您现在的位置是：首页 >技术杂谈 >YOLO学习（四）：工作流程网站首页技术杂谈

1.概述

CNN通用结构

2.输入层

2.1 resize调整尺寸

YOLO模型通常要求输入图像具有固定的尺寸，比如416x416、608x608等。选择具体的尺寸取决于你使用的YOLO版本以及你的具体需求（例如速度与准确性的平衡）。较大的输入尺寸可能会提高检测精度，但同时也会增加计算成本和时间。常见的缩放方法有：等比例缩放、非等比例缩放和等比例缩放后填充。

2.1.1等比例缩放

方法：计算图像的宽高比，根据目标尺寸和原始图像的宽高比确定缩放后的尺寸，确保图像在缩放过程中保持原来的宽高比例。例如，如果原始图像宽高比为 3:2，目标尺寸要求宽度为 416 像素，那么根据宽高比可计算出高度应为约 277 像素。

优点：能保持图像的原始比例，不会使图像产生变形，物体的形状和空间关系得以正确保留，有利于模型准确识别物体。

缺点：可能导致图像在填充到目标尺寸时出现黑边或留白，因为缩放后的图像尺寸不一定能刚好与目标尺寸完全匹配。

2.1.2非等比例缩放

方法：直接将图像的宽度和高度分别按照目标尺寸进行缩放，不考虑原始图像的宽高比。例如，无论原始图像的宽高比是多少，都将其宽度缩放到 416 像素，高度缩放到 416 像素。

优点：可以使图像完全适应目标尺寸，不会出现黑边或留白的情况，能充分利用输入空间，在一定程度上可能提高模型的计算效率。

缺点：会使图像产生变形，可能导致物体的形状和空间关系发生改变，影响模型对物体的准确识别，尤其是在物体形状和比例对识别结果很重要的情况下，可能会降低模型的精度。

2.1.3等比例缩放后填充

方法：先按照等比例缩放的方式将图像缩放到最大尺寸，使得图像的宽或高至少有一个维度与目标尺寸相等，然后将缩放后的图像居中放置在目标尺寸的图像中，其余部分用固定颜色（如黑色）进行填充。例如，原始图像宽高比大于目标尺寸的宽高比，先将图像宽度缩放到目标宽度，高度按比例缩放后小于目标高度，再将缩放后的图像放在目标尺寸图像的中心，上下部分用黑色填充。

优点：既保持了图像的原始比例，又能使图像完整地填充到目标尺寸中，避免了黑边过多或图像变形的问题，能在一定程度上平衡图像的原始信息保留和模型输入要求。

缺点：填充部分可能会引入一些无关信息，对模型的注意力机制可能产生一定的干扰，不过通常情况下这种干扰相对较小。

在实际应用中，具体选择哪种缩放方式，需要根据具体的任务需求、数据特点以及模型性能表现等因素来综合考虑和试验，以找到最适合的方法来提高 YOLO 模型的检测效果。

（2）代码示例

下面是一个简单的代码示例，展示如何使用OpenCV进行图像resize的同时保持宽高比：

import cv2

def resize_image(image, target_size):

    # 获取原始图像尺寸

    original_height , original_width = image.shape[:2]

    target_height, target_width = target_size

    # 计算缩放比例

    ratio = min(target_width / original_width, target_height / original_height)

    new_width = int(original_width * ratio)

    new_height = int(original_height * ratio)

    # 调整大小

    resized_image = cv2.resize(image, (new_width, new_height))

    # 创建一个新的空白图像（用灰色填充）

    result_image = 127 * np.ones((target_height, target_width, 3), dtype=np.uint8)

    # 计算将图像放置在中心位置所需的坐标

    x_offset = (target_width - new_width) // 2

    y_offset = (target_height - new_height) // 2

    # 将调整大小后的图像复制到结果图像的中央

    result_image[y_offset:y_offset+new_height, x_offset:x_offset+new_width] = resized_image

    return result_image

# 示例使用

image = cv2.imread('your_image_path.jpg')

resized_image = resize_image(image, (416, 416))

（3）示例

以输入图像为448 x 448为例，要使用YOLO模型，首先必须将RGB图像转换为448 x 448 x 3的张量。

为了便于数学运算，下面将使用一个5 x 5 x 1张量进行说明。

2.2 归一化处理

2.2.1什么是BN

BN（Batch Normalization)批归一化是由Google于2015年提出，这是一个深度神经网络训练的技巧，它不仅可以加快了模型的收敛速度，而且更重要的是在一定程度缓解了深层网络中“梯度弥散”的问题，从而使得训练深层网络模型更加容易和稳定。所以目前BN已经成为几乎所有卷积神经网络的标配技巧了。

从字面意思看来Batch Normalization（简称BN）就是对每一批数据进行归一化。对于训练中某一个batch的数据{x1,x2,...,xn}，注意这个数据是可以输入也可以是网络中间的某一层输出。在BN出现之前，我们的归一化操作一般都在数据输入层，对输入的数据进行求均值以及求方差做归一化。BN打破了这一个规定，我们可以在网络中任意一层进行归一化处理，因为我们现在所用的优化方法大多