📊 训练结果分析
  三个指标含义

![image.png](https://tuchuang-yxjxxr.oss-cn-beijing.aliyuncs.com/undefined6422d30de8f2eaeac330e927742cf5dd.image.png)


  txt标注文件格式

  class_id  x_center  y_center  width  height

  示例：1 0.3667 0.5 0.2067 1.0
  - 1 = 类别1（裂缝类型）
  - 0.3667 = 目标中心X坐标（归一化0-1，相对于图片宽度）
  - 0.5 = 目标中心Y坐标（归一化0-1，相对于图片高度）
  - 0.2067 = 目标框宽度（归一化）
  - 1.0 = 目标框高度（归一化）


# IoU 与 YOLO 算法原理详解

## 目录
1. [IoU (Intersection over Union)](#iou-intersection-over-union)
2. [YOLO 算法原理](#yolo-算法原理)
3. [IoU 在 YOLO 中的应用](#iou-在-yolo-中的应用)

---

## IoU (Intersection over Union) 交并比

### 定义

IoU 是衡量**预测框**与**真实框**重叠程度的指标：

```
          交集面积 (Intersection)
IoU = ─────────────────────────────
          并集面积 (Union)
```

### 直观理解

想象两个矩形框：**预测框**是模型猜的位置，**真实框**是标注的正确位置。

```
真实框 (Ground Truth)          预测框 (Prediction)
┌──────────┐                    ┌──────────┐
│          │    交集区域         │          │
│    ┌─────┼─────────┐         │          │
│    │     │         │         │          │
│    │  ██████       │         │          │  ← 重叠部分（交集）
│    │  ██████       │         │          │
│    └─────┼─────────┘         │          │
│          │                    │          │
└──────────┘                    └──────────┘

IoU = 黑色区域面积 / (两个框总面积 - 黑色区域面积)
```

### IoU 值含义

| IoU 值 | 含义 | 检测质量 |
|--------|------|----------|
| **1.0** | 完全重合 | 完美检测 |
| **0.7** | 70% 重叠 | 优秀 |
| **0.5** | 50% 重叠 | 一般（常用阈值） |
| **0.3** | 30% 重叠 | 较差 |
| **0** | 无重叠 | 完全错误 |

### 为什么 IoU=0.5 是常用阈值？

- **平衡性**：既要求预测框大致正确，又允许一定误差
- **工程实践**：人工标注也有误差，不能太严格
- **COCO 标准**：目标检测竞赛常用 0.5 作为判断正例的阈值

---

## YOLO 算法原理

### 核心思想："You Only Look Once"

传统目标检测（如 R-CNN）：
```
图片 → 生成候选框 → 对每个框分类 → 结果
        [两步流程，慢]
```

YOLO：
```
图片 → 神经网络一次性预测所有目标 → 结果
        [一步完成，快]
```

> **关键创新**：把目标检测当作**回归问题**，直接从图片像素预测边界框坐标和类别概率。

---

### YOLO 工作流程

#### 步骤 1：网格划分 (Grid Division)

将输入图片划分为 `S × S` 的网格（如 7×7）：

```
┌──┬──┬──┬──┬──┬──┬──┐
│  │  │  │  │  │  │  │
├──┼──┼──┼──┼──┼──┼──┤
│  │  │🐶│  │  │  │  │  ← 狗的中心落在这个格子
├──┼──┼──┼──┼──┼──┼──┤
│  │  │  │  │  │  │  │
├──┼──┼──┼──┼──┼──┼──┤
│  │  │  │🚗│  │  │  │  ← 车的中心落在这个格子
├──┼──┼──┼──┼──┼──┼──┤
│  │  │  │  │  │  │  │
└──┴──┴──┴──┴──┴──┴──┘
```

**规则**：物体的中心落在哪个格子，那个格子就负责检测这个物体。

---

#### 步骤 2：每个格子预测 (Per-Cell Prediction)

**每个格子**预测 **B** 个边界框，每个框包含：

| 参数 | 说明 | 范围 |
|------|------|------|
| **x, y** | 框中心相对于格子左上角的偏移 | 0~1 |
| **w, h** | 框的宽度和高度（相对于整图） | 0~1 |
| **confidence** | 置信度（该框包含物体的概率 × IoU） | 0~1 |
| **C₁, C₂, ... Cₙ** | 各类别的概率 | 0~1 |

```
单个格子输出向量：
┌─────────────────────────────────────────────────┐
│ [x₁, y₁, w₁, h₁, conf₁, x₂, y₂, w₂, h₂, conf₂, │  ← 两个框（B=2）
│  P(cat), P(dog), P(car), ... ]                   │  ← 类别概率
└─────────────────────────────────────────────────┘
```

