fpu縮寫是什么意思

FPU英文含義

1、FPU的英文全稱：Fukui Prefectural University | 中文意思：───福井縣立大學(xué)；福井県立大學(xué)；日本福井縣立大學(xué)

2、FPU的英文全稱：Family Preservation Unit | 中文意思：───家庭保護(hù)單位

3、FPU的英文全稱：Family Protection Unit | 中文意思：───家庭保護(hù)股

4、FPU的英文全稱：From Parts Unknown | 中文意思：───來自未知部件

5、FPU的英文全稱：Focal Plane Unit | 中文意思：───焦平面單元

6、FPU的英文全稱：Fraud Prevention Unit | 中文意思：───預(yù)防欺詐股

7、FPU的英文全稱：first passage uptake | 中文意思：───第一段吸收

8、FPU的英文全稱：Field Pack Up (Boh Environmental, LLC) | 中文意思：───現(xiàn)場包裝（Boh Environmental，LLC）

9、FPU的英文全稱：Feed Preparation Unit | 中文意思：───進(jìn)料制備裝置

10、FPU的英文全稱：first pass uptake | 中文意思：───首先通過吸收

11、FPU的英文全稱：Florida Pub Utils | 中文意思：───佛羅里達(dá)酒吧實用程序類

12、FPU的英文全稱：Floating Production Units | 中文意思：───浮式生產(chǎn)單位

13、FPU的英文全稱：For Pending Unmasked | 中文意思：───待揭開

14、FPU的英文全稱：Fuel Tank, Pylon-Mounted Unit | 中文意思：───燃料箱，塔式裝置

15、FPU的英文全稱：Fully Paid Units | 中文意思：───繳單位

16、FPU的英文全稱：Financial Products Unit | 中文意思：───金融產(chǎn)品部

17、FPU的英文全稱：Federation of Progressive Unions | 中文意思：───進(jìn)步工會聯(lián)合會

18、FPU的英文全稱：Family Protection Units | 中文意思：───家庭保護(hù)單位

19、FPU的英文全稱：Fermi Pasta and Ulam | 中文意思：───費米意大利面和Ulam

20、FPU的英文全稱：Frame Processing Unit | 中文意思：───幀處理單元

21、FPU的英文全稱：Functions for Programmers Using | 中文意思：───程序員使用功能

22、FPU的英文全稱：Fixed Point Unit | 中文意思：───整數(shù)單元；固定點單元

23、FPU的英文全稱：FL Public Utilities | 中文意思：───佛羅里達(dá)州公用事業(yè)

24、FPU的英文全稱：Field Processing Unit | 中文意思：───現(xiàn)場處理單元

25、FPU的英文全稱：Forwarding Participating Unit | 中文意思：───轉(zhuǎn)發(fā)參會單位

26、FPU的英文全稱：First Production Unit | 中文意思：───第一生產(chǎn)單元

27、FPU的英文全稱：Fishermen's Protective Union | 中文意思：───漁民的保護(hù)聯(lián)盟

28、FPU的英文全稱：Fuel Pressure Up | 中文意思：───燃油壓力提升

29、FPU的英文全稱：Float Point Unit | 中文意思：───浮點運算單元

30、FPU的英文全稱：Fire Planning Unit | 中文意思：───消防規(guī)劃股

31、FPU的英文全稱：florida pub util | 中文意思：───util佛羅里達(dá)酒吧

32、FPU的英文全稱：Federal Procurement Update | 中文意思：───聯(lián)邦采購更新

33、FPU的英文全稱：Forwarding Partitipating Unit | 中文意思：───轉(zhuǎn)發(fā)Partitipating股

34、FPU的英文全稱：Faculty of Pharmacy University | 中文意思：───藥劑學(xué)院大學(xué)

