什么是YOLOR？

简述

YOLOR 是一种用于对象检测的最先进的机器学习算法，与 YOLOv1-YOLOv5 不同，原因在于作者身份、架构和模型基础设施的差异。YOLOR 代表“你只学习一种表示”，不要与 YOLO 版本 1 到 4 混淆，其中 YOLO 代表“你只看一次”。 YOLOR被提议为“将隐性知识和显性知识编码在一起的统一网络”。YOLOR研究论文的标题为“你只学习一种表示：多个任务的统一网络”的研究结果指出，结果证明了使用隐性知识的好处。

YOLOR 专门用于对象检测，而不是其他机器学习用例，例如对象识别或分析。这是因为对象检测侧重于使对象属于某个类别或类的一般标识符。相比之下，其他类型的机器学习用例需要更精确的流程。对象识别要求机器学习模型适应构成彼此对象的细微差别范围。

工作原理

人类能够基于视觉、听觉、触觉（显性知识）来学习和理解物理世界，但也基于过去的经验（内隐知识）。因此，人类能够利用通过正常学习获得并存储在大脑中的先前学习的丰富经验，有效地处理全新的数据。

基于这一想法，YOLOR研究论文描述了一种将显式知识（定义为基于给定数据和输入的学习）与潜意识学习的内隐知识相结合的方法。因此，YOLOR的概念是基于编码内隐和外显知识，类似于哺乳动物大脑如何结合内隐和外显知识来处理。 YOLOR 中提出的统一网络生成一个统一的表示，以同时服务于各种任务。 通过三个值得注意的过程，这种架构可以发挥作用：核空间对齐、预测细化和具有多任务学习的卷积神经网络 （CNN）。 根据结果，当将内隐知识引入已经用显式