在预处理中用于预训练网络模型的均值和标准差的几种形式
在预处理中用于预训练网络模型的均值和标准差的几种形式
flyfish
文章目录
- 在预处理中用于预训练网络模型的均值和标准差的几种形式
-
- 形式1
- 形式2
- 形式3
- 形式4
- 形式5
形式1
也就是常见的值
RGB顺序
mean= 0.485, 0.456, 0.406 # RGB mean
std = 0.229, 0.224, 0.225 # RGB standard deviation
引用自 Yolov5 v6.2 原始代码
IMAGENET_MEAN = 0.485, 0.456, 0.406 # RGB mean
IMAGENET_STD = 0.229, 0.224, 0.225 # RGB standard deviation
normalize
def normalize(x, mean=IMAGENET_MEAN, std=IMAGENET_STD, inplace=False):
# Denormalize RGB images x per ImageNet stats in BCHW format, i.e. = (x - mean) / std
return TF.normalize(x, mean, std, inplace=inplace)
denormalize
def denormalize(x, mean=IMAGENET_MEAN, std=IMAGENET_STD):
# Denormalize RGB images x per ImageNet stats in BCHW format, i.e. = x * std + mean
for i in range(3):
x[:, i] = x[:, i] * std[i] + mean[i]
return x
形式2
经过计算如下还有其他的值例如
0.485 × 255 = 123.675
0.456 × 255 = 116.28
0.406 × 255 = 103.53
0.229 × 255 = 58.395
0.224 × 255 = 57.12
0.225 × 255 = 57.375
结果是
RGB顺序
mean = [123.675, 116.28, 103.53]
std= [58.395, 57.12, 57.375]
形式3
以上是RGB顺序，如果是BGR顺序就是
或者经过了保留2位小数，结果就是
BGR顺序
mean = (103.94, 116.78, 123.68)
std = (57.38, 57.12, 58.40)
形式4
有的地方不使用mean和std，有的地方使用的mean和scale
结果如下计算
1 ÷ 58.395 = 0.017124754
1 ÷ 57.12 = 0.017507003
1 ÷ 57.375 = 0.017429194
也就是形式一的值经过如下计算
m e a n r e s u l t = m e a n ⋅ 255 s c a l e r e s u l t = 1 s t d ∗ 255 mean_ {result}=mean\cdot 255 \\ scale_ {result}=\dfrac {1} {std * 255} meanresult=mean⋅255scaleresult=std∗2551
结果是
RGB顺序
mean = (103.94, 116.78, 123.68)
scale = ( 0.017124754, 0.017507003, 0.017429194)
有的地方一般是保留几位小数
形式5
std 合并到 conv1 权重中了，std全是1
RGB顺序
mean = [123.675, 116.28, 103.53]
std= [1.0, 1.0, 1.0]