35、FPU的英文全稱：Food Processing Unit | 中文意思：───測量食物處理間；於測量食物處理間

36、FPU的英文全稱：Formed Police Unit | 中文意思：───建制警察部隊

37、FPU的英文全稱：Florida Public Utilities Company | 中文意思：───佛羅里達(dá)公共事業(yè)公司

38、FPU的英文全稱：first pass urine | 中文意思：───第一次排尿

39、FPU的英文全稱：Filter-Paper Unit | 中文意思：───濾紙單元

40、FPU的英文全稱：Fabric Production Unit | 中文意思：───織物生產(chǎn)單元

41、FPU的英文全稱：5-FU + CDDP + UFT | 中文意思：───5-氟尿嘧啶CDDPUFT

42、FPU的英文全稱：Fresno Pacific University | 中文意思：───弗雷斯諾太平洋大學(xué)

43、FPU的英文全稱：fight promoter university | 中文意思：───啟動子斗爭大學(xué)

44、FPU的英文全稱：Finacial Peace University | 中文意思：───財務(wù)和平大學(xué)

45、FPU的英文全稱：Florida Public Utilities | 中文意思：───佛羅里達(dá)公用事業(yè)

46、FPU的英文全稱：Fayetteville Public Utilities | 中文意思：───費耶特維爾公用事業(yè)

47、FPU的英文全稱：Financial Peace University | 中文意思：───金融和平大學(xué)

48、FPU的英文全稱：Facility Plan Update | 中文意思：───設(shè)施計劃更新

49、FPU的英文全稱：Floating Processor Unit | 中文意思：───浮處理單元

50、FPU的英文全稱：Finance and Planning Unit (UK) | 中文意思：───財務(wù)和規(guī)劃股（英國）

51、FPU的英文全稱：Flyvebranchens Personale Union | 中文意思：───FlyvebranchensPersonale聯(lián)盟

52、FPU的英文全稱：Field Pickup Unit | 中文意思：───現(xiàn)場拾取裝置

53、FPU的英文全稱：Forced to Purchase | 中文意思：───被迫購買

54、FPU的英文全稱：Ft Pierce Utilities | 中文意思：───皮爾斯實用程序

55、FPU的英文全稱：Floating Production Unit (offshore oil & gas) | 中文意思：───漂浮的生產(chǎn)單位(離岸石油和天然氣)

56、FPU的英文全稱：family planning unit | 中文意思：───計劃生育單位

57、FPU的英文全稱：Fluid Pump Unit | 中文意思：───流體泵裝置

58、FPU的英文全稱：File Preparation Unit | 中文意思：───文件編制單位

59、FPU的英文全稱：Fiber Processing Unit | 中文意思：───纖維處理單元

60、FPU的英文全稱：Follow on Production | 中文意思：───后續(xù)生產(chǎn)

61、FPU的英文全稱：Found Paws Up | 中文意思：───找到爪子

62、FPU的英文全稱：Freight Passenger Unit | 中文意思：───貨運客運部門

63、FPU的英文全稱：Floating Power Unit | 中文意思：───浮動力裝置

64、FPU的英文全稱：Film Production Unit | 中文意思：───**制作單位

65、FPU的英文全稱：Floating Point Unit | 中文意思：───浮點單位

66、FPU的英文全稱：Feeder Protection Unit | 中文意思：───饋線保護(hù)裝置

67、FPU的英文全稱：family practice unit | 中文意思：───家庭醫(yī)療單位

68、FPU的英文全稱：Family Protection Unit | 中文意思：───家庭保護(hù)單位

69、FPU的英文全稱：Food Products Unit | 中文意思：───食品股

v3架構(gòu)比v2提升了多少？

現(xiàn)在都V5, yolox了

v3架構(gòu)比v2提升了多少？

每當(dāng)聽到有人問“如何入門計算機(jī)視覺”這個問題時，其實我內(nèi)心是拒絕的，為什么呢？因為我們說的計算機(jī)視覺的發(fā)展史可謂很長了，它的分支很多，而且理論那是錯綜復(fù)雜交相輝映，就好像數(shù)學(xué)一樣，如何學(xué)習(xí)數(shù)學(xué)？這問題似乎有點籠統(tǒng)、有點寬泛。所以我都會具體問問你想入門計算機(jī)視覺的哪個話題，只有順著一個話題理論聯(lián)合實際，才有可能擴(kuò)展到幾個話題。

