yolo系列理论补充（v4、v5、x）和瑞芯微
最近快要复试了，没怎么搞毕设，那就顺带补充补充理论知识，以后也用得上。
基本为搬运，主要写给自己看的。
神经网络学习小记录60——Pytorch GhostNet模型的复现详解_Bubbliiiing的博客-CSDN博客
Pytorch 搭建自己的Ghostnet-YoloV4目标检测平台（Bubbliiiing）-Ghostnet网络介绍与构建_哔哩哔哩_bilibili
YOLOv4
相比yolov3的改进点：
1、Darknet53->CSPDarknet53。
2、加强特征提取网络的改进，使用了SPP和PANet结构。
3、数据增强方面使用Mosaic数据增强。
4、使用CIOU作为回归LOSS
5、使用MISH激活函数
GhostNet-YOLOv4
首先学习基于pytorch的GhostNet-YOLOv4
由2020年华为新出的一个轻量级网络——GhostNet
使用ghost模块，代替普通3×3卷积（对比mobilenet v1使用深度可分离卷积代替普通3×3卷积）
核心思想：用计算量更低的操作去生成这些冗余的特征图
先用1×1的卷积对输入特征层进行一个通道数压缩。
当一张图片输入到Ghostnet当中时，我们首先进行一个16通道的普通1x1卷积块（卷积+标准化+激活函数）。
之后我们就开始Ghost Bottlenecks的堆叠了，利用Ghost Bottlenecks，我们最终获得了一个7x7x160的特征层（当输入是224x224x3的时候）。
然后我们会利用一个1x1的卷积块进行通道数的调整，此时我们可以获得一个7x7x960的特征层。
之后我们进行一次全局平均池化，然后再利用一个1x1的卷积块进行通道数的调整，获得一个1x1x1280的特征层。
然后平铺后进行全连接就可以进行分类了。
最后提一嘴，将ghost-net运用到yolov4实际上就是把骨干网络backbone换成ghost-net，后面是一样的去特征金字塔融合。
注意两点：一点是类似yolov3要去指明提供的3个特征层位置。第二点是权值文件（预处理）要更换。
YOLOv5
深入浅出Yolo系列之Yolov5核心基础知识完整讲解 - 知乎 (zhihu.com)
输入端：
Mosaic数据增强
自适应锚框计算
自适应图片缩放
backbone：
focus结构
CSP结构
Neck结构
输出端：
bounding box损失函数
nms非极大值抑制
yolox
特点：
1、使用了focus网络结构，对特征点信息进行划分，将特征点信息堆叠到通道上。
相当于压缩长宽，拓展通道。
2、使用了CSPnet网络结构，在残差模块堆叠的同时，构建大的残差边，经过少量处理直接连接到最后。
数据增强：Mosaic数据增强
瑞芯微
up主：想变强的小应同学
又看了点rv1126，因为快复试不能系统学习。
瑞芯微只有buildroot，没有完整系统的概念，只要300块左右，便宜。不能进行本地编译，只能交叉编译，也就是在电脑上编译，板子上运行。
SDK的prebuild目录里有gcc（用于交叉编译的工具链）
近期总结：
因为学长不在学校，不太能直接上手帮忙，只能想办法自己解决了。
目前pc端代码都还有办法解决。（b站bubbliiing）
关键是部署：
1、ubuntu当时编译库有些问题，考虑重装系统。
2、toolkit工具用来模型转换
3、b站想变强的小应同学
4、tengine推理引擎用于部署
5、autoDL用来训练模型
6、csdn好像有关于yolov5在rv1126上部署的文章
7、gcc工具链用于交叉编译
8、群里说不定有东西（至少有虚拟机，但是教程没有）
9、整体流程
暂时就是上面这些需要后续搞定的了。