前言链接至YOLO-V3-SPP详细解析在显存不够用的时候，YOLO采用了梯度累积的策略源码实现accumulate定义train.py文件中定义了该accumulate参数：accumulate=max

前言该文链接至：YOLO-V3-SPP详细解析本文主要讲解在推理阶段YoloV3-SPP的处理，分以下几点：预处理数据推理的NMS处理关于map的计算，ultralytic版本的源码调用了pycoco库函数来计算

前言理论详解：YOLO-V3-SPP详细解析该函数需要了解dataloader那边筛选出来的gt，即build_targets函数compute_loss主要讲解model的pred和筛选的gt进行loss

Batchsize本应设大一点，统计的均值方差参数才更接近总体的，但由于显存大小等因素，Batchsize通常比较小）二、SPP（spatialpyramidpooling）模块：实现了不同尺度的特征融合网络结构上YOLO-V3

YOLO-V3-SPP继前两篇简单的YOLO博文YOLO-V1论文理解《YouOnlyLookOnce:Unified,Real-TimeObjectDetection》YOLO-V2论文理解《YOLO9000

以下的全部内容都是yolov3_spp源码的数据载入（数据增强）部分下面的所有的内容都是按照代码执行的顺序进行讲解的自定义数据集继承自Dataset所以要重写__len()__,__getitem()__抽象方法，另外目标检测一般还需要重写collate_fn函数。所以，理解这三个函数是理解数据增强（数据载入）的重中之重。项目全部代码已上传至GitHub:yolov3-spp-annotation