一、基础概念 TP：被模型预测为正类的正样本 TN：被模型预测为负类的负样本 FP：被模型预测为正类的负样本 FN：被模型预测为负类的正样本 预测为正样本（Positive） 预测为负样本（Negative） 实际为正样本（True） TP（真正例） FN（假反例） 实际为负样本（False） FP（假正例） TN（真反例） 二、通俗理解（以西瓜数据集为例）以西瓜数据集为例

首先我们为什么要使用这些呢? 举个简单的例子，假设我们图像里面只有1个目标，但是定位出来10个框，1个正确的，9个错误的，那么你要按(识别出来的正确的目标/总的正确目标)来算，正确率100%，但是其实效果不是很好，而且还有框的各种情况，因此我们需要下面的指标来衡量一个目标检测模型的好坏。 1.IOU(Intersection Over Union)这是关于一个具体预测的Bounding

论文题目：Feature Pyramid Networks for Object Detection 论文链接：https://arxiv.org/abs/1612.03144 论文代码：Caffe版本 https://github.com/unsky/FPN 《Feature Pyramid Networks for Object Detection》这篇论文主要解决的问题是目标检测在处理多

1 简介TensorRT是一个高性能的深度学习推理（Inference）优化器，可以为深度学习应用提供低延迟、高吞吐率的部署推理。TensorRT可用于对超大规模数据中心、嵌入式平台或自动驾驶平台进行推理加速。TensorRT现已能支持TensorFlow、Caffe、Mxnet、Pytorch等几乎所有的深度学习框架，将TensorRT和NVIDIA的GPU结合起来，能在几乎所有的框架中进行快速

COCO 简介 官网地址：https://cocodataset.org MS COCO 数据集主页：http://mscoco.org/ Github 网址：https://github.com/Xinering/cocoapi 关于 API 更多的细节在网站: http://mscoco.org/dataset/#download MS COCO的全称是Microsoft Common Ob

COCO评估指标 除非另有说明，否则AP和AR在多个交汇点（IoU）值上取平均值，使用0.50到0.95共10个IOU阈值下的mAP求平均，结果就是COCO数据集定义的AP，与只用一个IOU=0.50下计算的AP相比，是一个突破； AP是所有类别的平均值。传统上，这被称为“平均准确度”（mAP，mean average precision）。官方没有区分AP和mAP（同样是AR和mAR

1.LeNet-5论文《Gradient-based learning applied to document recognition》web：http://yann.lecun.com/exdb/lenet/ 2.AlexNet论文《ImageNet Classification with Deep Convolutional Neural Networks》 3.ZFNet论文《Vis

GoogLeNet Incepetion V1这是GoogLeNet的最早版本，出现在2014年的《Going deeper with convolutions》。之所以名为“GoogLeNet”而非“GoogleNet”,文章说是为了向早期的LeNet致敬。 Motivation深度学习以及神经网络快速发展，人们不再只关注更给力的硬件、更大的数据集、更大的模型，而是更在意新的idea、新的算法以

CIFAR-10 数据集官网：http://www.cs.toronto.edu/~kriz/cifar.html CIFAR-10 是由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。一共包含 10 个类别的 RGB 彩色图 片：飞机（ a叩lane ）、汽车（ automobile ）、鸟类（ bird ）、猫（

在MongoDB中，_id字段是表示一个集合的主键【类似MySQL中的id字段】，可以唯一标识每个文档。_id字段包含唯一的ObjectID值。 使用默认的_id（ObjectId）默认情况下，在集合中插入文档时，如果字段名中没有_id的字段名称，则MongoDB将自动添加一个ObjectId字段。 ObjectId是轻量型的，不同的机器都能全局唯一的生成它；ObjectId使用12字节的存储

数据库操作12345678# 查看数据库show dbs# 切换数据库use test# 查看当前使用的数据库db 集合操作123# 查看当前数据库的集合show collectionsshow tables 增删改查增12345# 插入数据，`_id`存在就报错db.collecion.insert({})# 插入数据，`_id`存在会更新 - db.collecti

简介mongodb 官网：https://www.mongodb.com/try/download/bi-connector 官网提供四种类型的安装包 Atlas: MongoDB 集群 On-premises: MongoDB 本地安装包 Tools: MongoDB tools。详细介绍 https://docs.mongodb.com/tools/ Mobile & Edge: 移

导出工具 mongoexport123456789101112131415161718192021222324252627282930313233343536373839404142434445[root@ ~]# mongoexport --helpUsage: mongoexport <options>Export data from MongoDB in CSV or JSON

pymongo.errors.CursorNotFound: cursor id 15XXX not found报错如下: 1pymongo.errors.CursorNotFound: cursor id 69148817834 not found, full error: {'ok': 0.0, 'errmsg': 'cursor id 69148817834 not found',

mongo 连接mongo 基本命令及参数一览：1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950D:\software\professional\mongoDB\bin>mongo --helpMongoDB shell version v3.4.5usage

从rcnn， fast rcnn, faster rcnn, yolo, r-fcn, ssd，到cvpr的yolo9000。这些paper中损失函数都包含了边框回归，除了rcnn详细介绍了，其他的paper都是一笔带过，或者直接引用rcnn就把损失函数写出来了。前三条网上解释比较多，后面的两条我看了很多paper，才得出这些结论。 为什么要边框回归？ 什么是边框回归？ 边框回归怎么做的？ 边框

对象存储 OSS对象存储是无层次结构的数据存储方法，通常用于云中。不同于其他数据存储方法，基于对象的存储不使用目录树。各个单独的数据（对象）单元存在于存储池中的同一级别。 Brain++ OSS 是 Brain++ Platform 提供的对象存储服务。您可以在 Brain++ 内网中存储和访问任意类型的数据。关于对象存储的基本用法，请参考下文的客户端示例。关于对象存储的更多基本概念，请查阅相关资

太长不看的提前总结： 内核态，或者说CPU的特权模式，是CPU的一种工作状态，它影响CPU对不同指令的执行结果。操作系统通过跟CPU配合，设置特权模式和用户模式，来防止应用程序进行越权的操作 防止应用程序越权访问内存时使用了虚拟地址空间映射的技术，这是操作系统软件配合硬件的MMU共同实现的。在用户模式下，应用程序访问的内存地址是虚拟内存地址，会映射到操作系统指定的物理地址上。这个虚拟内存地址空间

1、浮点数在计算机中是如何表示的学过《计算机组成原理》或者类似《计算机系统》这些课程的小伙伴们应该都知道，浮点数在计算机中的存储方式遵循IEEE 754浮点数计数标准，可以表示为： 11.M... * 2 ** E 上述的就是 尾数 + 阶码 的编码方式，说的通俗一点就是类似于数学课本上的科学计数法表示方式：有效数字 + 指数位。 因此，只要给出：符号（S）、阶码部分（E）、尾数部分（M）

通用的设置 修改文件编码。 点击 File --> Settings --> Editor --> File Encodeings 面板，把 Global Encoding、Project Encoding、Default encodeing forproperties files 这三个地方都配置成 UTF-8 修改java编译器，添加额外的命令行参数，指定在编译时使用指