前言

该文链接至：YOLO-V3-SPP详细解析
本文主要讲解在推理阶段YoloV3-SPP的处理，分以下几点：

预处理数据
推理的NMS处理

关于map的计算，ultralytic版本的源码调用了pycoco库函数来计算map，因此这里不讲map的计算，感兴趣可以去看看我朋友关于对YOLOV5之MAP计算的博客：【YOLOV5-5.x 源码解读】val.py

源码

Yolo-V3-SPP版本是ultralytics版本,需要较详细的请去github下载

NMS源码

validation.py调用

        pred = model(imgs)[0]  # only get inference resultpred = non_max_suppression(pred, conf_thres=0.01, iou_thres=0.6, multi_label=False)

predict_test.py调用

        # 网络进行正向传播，t为时间差，pred为返回结果t1 = torch_utils.time_synchronized()pred = model(img)[0]  # only get inference resultt2 = torch_utils.time_synchronized()print(t2 - t1)# 非极大值抑制处理pred = utils.non_max_suppression(pred, conf_thres=0.1, iou_thres=0.6, multi_label=True)[0]

这里pred为model的返回值，返回值的处理参照model.py的处理，这里给出关键部分的代码：

        else:  # inference 如果是验证或者推理阶段# io的shpae(batch_size,anchor_num,grid_cell,grid_cell,xywh+obj_confidence+classes_num)io = p.clone()  # inference output# clone返回一个张量的副本，其与原张量的尺寸和数据类型相同。# 与copy_()不同，这个函数记录在计算图中。传递到克隆张量的梯度将传播到原始张量# grid的shape=[batch_size, na, grid_h, grid_w, wh],和io最后一维取前两个xy后的shape一致，进行加法io[..., :2] = torch.sigmoid(io[..., :2]) + self.grid# xy 计算在feature map上的xy坐标，对应论文的sigmoid(tx)+cx# anchor_wh的shape：[batch_size, na, grid_h, grid_w, wh]与io最后一维取第3，4个，即wh后的shape一致，进行乘法io[..., 2:4] = torch.exp(io[..., 2:4]) * self.anchor_wh  # wh yolo method 计算在feature map上的whio[..., :4] *= self.stride  # xywh换算映射回原图尺度# obj和类别预测经过sigmoidtorch.sigmoid_(io[..., 4:])return io.view(bs, -1, self.no), p  # view [1, 3, 13, 13, 85] as [1, 507, 85],3X13X13=507# io的shape(batch_size,...,xywh+obj_confidence+classes_num)# p的shape是(batch_size,anchor_num,grid_cell,grid_cell,xywh+obj_confidence+classes_num)

NMS源码

def non_max_suppression(prediction, conf_thres=0.1, iou_thres=0.6,multi_label=True, classes=None, agnostic=False, max_num=100):"""Performs  Non-Maximum Suppression on inference resultsparam: prediction[batch, num_anchors X (gird_x X gird_y), (xywh+obj_conf+cls_num)]Returns detections with shape:nx6 (x1, y1, x2, y2, conf, cls)"""# Settingsmerge = False  # merge for best mAPmin_wh, max_wh = 2, 4096  # (pixels) minimum and maximum box width and heighttime_limit = 10.0  # seconds to quit aftert = time.time()nc = prediction[0].shape[1] - 5  # number of classesmulti_label &= nc > 1  # multiple labels per boxoutput = [None] * prediction.shape[0]for xi, x in enumerate(prediction):  # image index, image inference 遍历每张图片# Apply constraintsx = x[x[:, 4] > conf_thres]  # confidence 根据obj confidence虑除背景目标x = x[((x[:, 2:4] > min_wh) & (x[:, 2:4] < max_wh)).all(1)]  # width-height 虑除小目标# If none remain process next imageif not x.shape[0]:continue# Compute confx[..., 5:] *= x[..., 4:5]  # conf = obj_conf * cls_conf# Box (center x, center y, width, height) to (x1, y1, x2, y2)box = xywh2xyxy(x[:, :4])# Detections matrix nx6 (xyxy, conf, cls)if multi_label:  # 针对每个类别执行非极大值抑制i, j = (x[:, 5:] > conf_thres).nonzero(as_tuple=False).t()x = torch.cat((box[i], x[i, j + 5].unsqueeze(1), j.float().unsqueeze(1)), 1)else:  # best class only  直接针对每个类别中概率最大的类别进行非极大值抑制处理conf, j = x[:, 5:].max(1)x = torch.cat((box, conf.unsqueeze(1), j.float().unsqueeze(1)), 1)[conf > conf_thres]# Filter by classif classes:x = x[(j.view(-1, 1) == torch.tensor(classes, device=j.device)).any(1)]# Apply finite constraint# if not torch.isfinite(x).all():#     x = x[torch.isfinite(x).all(1)]# If none remain process next imagen = x.shape[0]  # number of boxesif not n:continue# Sort by confidence# x = x[x[:, 4].argsort(descending=True)]# Batched NMSc = x[:, 5] * 0 if agnostic else x[:, 5]  # classesboxes, scores = x[:, :4].clone() + c.view(-1, 1) * max_wh, x[:, 4]  # boxes (offset by class), scoresi = torchvision.ops.nms(boxes, scores, iou_thres)i = i[:max_num]  # 最多只保留前max_num个目标信息if merge and (1 < n < 3E3):  # Merge NMS (boxes merged using weighted mean)try:  # update boxes as boxes(i,4) = weights(i,n) * boxes(n,4)iou = box_iou(boxes[i], boxes) > iou_thres  # iou matrixweights = iou * scores[None]  # box weightsx[i, :4] = torch.mm(weights, x[:, :4]).float() / weights.sum(1, keepdim=True)  # merged boxes# i = i[iou.sum(1) > 1]  # require redundancyexcept:  # possible CUDA error https://github.com/ultralytics/yolov3/issues/1139print(x, i, x.shape, i.shape)passoutput[xi] = x[i]if (time.time() - t) > time_limit:break  # time limit exceededreturn output