yolo類算法，從開始到現(xiàn)在已經(jīng)有了3代，我們稱之為v1、v2、v3，一路走來，讓人能感覺到的是算法的性能在不斷的改進(jìn)，以至于現(xiàn)在成為了開源通用目標(biāo)檢測算法的領(lǐng)頭羊（ps：雖然本人一直都很欣賞SSD，但是不得不說V3版本已經(jīng)達(dá)到目前的顛覆）。一直以來，有一個問題困擾許久，那就是如何檢測兩個距離很近的同類的物體，當(dāng)然又或者是距離很近的不同類的物體？絕大部分算法都會對傳入的data做resize到一個更小的resolution，它們對于這種情況都會給出一個目標(biāo)框，因為在它們的特征提取或者回歸過程看來，這就是一個物體（可想本來就很近，一放縮之間的近距離越發(fā)明顯了），而事實上這是兩個同（或不同）類型的物體靠的很近，這個難題是目標(biāo)檢測和跟蹤領(lǐng)域的一個挑戰(zhàn)。就好像對小目標(biāo)的檢測，一直以來也被看做是算法的一種評估。但是啊，v3版本卻做到了，它對這種距離很近的物體或者小物體有很好的魯棒性，雖然不能保證百分百，但是這個難題得到了很大程度的解決，激發(fā)我對yolo類算法的研究。這也是為什么寫這篇文章的目的，在于見證一下這個算法的神奇。其實，百分百的檢測，在我看來事實上是不存在的，隨著時間的推移，環(huán)境的變化，任何妄言百分百準(zhǔn)確的算法都是扯，只能是相互調(diào)整吧。前幾天uber撞人事件其實我最關(guān)注的應(yīng)該是哪個環(huán)節(jié)存在的問題，還需要改進(jìn)，撞人是不可避免的，無人車的存在不是讓事故不發(fā)生，而是讓社會進(jìn)步，科技發(fā)展，逐步降低事故發(fā)生率的同時改善人們的生活質(zhì)量。

yolo的v1和v2都不如SSD算法，原諒這么直白，原因是v1版本的448和v2版本的416都不如SSD的300，當(dāng)然以上結(jié)論都是實驗測的，v3版本的416應(yīng)該比SSD512好，可見其性能。

對官方y(tǒng)olo做了實驗，實驗中，采用同一個視頻、同一張顯卡，在閾值為0.3的前提下，對比了v3和v2的測試效果之后，有了下面兩個疑問：

1.為什么v3和v2版本的測試性能提高很大，但速度卻沒有降低？

2.為什么v3性能上能有這么大的改進(jìn)？或者說為什么v3在沒有提高輸入數(shù)據(jù)分辨率的前提下，對小目標(biāo)檢測變得這么好？

要回答上述兩個問題，必須要看看作者發(fā)布的v3論文了，將v3和v2不一樣的地方總結(jié)一下：

loss不同：作者v3替換了v2的softmax loss 變成logistic loss，而且每個ground truth只匹配一個先驗框。anchor bbox prior不同：v2作者用了5個anchor，一個折衷的選擇，所以v3用了9個anchor，提高了IOU。detection的策略不同：v2只有一個detection，v3一下變成了3個，分別是一個下采樣的，feature map為13*13，還有2個上采樣的eltwise sum，feature map為26*26，52*52，也就是說v3的416版本已經(jīng)用到了52的feature map，而v2把多尺度考慮到訓(xùn)練的data采樣上，最后也只是用到了13的feature map，這應(yīng)該是對小目標(biāo)影響最大的地方。backbone不同：這和上一點是有關(guān)系的，v2的darknet-19變成了v3的darknet-53，為啥呢？就是需要上采樣啊，卷積層的數(shù)量自然就多了，另外作者還是用了一連串的3*3、1*1卷積，3*3的卷積增加channel，而1*1的卷積在于壓縮3*3卷積后的特征表示，這波操作很具有實用性，一增一減，效果棒棒。