---

#### 步骤 3：网络输出

最终输出是一个 **3D 张量**：

```
输出尺寸 = S × S × (B × 5 + C)

S: 网格大小（如 7）
B: 每个格子预测的框数（如 2）
5: x, y, w, h, confidence
C: 类别数（如 4，对应你的裂缝数据集）

示例：7 × 7 × (2×5 + 4) = 7 × 7 × 14 = 686 个数值
```

---

#### 步骤 4：网络架构

```
输入图片 (640×640×3)
         ↓
┌─────────────────┐
│  主干网络 (Backbone)  │  ← 提取特征（卷积层）
│  如 CSPDarknet53     │
└─────────────────┘
         ↓
    特征图
         ↓
┌─────────────────┐
│  特征融合 (FPN/PAN)   │  ← 多尺度特征融合
│  检测不同大小目标     │
└─────────────────┘
         ↓
┌─────────────────┐
│  检测头 (Detection Head) │  ← 预测框和类别
└─────────────────┘
         ↓
输出 (S×S×(B×5+C))
```

---

### YOLO 的损失函数

训练时需要同时优化三个部分：

```
总损失 = λ₁ × 坐标损失 (MSE of x, y, w, h)
       + λ₂ × 置信度损失 (BCE of confidence)
       + λ₃ × 分类损失 (BCE of class probabilities)
```

| 损失类型 | 作用 | 计算公式 |
|----------|------|----------|
| **坐标损失** | 让预测框位置更准确 | (x_pred - x_true)² + (y_pred - y_true)² + (√w_pred - √w_true)² + (√h_pred - √h_true)² |
| **置信度损失** | 让模型学会判断有无物体 | 二值交叉熵 |
| **分类损失** | 让模型学会识别物体类别 | 多类别交叉熵 |

---

### 后处理：NMS (非极大值抑制)

**问题**：多个格子可能预测同一个物体，产生重叠框。

**解决步骤**：

```
1. 过滤低置信度的框（如 confidence < 0.25）
2. 按置信度从高到低排序
3. 选置信度最高的框，加入结果
4. 计算该框与其他所有框的 IoU
5. 去掉 IoU > 阈值（如 0.5）的框（认为是同一个物体）
6. 重复 3-5 直到没有框
```

**示例**：
```
初始预测：     NMS后：
┌───┐┌───┐    ┌───┐
│ 1 ││ 2 │    │ 1 │     ← 保留最高置信度
│0.9││0.7│    │0.9│
└───┘└───┘    └───┘
  ↓↓↓ IoU=0.8  去掉框2（重叠太多）
```

---

## IoU 在 YOLO 中的应用

### 1. 训练时：判断正负样本

```
对于每个预测框：
- 计算与所有真实框的 IoU
- 取最大 IoU
- 如果 Max(IoU) > 阈值(0.5)：正样本，参与坐标和分类学习
- 如果 Max(IoU) < 阈值：负样本，只学习置信度（置信度→0）
```

### 2. 推理时：NMS 去重

```
高 IoU 的框认为是同一个物体，只保留置信度最高的。
```

### 3. 评估时：计算 mAP

```
mAP50：IoU 阈值设为 0.5 时的平均精度
mAP50-95：IoU 阈值从 0.5 到 0.95 的平均精度（更严格）
```

---

## YOLO 版本演进

| 版本 | 年份 | 主要改进 |
|------|------|----------|
| **YOLOv1** | 2016 | 开创性，首次提出单阶段检测 |
| **YOLOv2** | 2017 | 引入 Anchor Boxes，Batch Normalization |
| **YOLOv3** | 2018 | 多尺度预测（3个尺度），Darknet-53 |
| **YOLOv4** | 2020 | 大量优化技巧（Mish激活、CIOU等） |
| **YOLOv5** | 2020 | PyTorch实现，工程友好，Ultralytics |
| **YOLOv8** | 2023 | Anchor-free设计，解耦头，C2f模块 |
| **YOLOv10** | 2024 | 端到端检测，去除NMS，实时性更强 |
| **YOLO26** | 2025 | 最新架构，你的训练模型 |

---

## 总结

### IoU 是什么？
- 衡量两个框重叠程度的指标
- 范围 0~1，1 表示完全重合
- 常用阈值 0.5 判断检测是否正确

### YOLO 怎么做检测？
1. 把图片切成网格
2. 每个格子预测多个框（位置+置信度+类别）
3. 神经网络一次性输出所有预测
4. 用 NMS 去除重复框
5. 得到最终结果

### 两者的关系
- **IoU** 是 YOLO 的"评分标准"：判断预测好坏
- **YOLO** 是"考生"：不断调整使 IoU 越来越高

---

## 参考资源

- [YOLO 原始论文](https://arxiv.org/abs/1506.02640)
- [Ultralytics YOLO 文档](https://docs.ultralytics.com/)
- [IoU 详解 - 知乎](https://zhuanlan.zhihu.com/p/47189358)