NMS源码解析

回顾NMS

Soft-NMS算法

这里的iou(M,bi)iou(M,b_i)iou(M,bi)采用的是GiouGiouGiou

解析

def non_max_suppression(prediction, conf_thres=0.1, iou_thres=0.6,multi_label=True, classes=None, agnostic=False, max_num=100):

传参：

prediciton:shape为(batch_size,anchor×grid_x×grid_y,xywh+obj_conf+cls_num)(batch\_size,anchor\times grid\_x\times grid\_y,xywh+obj\_conf+cls\_num)(batch_size,anchor×grid_x×grid_y,xywh+obj_conf+cls_num)
conf_thres:置信度和类别阈值
Iou_thres:iou阈值
multi_label:多类执行NMS标志位,True表示对每个类别执行NMS,False表示只对类别最大的执行NMS（注：这里不是指多分类和单分类，而仅仅是NMS的处理方式）
classes:默认为None，作用是控制筛选输出的类别为指定的classes,作为一个特殊的功能扩展,对预测输出时可指定输出指定的类,默认不使用
agnostic:
max_num:NMS后最多只保留前max_num个目标信息

    # Settingsmerge = False  # merge for best mAPmin_wh, max_wh = 2, 4096  # (pixels) minimum and maximum box width and heighttime_limit = 10.0  # seconds to quit after

Merge后面是用来对经过NMS之后的预测框进行一个权重平衡,这里简单提一下,后面会讲到.
min_wh和max_wh作用：

筛选掉大小预测框
在nms时，max_wh会对不同类别的预测框进行区分，具体操作后面会详细说明

time_limit限制循环的运行时间不能超过10s

    t = time.time()nc = prediction[0].shape[1] - 5  # number of classesmulti_label &= nc > 1  # multiple labels per box

t = time.time():返回当前时间的时间戳（1970纪元后经过的浮点秒数）。

nc = prediction[0].shape[1] - 5
这里prediction的shape为[batch, num_anchors X (gird_x X gird_y), (xywh+obj_conf+cls_num)]
上述prediction[0].shape[1]即取prediciton最后一维的长度，由于前5个均是(xywh+obj)，减去前面的维度即可以得到剩下cls_num的长度，nc表示类数目。

multi_label &= nc > 1
这是与运算&两个式子分别为：multi_label和nc>1，两个布尔值取与&。

    output = [None] * prediction.shape[0]

prediction.shape[0]指batch_size个数，output为list，list个数为当前传入的predict的batch_size,如果在预测阶段传入一张图片，那么batch_size=1，那么这时的output为1个list，总之output的list个数为batch_size。

for循环代码的解释

    for xi, x in enumerate(prediction):  # image index, image inference 遍历每张图片

对于单张图片的nms处理，该循环只会执行一次，而对于验证集处理是一个batch进行nms处理，循环次数为batch_size。
prediciton的shape[batch, num_anchors X (gird_x X gird_y), (xywh+obj_conf+cls_num)]
x的shape为[num_anchors X (gird_x X gird_y), (xywh+obj_conf+cls_num)]