為什么有這么大的提高？我指的是v2和v3比，同樣是416的feature map，我感覺是v2作者當(dāng)時也是做了很多嘗試和借鑒，實現(xiàn)了匹敵SSD的效果，但是他因為被借鑒的內(nèi)容所困擾，導(dǎo)致性能的停留，因此v3再借鑒，應(yīng)該是參考了DSSD和FPN，這應(yīng)該是之后的潮流了，做了一下結(jié)果性能提高很大，可能作者本人都沒想到。但是作者目前沒有寫篇論文，認(rèn)為沒有創(chuàng)造性實質(zhì)性的改變，寫了一個report，科研的精神值得肯定！如果對比v2和v3你會發(fā)現(xiàn)反差確實很大，所以上面的問題才不奇怪。

又為什么速度沒有下降？電腦上同環(huán)境測都是15幀左右。先看一下打印的日志：

v2的日志信息：

Demo layer filters size input output 0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 416 x 416 x 32 0.299 BFLOPs 1 max 2 x 2 / 2 416 x 416 x 32 -> 208 x 208 x 32 2 conv 64 3 x 3 / 1 208 x 208 x 32 -> 208 x 208 x 64 1.595 BFLOPs 3 max 2 x 2 / 2 208 x 208 x 64 -> 104 x 104 x 64 4 conv 128 3 x 3 / 1 104 x 104 x 64 -> 104 x 104 x 128 1.595 BFLOPs 5 conv 64 1 x 1 / 1 104 x 104 x 128 -> 104 x 104 x 64 0.177 BFLOPs 6 conv 128 3 x 3 / 1 104 x 104 x 64 -> 104 x 104 x 128 1.595 BFLOPs 7 max 2 x 2 / 2 104 x 104 x 128 -> 52 x 52 x 128 8 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 9 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 10 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 11 max 2 x 2 / 2 52 x 52 x 256 -> 26 x 26 x 256 12 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 13 conv 256 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 256 0.177 BFLOPs 14 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 15 conv 256 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 256 0.177 BFLOPs 16 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 17 max 2 x 2 / 2 26 x 26 x 512 -> 13 x 13 x 512 18 conv 1024 3 x 3 / 1 13 x 13 x 512 -> 13 x 13 x1024 1.595 BFLOPs 19 conv 512 1 x 1 / 1 13 x 13 x1024 -> 13 x 13 x 512 0.177 BFLOPs 20 conv 1024 3 x 3 / 1 13 x 13 x 512 -> 13 x 13 x1024 1.595 BFLOPs 21 conv 512 1 x 1 / 1 13 x 13 x1024 -> 13 x 13 x 512 0.177 BFLOPs 22 conv 1024 3 x 3 / 1 13 x 13 x 512 -> 13 x 13 x1024 1.595 BFLOPs 23 conv 1024 3 x 3 / 1 13 x 13 x1024 -> 13 x 13 x1024 3.190 BFLOPs 24 conv 1024 3 x 3 / 1 13 x 13 x1024 -> 13 x 13 x1024 3.190 BFLOPs 25 route 16 26 conv 64 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 64 0.044 BFLOPs 27 reorg / 2 26 x 26 x 64 -> 13 x 13 x 256 28 route 27 24 29 conv 1024 3 x 3 / 1 13 x 13 x1280 -> 13 x 13 x1024 3.987 BFLOPs 30 conv 125 1 x 1 / 1 13 x 13 x1024 -> 13 x 13 x 125 0.043 BFLOPs 31 detection mask_scale: Using default '1.000000'Loading weights from yolo-voc.weights...Done!

