用在AutoShape函数结尾 detections class for YOLOv5 inference results

用在代替原本的BCEcls（分类损失）和BCEobj（置信度损失） Wraps focal loss around existing loss_fcn(), i.e. criteria = FocalLoss(nn.BCEWithLogitsLoss(), gamma=1.5) 论文

Ghost Convolution 幻象卷积 轻量化网络卷积模块 论文: https://arxiv.org/abs/1911.11907 源码: https://github.com/huawei-noah/ghostnet 常见的几种使用方式: https:/

hard-swish 图形和Swish很相似 在mobilenet v3中提出 https://arxiv.org/pdf/1905.02244.pdf

Log training runs, datasets, models, and predictions to Weights & Biases. This logger sends information to W&B at wandb.ai. By default, this info

在yolo.py中Model类的autoshape函数中使用 将model封装成包含前处理、推理、后处理的模块(预处理 + 推理 + nms) 也是一个扩展模型功能的模块 autoshape模块在train中不会被调用，当模型训练结束后，会通过这个模块对图片进行重塑，来方便模型的预

用在val.py中计算混淆矩阵 Updated version of https://github.com/kaanakan/object_detection_confusion_matrix 混淆矩阵: 定义 更新 return 绘制 print打印

模型集成 Ensemble of models 动机: 减少模型的泛化误差 https://github.com/ultralytics/yolov5/issues/318 来源: https://www.sciencedirect.com/topics/comp

在detect.py中使用 load 文件夹中的图片/视频 定义迭代器 用于detect.py

load 文件夹中视频流 multiple IP or RTSP cameras 定义迭代器 用于detect.py

用在train.py中的test.run（测试）阶段 模型的指数加权平均方法(Model Exponential Moving Average) 是一种给予近期数据更高权重的平均方法 利用滑动平均的参数来提高模型在测试数据上的健壮性/鲁棒性 一般用于测试集 https://w

在yolo.py中Model类的nms函数中使用 NMS非极大值抑制 Non-Maximum Suppression (NMS) module 给模型model封装nms 增加模型的扩展功能 但是我们一般不用 一般是在前向推理结束后再调用non_max_suppression函数

Vision Transformer https://arxiv.org/abs/2010.11929 视频: https://www.bilibili.com/video/BV1Di4y1c7Zm?p=5&spm_id_from=pageDriver https

Transformer layer https://arxiv.org/abs/2010.11929 (LayerNorm layers removed for better performance) 视频: https://www.bilibili.com/video/BV1

Sampler that repeats forever 这部分是进行持续采样 Args: sampler (Sampler)

ACON https://arxiv.org/pdf/2009.04759.pdf ACON activation (activate or not). AconC: (p1*x-p2*x) * sigmoid(beta*(p1*x-p2*x)) + p2*x, beta

用在ComputeLoss类的__init__函数中 BCEwithLogitLoss() with reduced missing label effects. https://github.com/ultralytics/yolov5/issues/1030 The id

这部分是根据上面的C3结构改编而来的, 将原先的Bottleneck替换为调用TransformerBlock模块

用在yolo.py的parse_model模块 改变输入特征的shape 将w和h维度(缩小)的数据收缩到channel维度上(放大) Contract width-height into channels, i.e. x(1,64,80,80) to x(1,256,40,40)

CA Coordinate Attention 协同注意力机制 论文 CVPR2021: https://arxiv.org/abs/2103.02907 源码: https://github.com/Andrew-Qibin/CoordAttention/blob/mai

可以用在C3模块中(实验) Cross Convolution Downsample 3x3 -> 1x9 + 9x1 https://github.com/ultralytics/yolov5/issues/4030

Detect模块是用来构建Detect层的，将输入feature map 通过一个卷积操作和公式计算到我们想要的shape, 为后面的计算损失或者NMS作准备

调用: self.relu = DyReLUB(64, conv_type='2d') 64=本层channels

用在yolo.py的parse_model模块 用的不多 改变输入特征的shape 将channel维度(变小)的数据扩展到W和H维度(变大) Expand channels into width-height, i.e. x(1,64,80,80) to x(1,16,160,1

FReLU https://arxiv.org/abs/2007.11824

Ghost Convolution 幻象卷积 轻量化网络卷积模块 论文: https://arxiv.org/abs/1911.11907 源码: https://github.com/huawei-noah/ghostnet

Dataloader that reuses workers 当image_weights=False时就会调用这两个函数 进行自定义DataLoader https://github.com/ultralytics/yolov5/pull/876 使用InfiniteDa

用到很少 load web网页中的数据

一种高效的Mish激活函数 不采用自动求导(自己写前向传播和反向传播) 更高效

r""" ACON activation (activate or not). MetaAconC: (p1*x-p2*x) * sigmoid(beta*(p1*x-p2*x)) + p2*x, beta is generated by a small network accord

Mish 激活函数 https://arxiv.org/pdf/1908.08681.pdf https://github.com/digantamisra98/Mish/blob/master/Mish/Torch/mish.py

Mixed Depthwise Conv 混合深度卷积 就是使用不同大小的卷积核对深度卷积的不同channel分组处理 也可以看作是分组深度卷积 + Inception结构的多种卷积核混用 论文: https://arxiv.org/abs/1907.09595. 源码:

用来代替FocalLoss QFocalLoss 来自General Focal Loss论文: https://arxiv.org/abs/2006.04388 Wraps Quality focal loss around existing loss_fcn(), i.e. cr

加权特征融合: 学习不同输入特征的重要性，对不同输入特征有区分的融合 Weighted sum of 2 or more layers 思想: 传统的特征融合往往只是简单的feature map叠加/相加 (sum them up), 比如使用concat或者shortcut连接

没用到 代码中都是使用库函数自己定义的timeout 没用用这个自定义的timeout函数 设置一个超时函数 如果某个程序执行超时 就会触发超时处理函数_timeout_handler 返回超时异常信息 并没有用到 这里面的timeout都是用python库函数实现的 并不需要