        # Apply constraintsx = x[x[:, 4] > conf_thres]  # confidence 根据obj confidence虑除背景目标x = x[((x[:, 2:4] > min_wh) & (x[:, 2:4] < max_wh)).all(1)]  # width-height 滤除小目标

x = x[x[:, 4] > conf_thres]
筛选出Obj_conf > conf_thres的预测框

x = x[((x[:, 2:4] > min_wh) & (x[:, 2:4] < max_wh)).all(1)]
筛选出预测框宽高在[min_wh,max_wh]之间的预测框信息

        # If none remain process next imageif not x.shape[0]:continue

x.shape[0]是当前图片筛选出来的预测框数量，如果当前图片经过conf_thres和滤除小目标后得到的预测框为0，那么这张图片不需要nms，continue下一张图片进行nms处理

        # Compute confx[..., 5:] *= x[..., 4:5]  # conf = obj_conf * cls_conf

x[…, 5:]表示cls_conf维度，x[…, 4:5]表示obj_conf
这里回顾下YOLO-V1的论文

每个grid cell预测cls_num个类的条件概率Pr(Classi∣Object)Pr(Class_i\mid Object)Pr(Classi∣Object)，我们要得到实际类别概率需要
Pr(Classi)=Pr(Classi∣Object)∗Pr(Object)Pr(Class_i)=Pr(Class_i\mid Object)\ast Pr(Object)Pr(Classi)=Pr(Classi∣Object)∗Pr(Object)
实际等价于
Pr(Classi)=cls_conf∗obj_confPr(Class_i)=cls\_conf\ast obj\_confPr(Classi)=cls_conf∗obj_conf

经过上述代码之后，x原处cls_conf的位置的内容从Pr(Classi∣Object)Pr(Class_i\mid Object)Pr(Classi∣Object)变为Pr(Classi)Pr(Class_i)Pr(Classi)

        # Box (center x, center y, width, height) to (x1, y1, x2, y2)box = xywh2xyxy(x[:, :4])

xywh2xyxy方法如下

def xywh2xyxy(x):# Convert nx4 boxes from [x, y, w, h] to [x1, y1, x2, y2] where xy1=top-left, xy2=bottom-righty = torch.zeros_like(x) if isinstance(x, torch.Tensor) else np.zeros_like(x)y[:, 0] = x[:, 0] - x[:, 2] / 2  # top left xy[:, 1] = x[:, 1] - x[:, 3] / 2  # top left yy[:, 2] = x[:, 0] + x[:, 2] / 2  # bottom right xy[:, 3] = x[:, 1] + x[:, 3] / 2  # bottom right yreturn y

将yolo格式的xywh转化为xyxy，赋给box，但不改变x对应为位置的内容

多类NMS前的处理和单类NMS前的处理

多类NMS

        # Detections matrix nx6 (xyxy, conf, cls)if multi_label:  # 针对每个类别执行非极大值抑制i, j = (x[:, 5:] > conf_thres).nonzero(as_tuple=False).t()x = torch.cat((box[i], x[i, j + 5].unsqueeze(1), j.float().unsqueeze(1)), 1)else:  # best class only  直接针对每个类别中概率最大的类别进行非极大值抑制处理conf, j = x[:, 5:].max(1)x = torch.cat((box, conf.unsqueeze(1), j.float().unsqueeze(1)), 1)[conf > conf_thres]

multi_label ：多类NMS为true，单类NMS为false。
i, j = (x[:, 5:] > conf_thres).nonzero(as_tuple=False).t()
x[:, 5:] > conf_thres表示将所有预测框的cls_conf和conf_thres进行匹配，如果大于这个阈值，则将该cls_conf设为true，否则设为false，debug详情如下：

这里Tensor:(1779,2)表示我当前预测图片的预测框有1779个，所需分类为2个

以上是x[:, 5:] > conf_thres的状态

nonzero(as_tuple=False).t()将上述变量的非零值，即True值的矩阵位置内容（预测框id，类别）保存下来，赋给i，j变量(该(i,j)坐标可在x[:, 5:]变量寻址获得大于conf_thres的类别置信度cls_conf，形象地说，寻址的tensor为(预测框id个数，类别)，其中i表示预测框id，j表示类别)