v3的日志信息：

Demo layer filters size input output 0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 416 x 416 x 32 0.299 BFLOPs 1 conv 64 3 x 3 / 2 416 x 416 x 32 -> 208 x 208 x 64 1.595 BFLOPs 2 conv 32 1 x 1 / 1 208 x 208 x 64 -> 208 x 208 x 32 0.177 BFLOPs 3 conv 64 3 x 3 / 1 208 x 208 x 32 -> 208 x 208 x 64 1.595 BFLOPs 4 res 1 208 x 208 x 64 -> 208 x 208 x 64 5 conv 128 3 x 3 / 2 208 x 208 x 64 -> 104 x 104 x 128 1.595 BFLOPs 6 conv 64 1 x 1 / 1 104 x 104 x 128 -> 104 x 104 x 64 0.177 BFLOPs 7 conv 128 3 x 3 / 1 104 x 104 x 64 -> 104 x 104 x 128 1.595 BFLOPs 8 res 5 104 x 104 x 128 -> 104 x 104 x 128 9 conv 64 1 x 1 / 1 104 x 104 x 128 -> 104 x 104 x 64 0.177 BFLOPs 10 conv 128 3 x 3 / 1 104 x 104 x 64 -> 104 x 104 x 128 1.595 BFLOPs 11 res 8 104 x 104 x 128 -> 104 x 104 x 128 12 conv 256 3 x 3 / 2 104 x 104 x 128 -> 52 x 52 x 256 1.595 BFLOPs 13 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 14 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 15 res 12 52 x 52 x 256 -> 52 x 52 x 256 16 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 17 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 18 res 15 52 x 52 x 256 -> 52 x 52 x 256 19 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 20 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 21 res 18 52 x 52 x 256 -> 52 x 52 x 256 22 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 23 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 24 res 21 52 x 52 x 256 -> 52 x 52 x 256 25 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 26 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 27 res 24 52 x 52 x 256 -> 52 x 52 x 256 28 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 29 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 30 res 27 52 x 52 x 256 -> 52 x 52 x 256 31 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 32 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 33 res 30 52 x 52 x 256 -> 52 x 52 x 256 34 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 35 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 36 res 33 52 x 52 x 256 -> 52 x 52 x 256 37 conv 512 3 x 3 / 2 52 x 52 x 256 -> 26 x 26 x 512 1.595 BFLOPs 38 conv 256 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 256 0.177 BFLOPs 39 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 40 res 37 26 x 26 x 512 -> 26 x 26 x 512 41 conv 256 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 256 0.177 BFLOPs 42 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 43 res 40 26 x 26 x 512 -> 26 x 26 x 512 44 conv 256 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 256 0.177 BFLOPs 45 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 46 res 43 26 x 26 x 512 -> 26 x 26 x 512 47 conv 256 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 256 0.177 BFLOPs 48 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 49 res 46 26 x 26 x 512 -> 26 x 26 x 512 50 conv 256 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 256 0.177 BFLOPs 51 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 52 res 49 26 x 26 x 512 -> 26 x 26 x 512 53 conv 256 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 256 0.177 BFLOPs 54 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 55 res 52 26 x 26 x 512 -> 26 x 26 x 512 56 conv 256 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 256 0.177 BFLOPs 57 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 58 res 55 26 x 26 x 512 -> 26 x 26 x 512 59 conv 256 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 256 0.177 BFLOPs 60 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 61 res 58 26 x 26 x 512 -> 26 x 26 x 512 62 conv 1024 3 x 3 / 2 26 x 26 x 512 -> 13 x 13 x1024 1.595 BFLOPs 63 conv 512 1 x 1 / 1 13 x 13 x1024 -> 13 x 13 x 512 0.177 BFLOPs 64 conv 1024 3 x 3 / 1 13 x 13 x 512 -> 13 x 13 x1024 1.595 BFLOPs 65 res 62 13 x 13 x1024 -> 13 x 13 x1024 66 conv 512 1 x 1 / 1 13 x 13 x1024 -> 13 x 13 x 512 0.177 BFLOPs 67 conv 1024 3 x 3 / 1 13 x 13 x 512 -> 13 x 13 x1024 1.595 BFLOPs 68 res 65 13 x 13 x1024 -> 13 x 13 x1024 69 conv 512 1 x 1 / 1 13 x 13 x1024 -> 13 x 13 x 512 0.177 BFLOPs 70 conv 1024 3 x 3 / 1 13 x 13 x 512 -> 13 x 13 x1024 1.595 BFLOPs 71 res 68 13 x 13 x1024 -> 13 x 13 x1024 72 conv 512 1 x 1 / 1 13 x 13 x1024 -> 13 x 13 x 512 0.177 BFLOPs 73 conv 1024 3 x 3 / 1 13 x 13 x 512 -> 13 x 13 x1024 1.595 BFLOPs 74 res 71 13 x 13 x1024 -> 13 x 13 x1024 75 conv 512 1 x 1 / 1 13 x 13 x1024 -> 13 x 13 x 512 0.177 BFLOPs 76 conv 1024 3 x 3 / 1 13 x 13 x 512 -> 13 x 13 x1024 1.595 BFLOPs 77 conv 512 1 x 1 / 1 13 x 13 x1024 -> 13 x 13 x 512 0.177 BFLOPs 78 conv 1024 3 x 3 / 1 13 x 13 x 512 -> 13 x 13 x1024 1.595 BFLOPs 79 conv 512 1 x 1 / 1 13 x 13 x1024 -> 13 x 13 x 512 0.177 BFLOPs 80 conv 1024 3 x 3 / 1 13 x 13 x 512 -> 13 x 13 x1024 1.595 BFLOPs 81 conv 255 1 x 1 / 1 13 x 13 x1024 -> 13 x 13 x 255 0.088 BFLOPs 82 detection 83 route 79 84 conv 256 1 x 1 / 1 13 x 13 x 512 -> 13 x 13 x 256 0.044 BFLOPs 85 upsample 2x 13 x 13 x 256 -> 26 x 26 x 256 86 route 85 61 87 conv 256 1 x 1 / 1 26 x 26 x 768 -> 26 x 26 x 256 0.266 BFLOPs 88 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 89 conv 256 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 256 0.177 BFLOPs 90 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 91 conv 256 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 256 0.177 BFLOPs 92 conv 512 3 x 3 / 1 26 x 26 x 256 -> 26 x 26 x 512 1.595 BFLOPs 93 conv 255 1 x 1 / 1 26 x 26 x 512 -> 26 x 26 x 255 0.177 BFLOPs 94 detection 95 route 91 96 conv 128 1 x 1 / 1 26 x 26 x 256 -> 26 x 26 x 128 0.044 BFLOPs 97 upsample 2x 26 x 26 x 128 -> 52 x 52 x 128 98 route 97 36 99 conv 128 1 x 1 / 1 52 x 52 x 384 -> 52 x 52 x 128 0.266 BFLOPs 100 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 101 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 102 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 103 conv 128 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 128 0.177 BFLOPs 104 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs 105 conv 255 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 255 0.353 BFLOPs 106 detection Loading weights from yolov3.weights...Done!