---

*文档创建时间：2026-05-14*
*基于 YOLO26 训练日志分析*

tunnel检测

完整启动流程

终端 1：启动地图服务器
```bash
cd /home/HwHiAiUser/project_new/src/map/
ros2 run nav2_map_server map_server --ros-args -p yaml_filename:=./map.yaml
```

等待输出：
```
[INFO] [...] [map_server]\: map_server lifecycle node launched.
[INFO] [...] [map_io]\: Read map ./map.pgm: 193 X 217 map @ 0.05 m/cell
```

--

终端 2：激活地图服务器
```bash
ros2 run nav2_util lifecycle_bringup map_server
```

等待输出：
```
[INFO] [...] [map_server]\: Activating
[INFO] [...] [map_io]\: Map loaded successfully
```

--

终端 3：验证地图（可选）
```bash
ros2 topic echo /map --once
```

--

终端 4：运行 A* 路径规划节点
```bash
cd /home/HwHiAiUser/project_new/src/map/
python3 astar_rviz.py
```

等待输出：
```
[INFO] [...] [astar_rviz]\: 地图接收成功: 193x217
[INFO] [...] [astar_rviz]\: 路径发布成功: 161 个点
```

--


终端 5：RViz2 可视化（可选）
```bash
rviz2
```

RViz2 设置：
1. Fixed Frame → `map`
2. Add → By topic → `/map` → Map
3. Add → By topic → `/astar_path` → Path

--

快速检查清单

| 步骤 | 命令 | 预期结果 |
|------|------|----------|
| 1. 启动地图服务器 | `ros2 run nav2_map_server map_server ...` | "Read map ./map.pgm" |
| 2. 激活地图 | `ros2 run nav2_util lifecycle_bringup map_server` | "Map loaded successfully" |
| 3. 运行 A* 节点 | `python3 astar_rviz.py` | "路径发布成功: XX 个点" |
| 4. RViz2 显示 | `rviz2` | 显示地图和红色路径 |

按顺序执行，每个步骤等上一个成功后再执行下一个！🚀

路径规划实现a*算法

mihomo

# 前言：
这两天不停弄frp反向代理和nginx反向代理，颇有体会，决定写一篇nginx的介绍和入门文章

## nginx反代原理

### 下面是一段nginx的配置代码（含义在注释里面）

```
server {
    listen 80; # 监听80端口
    server_name copyparty.yxjxxr.site; # 网站的域名是这个

    location / { # 匹配所有请求（不管访问首页还是子页面，都走这里）
        proxy_pass http://127.0.0.1:3923; # 将用户的请求转发到本机这个端口
        proxy_set_header X-Forwarded-Proto $scheme; # 告诉后端：用户是 HTTP 还是 HTTPS 访问
        proxy_set_header X-Real-IP $remote_addr; # 把用户真实 IP带给后端
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; # 传递用户真实 IP
        proxy_set_header Host $host; # 把真实域名带给后端服务
    }
}
```
### http和https的区别，和nginx有什么联系
#### http：明文传输，信息极其容易被盗取
#### https：暗文传输，数据安全，可信度高
#### nginx：用来掌管http和https，根据域名分发到不同内网端口，同时也能解密和加密https
由此观之，nginx在域名反代，保护数据隐私，服务安全当中起着巨大的作用，以下从5点说明为什么要用nginx
## 为什么要用 Nginx 做反向代理？（核心 5 点）

### 1. 统一霸占 80/443 端口，多域名共用

一台服务器只有一个 80、一个 443。

- Nginx 独占这两个端口
- 靠 **域名** 把流量分给不同内网服务：
    
    - blog.yxjxxr.site → 127.0.0.1:8081
    - copyparty.yxjxxr.site → 127.0.0.1:3923
    
- 其他服务**不用暴露公网端口**，更安全

### 2. 统一管理 HTTPS 证书

- 所有域名的 SSL 证书全在 Nginx 配置
- 后端服务**不用配置任何 HTTPS**，只管跑裸 HTTP
- Certbot 一键申请、自动续期，统一管控