注意：i表示的预测框id个数中可能预测框来自同一个id，但是类别不同，表示该预测框的两个类别置信度都＞conf_thres

x = torch.cat((box[i], x[i, j + 5].unsqueeze(1), j.float().unsqueeze(1)), 1)
box[i]表示预测框i，状态如下：

x[i, j + 5].unsqueeze(1)表示对x在第2个维度进行扩展一个维度，原来的shape是[预测框数量，xywh+obj+cls_num]
x[i, j + 5]的状态如下：

经过unsqueeze(1)后，状态如下：

j.float().unsqueeze(1)将类别转化为浮点类型，并且在位置的维度升维，状态如下：

将上述三个变量在第2个维度上拼接，得到的x的状态如下:

其中选取x[0]=[3.02696e+02, 8.21888e+01, 3.32809e+02, 1.57338e+02, 1.08854e-01, 0.00000e+00]
有6个数值，前四个参数表示(xleft−top,yleft−top,xright−top,yright−top)(x_{left-top},y_{left-top},x_{right-top},y_{right-top})(xleft−top,yleft−top,xright−top,yright−top)，后两个参数表示(cls_conf,j.float())(cls\_conf,j.float())(cls_conf,j.float())

单类NMS

        else:  # best class only  直接针对每个类别中概率最大的类别进行非极大值抑制处理conf, j = x[:, 5:].max(1)x = torch.cat((box, conf.unsqueeze(1), j.float().unsqueeze(1)), 1)[conf > conf_thres]

max(1)表示取x[:, 5:]的类别维度的最大值，返回其中最大的cls_conf及所表示的类别j
torch.cat同多类NMS处理相同

多类NMS和单类NMS的区别

上面两个部分都是在NMS前进行筛选的操作，为了形象说明，我做的实验是分两类，那么我将定义筛选前变量为(box_id,cls_conf1,cls_conf2)(box\_id,cls\_conf1,cls\_conf2)(box_id,cls_conf1,cls_conf2)
多类NMS：只要该预测框预测的预测类别cls_conf1cls\_conf1cls_conf1和cls_conf2cls\_conf2cls_conf2置信度大于conf_thres，那么该预测类别将会保存下来，最后筛选得到(box_id,cls_conf1)(box\_id,cls\_conf1)(box_id,cls_conf1)和(box_id,cls_conf2)(box\_id,cls\_conf2)(box_id,cls_conf2)
这里注意，对于筛选到的预测框中，含有不同的cls_conf1cls\_conf1cls_conf1和cls_conf2cls\_conf2cls_conf2的预测框可能是同一个box_idbox\_idbox_id，它们都可能会送进NMS处理.由于这个预测框是同一个预测框,只是预测了cls_conf1cls\_conf1cls_conf1和cls_conf2cls\_conf2cls_conf2,在进行NMS时,表示同一个预测框,预测不同类的两个target的IOU是完全重叠的。从这同一个框的两个target来分析哪个框会得到保留，对于NMS原理可知,假设是soft-NMS原理,那么至少会有一个框得到保留,最极端的情况就是当这同一预测框的两个target具有相同的cls_confcls\_confcls_conf，那么这两框可能都会被保留。

单类NMS:预测框只筛选出其中一个类别的target，筛选条件为max(cls_conf1,cls_conf2)max(cls\_conf1,cls\_conf2)max(cls_conf1,cls_conf2)，注意单类NMS不需要经过conf_thres筛选，只取最大类别置信度的预测框，那么所有的预测框都会被筛选上，并且一个预测框对应一个target。

classes参数的作用

        # Filter by classif classes:x = x[(j.view(-1, 1) == torch.tensor(classes, device=j.device)).any(1)]

我的实验classes设为None，意味着上述代码并没有执行，其中的意思：
classes参数说明讲得很清楚了
j的状态是：

j.view(-1,1)的状态是：

classes是一个list或者nparrary，定义为指定的类别list,控制NMS指对指定的类别进行NMS,抛弃其他类别,输出指定的类别预测或验证,估计预测时使用较多,作为一个功能扩展,默认不使用.

