《动手学YOLO：技术原理与项目实战》的读者笔记
共 58 条公开笔记
微调
YOLOv1 的做法（存在跳跃）：
分类网络在 ImageNet 上预训练时使用的是 224×224 的低分辨率图像，但在进行目标检测任务时，直接将输入分辨率翻倍提升到了 448×448。这意味着网络必须同时完成“学习检测”和“适应新分辨率”两件事，增加了训练难度。
YOLOv2 的做法（平滑过渡）：
在 ImageNet 上预训练时，先在 224×224 分辨率上训练，然后在 448×448 的...
wang vans 2026-09-24RPN通过在全卷积网络的最后一层特征图上滑动一个小窗口，生成一系列锚点（Anchor），并为每个锚点进行前景/背景二分类以及边界框回归，从而得到精确的候选区域
图中用虚线框框起来的整体部分（下方标注有“区域建议网络”）就是 RPN (Region Proposal Network)。
为什么是这部分？
您的描述与图中虚线框内的模块完全对应：
在特征图上滑动：
虚线框内的起始输入是“卷积层”。这正是CNN提取出的最后一层特征图，RPN正是基于这层特征图进行操作的。
生成锚点 (Anchor)：
图中明确标出了“锚框”模块。这是RPN的基础，用于在特征图的不...
wang vans 2026-09-22