【工程日记】paddle+yolo铝表面瑕疵检测

最新推荐文章于 2024-04-17 14:39:51 发布
最新推荐文章于 2024-04-17 14:39:51 发布
阅读量345 收藏
点赞数
分类专栏： 苦哈哈的大创外包大赛 文章标签： python paddlepaddle
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Amorny959/article/details/123187890
版权

huan当前背景

paddle 2.2

cudn 11.2

cudnn8.2.1

大赛数据集

我理解的过程：首先下载好各种依赖包，配置好环境。再把数据集配合代码跑通然后出结果。

我没弄明白的：

                官方给的数据集是.json格式的 所以我需要转化成voc是吗？.jsons是啥？

                我啥时候用cmd啥时候回pycharm呀？cmd好像也可以跑python

首先 我完成了以上的环境配置，按照paddle开源案例的类似项目我开始的魔法的第一步

基于PaddleDetection的PCB瑕疵检测-FasterRCNN - 飞桨AI Studio - 人工智能学习实训社区 (baidu.com)https://aistudio.baidu.com/aistudio/projectdetail/2472620?cha

最低0.47元/天 解锁文章
感悟人生2001
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
从零开始使用YOLO和Paddle——Paddle模型训练
qq_58718853的博客
04-25 1487
本文介绍paddle模型训练自己的数据集过程中的各种细节
yolov5+钢材表面缺陷数据集
05-29
yolov5+钢材表面缺陷数据集
从零开始使用YOLO和Paddle——模型CPU部署
qq_58718853的博客
04-17 2174
文本目标检测任务中，部署yolo和paddle模型到cpu设备上的流程
助力生产缺陷检测，基于YOLOV5实现铝片生产质量缺陷检测识别
Together_CZ的博客
01-05 521
助力生产缺陷检测，基于YOLOV5实现铝片生产质量缺陷检测识别
（4）paddle---PCB检测的例子
chencaw的专栏
11-20 1732
dd
基于paddlepaddle的yolo基本实现
qq_42896106的博客
01-30 1534
在这篇博客中，我们将深入探讨如何使用PaddlePaddle来实现YOLO（You Only Look Once）模型。YOLO是一种流行的实时目标检测算法，它以其速度和准确性而闻名。我们将使用ResNet18作为骨干网络，并一步步构建整个模型。数据集：https://aistudio.baidu.com/datasetdetail/94809。
目标检测——paddleYOLOv3
qq_55796594的博客
02-24 4339
1.导入包，配置参数 import time import os import paddle ANCHORS = [10, 13, 16, 30, 33, 23, 30, 61, 62, 45, 59, 119, 116, 90, 156, 198, 373, 326] ANCHOR_MASKS = [[6, 7, 8], [3, 4, 5], [0, 1, 2]] IGNORE_THRESH = .7 NUM_CLASSES = 7 def get_lr(base_lr = 0.0001, .
C# PaddleDetection yolo 印章检测.rar
09-01
C# PaddleDetection yolo 印章检测 VS2022+.net 4.8 完整项目，自带模型，可直接运行 博客地址： https://blog.csdn.net/lw112190/article/details/132618023
目标检测+PaddleDetection+rt-detr运行代码
06-28
PaddleDetection框架提供了多种先进目标检测算法的实现，如YOLO系列、Faster R-CNN、Mask R-CNN等。rt-detr则是对DETR（Transformer-based Detector）的优化版本，DETR是第一个将Transformer架构直接应用于目标检测...
PaddleDet+OpenVINO实现铝片表面缺陷检测.zip
06-11
首先，PaddleDet是百度公司开源的一款强大的目标检测框架，它基于PaddlePaddle深度学习平台，支持多种检测算法，如YOLO、Faster R-CNN、SSD等。PaddleDet的特点在于其易用性、高效性和灵活性，能够快速地实现模型...
基于YOLO的挖掘机目标检测模型+flask模型前端展示
03-24
YOLO（You Only Look Once）是一种广泛应用于计算机视觉领域的实时目标检测系统，它以其高效、准确的特点在业界受到高度关注。YOLO的核心在于其能够同时预测图像中的边界框和类别，实现了端到端的训练和预测。在本...
Paddle-YOLOv4:Paddle-YOLOv4,supports training, at least 41.1% mAP.支持训练，至少41.1%mAP。少数的给出精度的复现
05-07
| 简体中文 Paddle-YOLOv4 概述 Paddle-YOLOv4,参考自 和 推荐 本项目已经开源到AIStudio中，可直接跑： 咩酱刷屏时刻 Keras版YOLOv3: Pytorch版YOLOv3： PaddlePaddle版YOLOv3： PaddlePaddle完美复刻版版yolact: yolov3魔改成yolact: Keras版YOLOv4: (mAP 41%+) Pytorch版YOLOv4: (mAP 41%+) Paddle版YOLOv4： (mAP 41%+) Keras版SOLO: https://github.com/miemie2013/Keras-SOLO Paddle版SOLO: https://github.com/miemie2013/Paddle-SOLO Pytorch版FCOS: https://github.com/miem
基于YOLO的3D目标检测（激光雷达点云）课程设计
03-05
基于YOLO的3D目标检测（激光雷达点云）课程设计
基于paddle+flask实现的猪只识别计数python源码+数据集+模型+操作说明.zip
最新发布
05-14
基于paddle+flask实现的猪只识别计数python源码+数据集+模型+操作说明.zip个人经导师指导并认可通过的98分大作业设计项目，主要针对计算机相关专业的正在做课程设计、期末大作业的学生和需要项目实战练习的学习者。...
[提供软件环境和工业数据集下载]工业瑕疵缺陷检测实战：Windows下基于YOLOv4和OpenCV4深度学习训练自己的数据集和前端软件，效果意外的好
