原始的 MNIST 数据库一共包含下面 4 个文件

MNIST数据集加载

def load_data_fashion_mnist(batch_size, resize=None): #@save
"""下载Fashion-MNIST数据集，然后将其加载到内存中。"""
trans = [transforms.ToTensor()]
if resize:
trans.insert(0, transforms.Resize(resize))
trans = transforms.Compose(trans)
mnist_train = torchvision.datasets.FashionMNIST(
root="../data", train=True, transform=trans, download=True)
mnist_test = torchvision.datasets.FashionMNIST(
root="../data", train=False, transform=trans, download=True)
return (data.DataLoader(mnist_train, batch_size, shuffle=True,
num_workers=get_dataloader_workers()),
data.DataLoader(mnist_test, batch_size, shuffle=False,
num_workers=get_dataloader_workers()))

2、Fashion-MNIST数据集

➢ FashionMNIST 是一个替代 MNIST 手写数字集 的图像数据集。它是由 Zalando旗下的研究部门提供，涵盖了来自 10 种类别的共 7 万个不同商品的正面图片。

➢ FashionMNIST 的大小、格式和训练集/测试集划分与原始的MNIST 完全一致。60000/10000 的训练测试数据划分，28x28的灰度图片。你可以直接用它来测试你的机器学习和深度学习算法性能，且不需要改动任何的代码。

3、CIFAR-10数据集

➢ CIFAR-10数据集由10个类的60000个32x32彩色图像组成，每个类有6000个图像。有50000个训练图像和10000个测试图像。

➢ 数据集分为五个训练批次和一个测试批次，每个批次有10000个图像。测试批次包含来自每个类别的恰好1000个随机选择的图像。

4、PASCAL VOC数据集

➢ PASCAL的全称是Pattern Analysis, Statistical Modelling and Computational Learning

➢ VOC的全称是Visual Object Classes

➢ 目标分类(识别)、检测、分割最常用的数据集之一

➢ 第一届PASCAL VOC举办于2005年，2012年终止。常用的是PASCAL 2012

文件格式：

5、MS COCO数据集

➢ MS COCO的全称是Microsoft Common Objects in Context，起源于微软于2014年出资标注的Microsoft COCO数据集

➢ 数据集以scene understanding为目标，主要从复杂的日常场景中截取

➢ 包含目标分类(识别)、检测、分割、语义标注等数据集

➢ ImageNet竞赛停办后，COCO竞赛就成为是当前目标识别、检测等领域的一个最权威、最重要的标杆

➢ 官网：http://cocodataset.org

6、ImageNet数据集

➢ 始于2009年，李飞飞与Google的合作：“ImageNet: A Large-Scale Hierarchical Image Database”

➢ 总图像数据：14,197,122

➢ 总类别数：21841

➢ 带有标记框的图像数：1,034,90

7、谷歌JFT-300M

➢ JFT-300M 是用于训练图像分类模型的内部 Google 数据集

➢ 3 亿张图像产生超过 10 亿个标签（单个图像可以有多个标签）

➢ 在十亿个图像标签中，大约有 3.75 亿个是通过算法选择的，

该算法旨在最大限度地提高所选图像的标签精度

二、评价指标

1、算法评估相关概念

TP: 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数

FP: 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数

FN:被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数

TN: 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数

混淆矩阵：

P(精确率）：，标识“挑剔”的程度

R(召回率）： 。召回率越高，准确度越低 ,标识“通过”的程度

精度(Accuracy)：

P-R的关系曲线图:

表示了召回率和准确率之间的关系

精度(准确率)越高,召回率越低

AP计算

➢ AP：平均准确率

其中代表测试集中所有图片的个数，表示在能识别出个图片的时候Precision的值，而则表示识别图片个数从变化到时（通过调整阈值）Recall值的变化情况。

三、目标检测与YOLO

1、目标检测问题

目标检测是在给定的图片中精确找到物体所在位置，并标注出物体的类别。物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，并且物体还可以是多个类别。

2、YOLO

核心理念 (You Only Look Once)

单阶段检测器： 与两阶段检测器（如 R-CNN 系列）不同，YOLO 将目标检测视为一个单一的回归问题。

端到端学习： 输入图像，直接输出边界框坐标、类别概率和置信度分数。

核心思想： 将输入图像划分为 S x S 的网格。每个网格单元负责预测以该单元为中心的物体（如果存在）。

速度优势： 最大的优势在于实时性。由于其简洁的架构和单次前向传播特性，YOLO 系列通常能达到非常高的帧率（FPS）。

核心工作流程

输入图像： 将图像缩放到固定尺寸（如 416x416, 640x640）。

卷积神经网络 (CNN) 提取特征： 使用一个高效的骨干网络（如 Darknet, CSPDarknet）提取深层次特征。

特征图预测：网络输出的特征图尺寸通常小于输入尺寸（如 13x13, 20x20, 40x40）。特征图上的每个“单元格”对应原图上的一片区域。每个单元格预测固定数量（B）的边界框。

边界框预测 (Bounding Box Prediction):

·坐标 (x, y, w, h):

(x, y)：预测框中心相对于其所属网格单元左上角的偏移量（通常在 0-1 之间）。

(w, h)：预测框的宽度和高度相对于整张图像宽度和高度的比例（通常在 0-1 之间）。

置信度得分 (Confidence Score):表示该预测框包含一个物体的概率 * 预测框与真实框的交并比（IoU）。Confidence = Pr(Object) * IoU(pred, truth)。如果网格中没有物体，置信度应接近 0；如果有物体，置信度应接近 IoU。

类别概率 (Class Probability): 表示预测框内物体属于每个类别的概率（条件概率）。Pr(Class_i | Object)。

最终输出张量： 每个单元格输出一个向量：[x, y, w, h, confidence, Pr(class1), Pr(class2), ..., Pr(classN)] * B。整个特征图的输出是一个 S x S x (B * 5 + N) 的张量（5 指 x, y, w, h, confidence；N 是类别数）。

后处理 (Post-processing):

·置信度过滤： 移除置信度低于设定阈值（如 0.5）的预测框。

·非极大值抑制 (NMS): 解决同一物体被多个预测框检测到的问题。保留置信度最高的框，抑制与其 IoU 超过设定阈值的其他框（通常基于类别进行）。