】 训练自己的VOC数据集_乐亦亦乐的博客-CSDN博客

MMDetection v2.0 训练自己的数据集 - 知乎 (zhihu.com)

mmdetection 模型训练

mmdetection源码解读（一） - 知乎 (zhihu.com)

环境配置

第一步：安装YOLOX

1
2
3
4

git clone git@github.com:Megvii-BaseDetection/YOLOX.git
cd YOLOX
pip3 install -U pip && pip3 install -r requirements.txt
pip3 install -v -e .  # or  python3 setup.py develop