jimslin的专栏
10-31 4298
你将收获 掌握Windows系统基于深度学习的目标检测训练自己的数据集方法 掌握labelImg图像标注方法 掌握YOLOv4数据集整理方法 掌握YOLOv4训练、测试、性能统计方法 掌握训练好的网络模型在前端软件的测试与应用 掌握前端软件把检测结果传给PLC或机器人的通讯方法 适用人群 对人工智能机器视觉与对YOLOv4目标检测感兴趣的朋友们和从业者 软件环境： Windows7或10x64;cuda 10.2; cudnn7.6.5; Python3.7; VisualStudi..
PaddleDetection：YOLO系列参数说明
SYGgogogo的博客
11-25 1489
YOLO系列模型参数配置教程 paddledetection GitHub官方文档，以备打不开 官方链接 以ppyolo_r50vd_dcn_1x_coco.yml为例，这个模型由五个子配置文件组成： 一、数据配置文件 coco_detection.yml # 数据评估类型 metric: COCO # 数据集的类别数 num_classes: 80 # TrainDataset TrainDataset: !COCODataSet # 图像数据路径，相对 dataset_dir 路径，os.
paddle篇---用yolov3训练voc数据集
心惠天意
11-22 5242
yolov3_mobilenet_v1_270e_voc.yml## 运行环境 paddlepaddle-gpu 2.2.0.post112 PaddlePaddle/PaddleDetection release/2.3 第一步：在该路径下：PaddleDetection-release-2.2/dataset/voc/ 1.添加annations和images两个文件夹 + annations：存放xml的标签文件 + images：存放对应的图片文件 2. 添加label_list.txt
paddle+yolov3 手把手教学
qq_58997690的博客
02-24 547
3、conda install paddlepaddle-gpu==2.2.2 cudatoolkit=11.2 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/ -c conda-forge 安装paddle-gpu。4、git clone https://gitee.com/paddlepaddle/PaddleDetection.git 拉代码。5、python setup.py install 安装paddledet。
将paddle训练好的yolo模型进行TensorRT推理加速
05-15
将Paddle训练好的YOLO模型进行TensorRT推理加速，可以大幅提高模型的推理速度。 以下是大致的步骤： 1. 转换模型格式：将Paddle训练好的YOLO模型转换为TensorRT可读取的格式，比如ONNX或TensorRT格式。 2. 构建TensorRT引擎：使用TensorRT API构建推理引擎，其中包括模型的输入输出设置、推理精度设置、推理策略设置等。 3. 加载数据：将需要推理的数据加载进TensorRT引擎。 4. 执行推理：调用TensorRT引擎的推理接口进行推理，得到结果。 具体步骤如下： 1. 安装Paddle和TensorRT，并确认两者版本兼容。 2. 将Paddle训练好的YOLO模型转换为ONNX格式或TensorRT格式。其中，转换为ONNX格式可以使用Paddle的 `paddle2onnx` 工具，转换为TensorRT格式可以使用TensorRT自带的 `uff-converter-tf` 工具。 3. 使用TensorRT API构建推理引擎。具体的代码实现可以参考TensorRT官方文档和示例代码。 4. 加载数据。对于YOLO模型，需要将输入数据进行预处理，包括图像的缩放、填充和通道的交换等操作。 5. 执行推理。调用TensorRT引擎的推理接口进行推理，得到结果。对于YOLO模型，需要对输出结果进行后处理，包括解码、非极大值抑制和类别置信度筛选等操作。 参考代码： ```python import pycuda.driver as cuda import pycuda.autoinit import tensorrt as trt import numpy as np # Load the serialized ONNX model with open('yolov3.onnx', 'rb') as f: engine_bytes = f.read() # Create a TensorRT engine trt_logger = trt.Logger(trt.Logger.WARNING) trt_engine = trt.Runtime(trt_logger).deserialize_cuda_engine(engine_bytes) # Allocate memory for the input and output buffers host_input = cuda.pagelocked_empty(trt.volume(trt_engine.get_binding_shape(0)), dtype=np.float32) host_output = cuda.pagelocked_empty(trt.volume(trt_engine.get_binding_shape(1)), dtype=np.float32) cuda.memcpy_htod_async(input_buffer, host_input, stream) cuda.memcpy_htod_async(output_buffer, host_output, stream) # Load the input data with open('input.bin', 'rb') as f: input_data = np.fromfile(f, dtype=np.float32) np.copyto(host_input, input_data) # Execute the inference context = trt_engine.create_execution_context() context.execute(batch_size=1, bindings=[int(input_buffer), int(output_buffer)]) cuda.memcpy_dtoh_async(host_output, output_buffer, stream) # Post-process the output with open('output.bin', 'wb') as f: host_output.tofile(f) ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值