SSD类算法训练好的权重模型在coco2017/2014数据集上的测试代码，可出测试结果，实测可用。（pytorch版）

CDIoU-CDIoUloss CDIoU和CDIoU丢失就像一个方便的插件，可以在多个模型中使用。 CDIoU和CDIoU损失在Faster R-CNN，YOLOv4，RetinaNet和。 与传统的评估反馈模块相比，MS COCO数据集的最大AP改进为1.9％，平均AP改进为0.8％。 这里我们仅以一个示例来说明代码。 控制距离IoU和控制距离IoU损耗功能 ，苗多千 介绍 反馈机制的众多改进为对象检测的巨大进步做出了贡献。 在本文中，我们首先提出一个评估反馈模块，该模块由评估系统和反馈机制组成。 然后，我们分析并总结了传统评估反馈模块的缺点和改进。 最后，我们专注于评估系统和反馈机制，并提出了控制距离IoU和控制距离IoU损失函数（或简称为CDIoU和CDIoU损失），而没有增加模型中的参数或FLOP，这对几种经典模型显示了不同的显着增强。和新兴模型。 一些实验和比较测试表明，协调

制作coco数据集。

使用后会生成coco2017版的数据集，包含了train、val、test三个文件，分割比例：8：1：1，适用于我的博客教程。转载于lcqin111的博文https://blog.csdn.net/lcqin111/article/details/103146945，并且进行了修改。上传到这里方便自己以后查找

筛选coco2017数据集，train+val共120000张，挑选出包含person类（人）的图片，生成yolov5可以训练的数据集。由于上传限制，只含label，只含label，只含label！image在我的baidu网盘，地址见我个人主页博客。

COCO数据集2017，COCO数据集2017官方下载链接，第一组是train数据，第二组是val验证数据集，第三组是test验证数据集。数据包括了物体检测和keypoints身体关键点的检测。其中名称带annotations的为标注图片

文档中有关于coco数据集评价标准的详细计算过程，包括recall,precision,average precision,mean average precision的详细介绍

此数据集是coco数据集中前128张图片集合。属于比较小的训练集，方便拿来练手。yolov5 在训练的时候需要用到

yoloV4网络下的COCO数据集预训练权重文件，正确率很高，可以作为迁移学习的先导权重文件，可以省去很多的训练事件。

instances_minival2014.json+instances_valminusminival2014.json，coco数据集json