百度百科：FLOPS（即“每秒浮點運算次數(shù)”，“每秒峰值速度”），是“每秒所執(zhí)行的浮點運算次數(shù)”（floating-point operations per second）的縮寫。它常被用來估算電腦的執(zhí)行效能，尤其是在使用到大量浮點運算的科學(xué)計算領(lǐng)域中。正因為FLOPS字尾的那個S，代表秒，而不是復(fù)數(shù)，所以不能省略掉。在這里所謂的“浮點運算”，實際上包括了所有涉及小數(shù)的運算。這類運算在某類應(yīng)用軟件中常常出現(xiàn)，而它們也比整數(shù)運算更花時間?，F(xiàn)今大部分的處理器中，都有一個專門用來處理浮點運算的“浮點運算器”（FPU）。也因此FLOPS所量測的，實際上就是FPU的執(zhí)行速度。而最常用來測量FLOPS的基準(zhǔn)程式（benchmark）之一，就是Linpack?？赡艿脑颍簓olov2是一個縱向自上而下的網(wǎng)絡(luò)架構(gòu)，隨著channel數(shù)目的不斷增加，F(xiàn)LOPS是不斷增加的，而v3網(wǎng)絡(luò)架構(gòu)是橫縱交叉的，看著卷積層多，其實很多多channel的卷積層沒有繼承性，另外，雖然yolov3增加了anchor centroid，但是對ground truth的估計變得更加簡單，每個ground truth只匹配一個先驗框，而且每個尺度只預(yù)測3個框，v2預(yù)測5個框。這樣的話也降低了復(fù)雜度。

所以這發(fā)展的歷程應(yīng)該是這樣的：

yolo——SSD——yolov2——FPN、Focal loss、DSSD......——yolov3

最后總結(jié)，yolo算法的性能一直都沒有被v2發(fā)揮出來，而真正被v3發(fā)揮出來了，v3這次的借鑒效果實在是太好了