        # If none remain process next imagen = x.shape[0]  # number of boxesif not n:continue

经过上述代码的类阈值筛选之后，判断x是否还能继续NMS

agnostic参数的作用

        # Batched NMSc = x[:, 5] * 0 if agnostic else x[:, 5]  # classes

agnostic默认使用false，c的参数为tensor(预测框id，)
x的shape为(xleft−top,yleft−top,xright−top,yright−top,cls_conf,j.float())(x_{left-top},y_{left-top},x_{right-top},y_{right-top},cls\_conf,j.float())(xleft−top,yleft−top,xright−top,yright−top,cls_conf,j.float())
x[:, 5]表示第6个参数的信息j.float()，即表示类别
c的状态为：

agnostic为True会使获得的类别变量c全为第一类，若为false则c获取的是所有预测框id对应的类

该变量的具体作用未知，由于未用到，还不清楚具体的作用。

boxes, scores = x[:, :4].clone() + c.view(-1, 1) * max_wh, x[:, 4]

x[:, :4]表示(xleft−top,yleft−top,xright−top,yright−top)(x_{left-top},y_{left-top},x_{right-top},y_{right-top})(xleft−top,yleft−top,xright−top,yright−top)信息
c.view(-1, 1)的状态为：

max_wh为4096
对于agnostic为fasle时，max_wh能将c中非0类的坐标信息(xleft−top,yleft−top,xright−top,yright−top)(x_{left-top},y_{left-top},x_{right-top},y_{right-top})(xleft−top,yleft−top,xright−top,yright−top)乘以max_wh。
在进行nms时，会区分boxes坐标
当agnostic为True时，c的值将会全为0，boxes信息将不会区分不同类的坐标信息，对所有类进行NMS操作.
以上agnostic参数的具体实现在于对boxes不同类nms的处理

boxes不同类区分坐标信息，分类进行NMS操作

boxes = x[:, :4].clone() + c.view(-1, 1) * max_wh，这里将不同类别的坐标以max_wh倍数进行区分，具体作用请看如下debug，我的0类的boxes信息debug如下：

经过区分，不同类的boxes信息的iou是0，那么nms只会对同类预测框操作。
scores为x的第5个参数，即cls_conf，类置信度

i = torchvision.ops.nms(boxes, scores, iou_thres)
i = i[:max_num]  # 最多只保留前max_num个目标信息

调用torchvision自带的nms库函数，采用giou来进行NMS

merge参数的作用

        if merge and (1 < n < 3E3):  # Merge NMS (boxes merged using weighted mean)try:  # update boxes as boxes(i,4) = weights(i,n) * boxes(n,4)iou = box_iou(boxes[i], boxes) > iou_thres  # iou matrixweights = iou * scores[None]  # box weightsx[i, :4] = torch.mm(weights, x[:, :4]).float() / weights.sum(1, keepdim=True)  # merged boxes# i = i[iou.sum(1) > 1]  # require redundancyexcept:  # possible CUDA error https://github.com/ultralytics/yolov3/issues/1139print(x, i, x.shape, i.shape)pass

merge参数默认为false：
如果为true，将会给筛选的boundingbox以一定权重分配宽高，权重分配以当前筛选的box信息和总的box信息进行iou计算，将iou＞Iou_thres的box保存下来,将当前最佳框的宽高以如下公式更新：
boxi=0[x1,y1,x2,y2]=∑i=1targetclsi[x1_i,y1_i,x2_i,y2_i]∑i=1targetclsibox_{i=0}[x_1,y_1,x_2,y_2]=\frac{\sum_{i=1}^{target}cls_i[x_{1\_i},y_{1\_i},x_{2\_i},y_{2\_i}]}{\sum_{i=1}^{target}cls_i}boxi=0[x1,y1,x2,y2]=∑i=1targetclsi∑i=1targetclsi[x1_i,y1_i,x2_i,y2_i]
其中，i=0i=0i=0表示cls_confcls\_confcls_conf最高的一个box，i=1i=1i=1到targettargettarget个boxes均是与boxmax_confbox_{max\_conf}boxmax_conf的iou＞iou_thres筛选得到的box
这里的代码如果看不懂，可以看这个版本的代码：
原文：nms源码解读

            elif method == 'merge':  # weighted mixture boxwhile len(dc): # dc是按置信度排好序的box信息if len(dc) == 1:det_max.append(dc)breaki = bbox_iou(dc[0], dc) > nms_thres  # i = True/False的集合weights = dc[i, 4:5]     # 根据i，保留所有Truedc[0, :4] = (weights * dc[i, :4]).sum(0) / weights.sum()  # 重叠框位置信息求解平均值det_max.append(dc[:1])dc = dc[i == 0]

关于NMS中的具体操作是比较简单的,主要复杂的是NMS前的一些处理.以上代码的NMS是调包使用,具体源码实现我不太清楚,这里给出几个版本的NMS实现,hard-nms,hard-nms-and，soft-nms，diou-nms，原文：nms源码解读

