Predicts only two boxes per grid cell (same class)
• Poor performance with small, clustered objects.
• Struggles with multiple categories per grid cell.
• Issues with unusual object aspect ratios.
• Lower accuracy compared to other methods.
每个网格单元仅预测两个盒子（同一类）
•小的聚集物对象的性能差。
•每个网格单元格与多个类别的斗争。
•与异常对象宽高比的问题。
•与其他方法相比，精度较低。
•最多预测49个分类
网络结构的改进
突出 Darknet19（骨干网络）的关键特性。
提取细粒度特征，从而实现更好的目标定位和详细的预测。
训练策略的改进。
高分辨率分类器
多尺度训练
训练阶段：
关注输出张量如何与真实标签关联。
测试阶段：
将输出张量转换为最终预测结果。
卷积操作：
3x3 滤波器：提取空间特征，同时保留空间信息。
1x1 滤波器：调整通道维度，减少计算量。
优点：
减少参数，提高效率。
保持足够的感受野。
批归一化（Batch Normalization）：
有助于加速模型收敛，并防止梯度消失。提高模型稳定性，在 Darknet19 中，批归一化被用于每个卷积层。
全局平均池化（Global Average Pooling）:
在网络的最后阶段，我们把输出的特征图的每一个通道，构成一个值，下图中输出特征图是1000个通道的，我们把每一个通道的值求平均，得到一个值。就得到了1000维度的向量。
将它输出到 softmax层，进行分类，能够大大减少，参数爆炸的问题。
两个 3x3 卷积 = 一个 5x5 卷积
三个 3x3 卷积 = 一个 7x7 卷积
批归一化（Batch Normalization）
深度学习挑战：
内部协变量偏移（Internal Covariate Shift, ICS）：在训练过程中，层输入的分布会发生变化。
后果：
梯度消失或梯度爆炸。
需要仔细调整超参数（例如学习率、初始化）。
限制了饱和非线性激活函数（例如 sigmoid）的使用。
思路：
每个小批量（mini-batch）对层输入进行归一化，使其具有零均值和单位方差。
FC （全链接层）
对于输入的小数据量x, 有m个样本组成，每个样本有d个特征，可以理解为 d * m 的矩阵
每一行代表一个样本，每一列代表一个特征
为们要对矩阵中的每一个元素进行归一化，
1、计算每个特征的均值，对于第k个特征，他的计算公式为右侧第一个
我们会将第k个特征的m条样本累加求和，再除以m，得到第k个特征的均值。
2、计算每个特征的方差，对于第k个特征，他的计算公式为右侧第二个
3、对与列上的每一个元素第k个特征的第i个元素，我们就用它原来的值减去第k个特征的均值，再除以标准差 ，来得到更新后的值，，他的计算公式为右侧第二个 E 为小的波动，防止分母为0
4、
Conv (卷积网络)
