目录一、tools/train.py二、源码详解三、核心函数详解（一）build_detector（mmdet/models/builder.py）（二） build_dataset（mmdet/datasets/builder）（三） train_detector（mmdet/apis/train.py）（四）set_random_seed：（五）get_root_logger：一、tools/train.py可选参数:#===========optionalarguments===========#--work-dir存储日志和模型的目录#--resume-from加载checkpoint
目录一、tools/train.py二、源码详解三、核心函数详解（一）build_detector（mmdet/models/builder.py）（二） build_dataset（mmdet/datasets/builder）（三） train_detector（mmdet/apis/train.py）（四）set_random_seed：（五）get_root_logger：一、tools/train.py可选参数:#===========optionalarguments===========#--work-dir存储日志和模型的目录#--resume-from加载checkpoint
YOLOV7基于自定义数据集训练专属于自己的目标检测模型0.引言1.数据集准备（1）把yolov7克隆到本地（2）指定格式存放数据集（3）按比例划分数据集（4）将xml文件转换成YOLO系列标准读取的txt文件（5）查看自定义数据集标签类别及数量2.训练配置准备（1）安装requirements（2）修改模型配置文件（3）修改数据加载配置文件3.训练检测模型4.测试模型性能5.实战检测模型性能6.导出模型7.后续0.引言YOLOv7作为YOLO系列的又一大巅峰之作，下面将介绍利用自己的数据集训练YOLOv7模型。github代码链接：https://github.com/WongKinYiu/
YOLOV7基于自定义数据集训练专属于自己的目标检测模型0.引言1.数据集准备（1）把yolov7克隆到本地（2）指定格式存放数据集（3）按比例划分数据集（4）将xml文件转换成YOLO系列标准读取的txt文件（5）查看自定义数据集标签类别及数量2.训练配置准备（1）安装requirements（2）修改模型配置文件（3）修改数据加载配置文件3.训练检测模型4.测试模型性能5.实战检测模型性能6.导出模型7.后续0.引言YOLOv7作为YOLO系列的又一大巅峰之作，下面将介绍利用自己的数据集训练YOLOv7模型。github代码链接：https://github.com/WongKinYiu/
1.引例假设有一本字典，就一共只有10单词，每个单词有5个字母组成。每一页上只写一个单词，所以这10页纸上分别写了这10个单词。内如如下，[[a,p,p,l,e],#page0[g,r,e,e,n],#page1[s,m,a,l,l],#page2[w,a,t,c,h],#page3[b,a,s,i,c],#page4[e,n,j,o,y],#page5[c,l,a,s,s],#page6[e,m,b,e,d],#page7[h,a,p,p,y],#page8[p,l,a,t,e]#page9]我们假定这本字典叫embeding(10,5),这里的10和5即上面介绍的含义，10个单词，每个单词
1.引例假设有一本字典，就一共只有10单词，每个单词有5个字母组成。每一页上只写一个单词，所以这10页纸上分别写了这10个单词。内如如下，[[a,p,p,l,e],#page0[g,r,e,e,n],#page1[s,m,a,l,l],#page2[w,a,t,c,h],#page3[b,a,s,i,c],#page4[e,n,j,o,y],#page5[c,l,a,s,s],#page6[e,m,b,e,d],#page7[h,a,p,p,y],#page8[p,l,a,t,e]#page9]我们假定这本字典叫embeding(10,5),这里的10和5即上面介绍的含义，10个单词，每个单词
作用1：降维：因为使用独热编码虽然计算简单，但是占用太多不必要的资源，所以使用嵌入层（embedding）进行降维，和1*1卷积有异曲同工之妙。因为有时候图片降维后的特征只能笼统的模糊的显示出图像的主要特征，当我们需要发现图片中的一些细节时，就需要对图片进行升维。独热向量，每句话之间都是独立的，每句话之间关联为0，而embedding让每个向量之间有了关联，实质上是建立一个查表，通过矩阵相乘，线性变换的方式，让输入的x通过查表将一个稀疏矩阵变成一个稠密矩阵。
作用1：降维：因为使用独热编码虽然计算简单，但是占用太多不必要的资源，所以使用嵌入层（embedding）进行降维，和1*1卷积有异曲同工之妙。因为有时候图片降维后的特征只能笼统的模糊的显示出图像的主要特征，当我们需要发现图片中的一些细节时，就需要对图片进行升维。独热向量，每句话之间都是独立的，每句话之间关联为0，而embedding让每个向量之间有了关联，实质上是建立一个查表，通过矩阵相乘，线性变换的方式，让输入的x通过查表将一个稀疏矩阵变成一个稠密矩阵。
1Continuous-TimeDynamicNetworkEmbeddingsAbstract 描述一种将时间信息纳入网络嵌入的通用框架，该框架提出了从CTDG中学习时间相关嵌入Conclusion 描述了一个将时间信息纳入网络嵌入方法的通用框架。该框架为推广现有的基于随机游走的嵌入方法提供了基础，用于从连续时间动态网络学习动态（时间相关）网络嵌入Figureandtable图1：这幅图的边标签为时间，注意v4v1v2不是一个合法的时序游走，因为v1v2的边时序小于v1v4的边图2，可以看到大部分的时序随机游走长度都集中在右侧表1SOTAIntroduction 在这个论文里提出了一种
1Continuous-TimeDynamicNetworkEmbeddingsAbstract 描述一种将时间信息纳入网络嵌入的通用框架，该框架提出了从CTDG中学习时间相关嵌入Conclusion 描述了一个将时间信息纳入网络嵌入方法的通用框架。该框架为推广现有的基于随机游走的嵌入方法提供了基础，用于从连续时间动态网络学习动态（时间相关）网络嵌入Figureandtable图1：这幅图的边标签为时间，注意v4v1v2不是一个合法的时序游走，因为v1v2的边时序小于v1v4的边图2，可以看到大部分的时序随机游走长度都集中在右侧表1SOTAIntroduction 在这个论文里提出了一种