            # 推理时间：0.0030selif method == 'soft_nms':  # soft-NMS      https://arxiv.org/abs/1704.04503sigma = 0.5  # soft-nms sigma parameterwhile len(dc):# if len(dc) == 1:  这是U版的源码 我做了个小改动#     det_max.append(dc)#     break# det_max.append(dc[:1])det_max.append(dc[:1])   # append dc的第一行  即targetif len(dc) == 1:breakiou = bbox_iou(dc[0], dc[1:])  # 计算target与其他框的iou# 这里和上面的直接置0不同，置0不需要管维度dc = dc[1:]  # dc=target往后的所有预测框# dc必须不包括target及其前的预测框，因为还要和值相乘, 维度上必须相同dc[:, 4] *= torch.exp(-iou ** 2 / sigma)  # 得分衰减dc = dc[dc[:, 4] > conf_thres]# 推理时间：0.00299elif method == 'diou_nms':  # DIoU NMS  https://arxiv.org/pdf/1911.08287.pdfwhile dc.shape[0]:  # dc.shape[0]: 当前class的预测框数量det_max.append(dc[:1])  # 让score最大的一个预测框(排序后的第一个)为targetif len(dc) == 1:  # 出口 dc中只剩下一个框时，breakbreak# dc[0] ：target     dc[1:] ：其他预测框diou = bbox_iou(dc[0], dc[1:], DIoU=True)  # 计算 dioudc = dc[1:][diou < nms_thres]  # remove dious > threshold  保留True 删去False

YoloV3-SPP NMS源码详解相关推荐

【Live555】live555源码详解（九）：ServerMediaSession、ServerMediaSubsession、live555MediaServer
[Live555]live555源码详解系列笔记继承协作关系图下面红色表示本博客将要介绍的三个类所在的位置: ServerMediaSession.ServerMediaSubsession.Dy ...
【Live555】live555源码详解系列笔记
[Live555]liveMedia下载.配置.编译.安装.基本概念 [Live555]live555源码详解(一):BasicUsageEnvironment.UsageEnvironment [L ...
【Live555】live555源码详解（八）：testRTSPClient
[Live555]live555源码详解系列笔记继承协作关系图下面红色表示本博客将要介绍的testRTSPClient实现的三个类所在的位置: ourRTSPClient.StreamClient ...
【Live555】live555源码详解（七）：GenericMediaServer、RTSPServer、RTSPClient
[Live555]live555源码详解系列笔记继承协作关系图下面红色表示本博客将要介绍的三个类所在的位置: GenericMediaServer.RTSPServer.RTSPClient 14 ...
【Live555】live555源码详解（六）：FramedSource、RTPSource、RTPSink
[Live555]live555源码详解系列笔记继承协作关系图下面红色表示本博客将要介绍的三个类所在的位置: FramedSource.RTPSource.RTPSink 11.FramedSou ...
【Live555】live555源码详解（五）：MediaSource、MediaSink、MediaSession、MediaSubsession
[Live555]live555源码详解系列笔记继承协作关系图下面红色表示本博客将要介绍的四个类所在的位置: MediaSource.MediaSink.MediaSession.MediaSub ...
【Live555】live555源码详解（四）：Medium媒体基础类
[Live555]live555源码详解系列笔记 7.Media Medai所依赖关系图依赖Medai关系图 Media和UsageEnvironment关联图
【Live555】live555源码详解（二）：BasicHashTable、DelayQueue、HandlerSet
[Live555]live555源码详解系列笔记 3.BasicHashTable 哈希表协作图: 3.1 BasicHashTable BasicHashTable 继承自 HashTable 重 ...
【Live555】live555源码详解（一）：BasicUsageEnvironment、UsageEnvironment
[Live555]live555源码详解系列笔记类关系图 1.UsageEnvironment 详解 1.1 BasicUsageEnvironment BasicUsageEnvironment ...

YoloV3-SPP NMS源码详解

前言

源码

NMS源码

validation.py调用

predict_test.py调用

NMS源码

NMS源码解析

回顾NMS

Soft-NMS算法

解析

for循环代码的解释

多类NMS前的处理和单类NMS前的处理

多类NMS

单类NMS

多类NMS和单类NMS的区别

classes参数的作用

agnostic参数的作用

boxes不同类区分坐标信息，分类进行NMS操作

merge参数的作用

YoloV3-SPP NMS源码详解相关推荐

最新文章

热门文章