实战Yolov4的Q&A记录

Q1 : 在yolov4中，使用k-means对先验框进行聚类报了以下错误

E:\Program Files\Python\Python37\lib\site-packages\numpy\core_methods.py:163: RuntimeWarning: invalid value encountered in true_divide ret, rcount, out=ret, casting=‘unsafe’, subok=False)

A1: 在传入值到np.median的时候， 注意先对值进行长度判断， tmp_box的长度很有可能是0， 这时候就会导致np.median异常， 示例代码如下：

 			tmp_box=box[near == j]
            print("box:", tmp_box)
            if len(tmp_box) != 0:
            	cluster[j] = np.median(tmp_box,axis=0)

Q2 : 在使用yolov4 的预训练权重文件进行预测的时候， 出现了以下错误， 这个问题在网络上看到蛮多出现的，可以试试以下解析。

ValueError: Dimension 0 in both shapes must be equal, but are 1 and 255. Shapes are [1,1,1024,75] and [255,1024,1,1]. for ‘Assign_535’ (op: ‘Assign’) with input shapes: [1,1,1024,75], [255,1024,1,1].

A2： 这个原因是由于我修改了voc数据集的classes文件，由于其中的一些类别被我做了增添， 所以当载入预训练权重文件的时候得到的filter和类别计算得到的filter层数不一样， 要知道 各种数据集构建得到的filters层数不一样。

卷积层计算公式： filter=(classes + 5) * 3，
其中， 5 表示 width，height， x，y， confidence
在yolo中使用了 9个先验框， 且具有3个不同的特征尺寸层， 每层则有3个 先验框用于计算，
在识别 1 个类的时候， 则某一个尺寸特征层的filter层数 有 （1+5）*3 = 18 个维度要计算。
迁移学习使导入预训练权重，减少计算力浪费和时间浪费成为可能。

Q3: 在实际的实战过程中， train.txt和 val.txt 的作用是什么呢？ 要多少的数据集合适呢？
A3: train.txt 可以理解为 考试中的练习题， val.txt可以理解为考试中的模拟考试， 一般9：1就够了。 数据集的话一个类， 比如 识别科比头像， 至少要制作300的样本，loss能收敛到20左右，如下是训练之后的识别效果图。
Q4:召回率与精确率?
A4:
召回率， 指正样本有多少被召回了，（召回可以理解为找回比较不容易被误导）， 所有正样本被找的全不全。
精确率， 指预测的正样本有多少被猜对了（正样本中的样本有可能被正确预测，也有可能被错误预测。）
Q5： TP TN FP FN的解释
A5: 这个问题，直接参考以下图片。