### 3. 隐藏后端真实端口和架构

外网用户只看到域名，看不到你服务器开了哪些端口、跑了啥程序。

**相当于前面挡了一道门，后端全藏在内网**。

### 4. 高性能、高并发、稳定不崩

Nginx 是**事件驱动模型**，上万并发都扛得住，占用资源极低。

挂个博客、网盘、小服务，常年不崩、不用重启。

### 5. 自带超强附加功能

- 强制 HTTP 跳 HTTPS
- 限速、防盗链、缓存、静态文件加速
- 负载均衡（多台服务器分发流量）
- 访问黑白名单、IP 封禁、防爬虫


| 特性       | Nginx            | Caddy         | Traefik       | 宝塔面板       |
| -------- | ---------------- | ------------- | ------------- | ---------- |
| 性能并发     | 极强               | 强             | 强             | 一般         |
| 内存占用     | 极低               | 低             | 中等            | 高          |
| 配置方式     | 手动写配置文件          | 极简配置、自动 HTTPS | 自动识别容器、不用手写   | 网页可视化      |
| HTTPS 证书 | 需手动 Certbot      | 全自动申请续期       | 全自动           | 内置一键 SSL   |
| 多域名管理    | 完美支持             | 完美支持          | 容器环境最强        | 适合新手       |
| 自由度定制    | 极高，能写复杂规则        | 中等            | 高             | 低，被面板锁死    |
| 适合场景     | 服务器运维、自建服务、长期稳定跑 | 极简懒人单服务       | Docker 集群、微服务 | 纯新手建站      |
| 缺点       | 需要懂一点配置语法        | 小众教程少         | 学习成本高         | 臃肿、冗余、绑架环境 |

## 下面为具体的实操步骤

### 1. 安装nginx
```
# CentOS/RHEL 
sudo yum install nginx -y 

# Ubuntu/Debian 
sudo apt update 
sudo apt install nginx -y
```
如果报错，可看这篇[[系统安全配置]]

### 2. 编辑文件写配置
```
sudo vi /etc/nginx/conf.d/copyparty.conf

# 写下面配置代码
server {
    listen 80;
    server_name copyparty.yxjxxr.site;

    location / {
        proxy_pass http://127.0.0.1:3923;
        proxy_set_header X-Forwarded-Proto $scheme;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header Host $host;
    }
}

```

### 3. 检查并重启
```
sudo nginx -t 
sudo systemctl restart nginx
```
如果发现你要反代的80端口和你之前弄的web应用冲突了，看这个[[解决nginx反代80端口冲突问题]]

### 4. 放行端口和开放防火墙，同时记得在阿里云/腾讯云放行80端口
开放防火墙指令看[[云服务器服务设置外网访问]]
```
# firewalld 
sudo firewall-cmd --permanent --add-service=http 
sudo firewall-cmd --reload # ufw sudo ufw allow 'Nginx HTTP'
```

### 5. 验证
```
http://copyparty.yxjxxr.site
```


### 6. 配置https
#### 1. 安装Certbot
```
# 安装Certbot
sudo yum install certbot python3-certbot-nginx
```
#### 2. 一键获取证书并配置Nginx（记得改域名）
```
sudo certbot --nginx -d copyparty.yxjxxr.site
```
#### 3. 按照提示输入邮箱，然后一路yes. Certbot会自动帮你配置好nginx配置文件
```
# 查看写好的nginx配置文件
cat /etc/nginx/conf.d/copyparty.conf
```



#### 4. 验证
```
sudo nginx -t && sudo systemctl restart nginx

# -t -> test,检查配置文件对不对
```

#### 5. 放行443端口
```
# 放行HTTPS端口
sudo firewall-cmd --permanent --add-service=https

# 重新加载防火墙
sudo firewall-cmd --reload

# 查看已放行端口
sudo firewall-cmd --list-all
```


### 查看nginx配置文件目录下的文件
```
ls /etc/nginx/conf.d/
```


如果以后有新的服务要写，那就按照上面的步骤重来一遍就行，只需要改新的配置文件名和里面的端口号就好了，配置 HTTPS 时，只需要把命令里的域名换成自己的，执行一遍即可自动配置生效，一点都不麻烦!

### 简单来说，Nginx 就是云服务器的统一入口网关，独占 80/443 端口，通过域名分流到各个本地内网服务，统一管理 HTTPS 证书、隐藏后端服务端口、高性能稳定运行，是自建站点、多域名部署必备的神器，掌握一套模板即可无限复用。

Why Nginx ?

### 图像的功率谱有什么特点？
低频在中心，四周是高频，亮度代表图像的亮度

### 图像频谱的零频在图像的什么位置？
在图像的背景等变化程度小的位置

### 滤波器窗口越大对滤波效果有什么影响？
窗口越大，滤波效果越好


![image.png](https://tuchuang-yxjxxr.oss-cn-beijing.aliyuncs.com/undefined423f2bb05123300e815ff1adafb57f06.image.png)