dejahu的博客

最近实验室的电脑显卡驱动老是不对，经过调查发现是自动更新之后linux的内核版本会变，导致显卡无法连接，为了解决这个问题，在重装系统之后，我直接选择了将更新关闭，这样的话可以暂时避免这个问题，如下图所示：另外，如果系统重装之后会导致服务器方面无法连接，这个是因为重装之后公钥发生了变化，首先大家需要在服务器端安装ssh服务并且打开防火墙sudo apt-get install openssh-serversudo systemctl status sshsudo ufw allow ssh在本地

Openmmlab无法加载预训练模型的问题这两天在调试mmsegmentation和mmdetection，可能是因为自己的原因，预训练模型死活加载不了预训练的模型，无法正常的索引到预训练模型的地址，最后通过降低版本的方式成功地加载了预训练模型并跑了起来，具体的流程如下：解决过程安装pytorch和torchvision我是30系列的显卡，所以需要的cuda版本需要是11以上。conda install pytorch==1.9.0 torchvision==0.10.0 cudatoolki

Windows下YOLOX的配置作者：肆十二本次博客电脑基本配置情况：系统-windows10 显卡-RTX2070s CPU-I7 9700kYOLOX是是旷视科技在2021年提出的Anchor Free的目标检测框架，YOLOX-l模型在coco的测试集上可以达到51.5的mAP值，相对于YOLOV5有1.8个点的提高，并且YOLOX是一个Anchor free的框架，相对来说没有太多需要调试的超参数，在原始的预训练模型上做一下微调就可以在自己的数据集上达到不错的效果，算法的细节部分还请大家

遥感影像数据集参考：PaddleDetection/README.md at release/2.2 · PaddlePaddle/PaddleDetection (github.com)CAPTAIN-WHU/DOTA_devkit (github.com)DOTA遥感数据集以及相关工具DOTA_devkit的整理(踩坑记录) - 知乎 (zhihu.com)遥感影像的数据集大多数都包含了角度信息，并且目标相对较小，传统的目标检测在遥感影像的处理上效果不佳，比较常用的数据集有nwpu数据集和

github链接：OpenMMLab (github.com)官方文档：Prerequisites — MMDetection 2.15.1 documentationMMDetection推荐大家最好还是在linux系统下使用，windows系统上使用起来属实bug太多下面的教程将会教会大家如何使用MMDetection来训练一个自己的目标检测模型，MMDetection设计的非常nice，准备好数据之后，只需要稍微修改一下配置文件就能完成训练，大多数模型的配置文件在MMDetection都进行.

首先需要按照官方文档在本机的电脑上安装好MMDetection，不熟悉的小伙伴可以看我下面的这篇教程。安装好mmdetection后，对图片和视频进行目标检测非常简单，只需要3个文件即可模型的配置文件模型文件需要进行推理的图片或者视频详细的代码如下：from mmdet.apis import init_detector, inference_detector, show_result_pyplotimport mmcvconfig_file = '../configs/faster_

mmdetection的使用官方文档：Welcome to MMDetection’s documentation! — MMDetection 2.15.0 documentation配置教程：windows下安装mmdetection_dejahu的博客-CSDN博客mmdetection进行目标检测实验时，需要下载好预训练的模型以及设置好相应的配置文件，配置文件中主要是设置一些学习率还有anchor，因为是继承的关系，所以直接加载原有的配置文件，在原有的配置文件上进行修改即可。关键在于数据集

mmdetection是个非常好用的目标检测工具包，提供了大量的预训练模型，服务器上开发实在是太麻烦了，所以我尝试在我的windows电脑上安装了mmdetection，最终成功跑出了demo，如下：版本信息如下：显卡：RTX2070S系统：Windows10cuda：11.1cudnn：8.1pytorch：1.8.0torchvision：0.9.0mmcv：1.3.9mmdetection：2.15.0安装cuda和cudnn下载cuda11.1并安装，下载地址如下：CU

使用下面的Python代码可以快速释放GPU显存import ospid = list(set(os.popen('fuser -v /dev/nvidia*').read().split()))kill_cmd = 'kill -9 ' + ' '.join(pid)print(kill_cmd)os.popen(kill_cmd)

ref：GitHub - SJTU-Thinklab-Det/DOTA-DOAI: This repo is the codebase for our team to participate in DOTA related competitions, including rotation and horizontal detection.AbstractThis repo is the codebase for our team to participate in DOTA related comp.

开始之前给大家安利一下我之前写的使用tensorflow2构建物体分类模型的博客，我在博客中详细介绍了数据集收集、模型构建和模型使用三个方面，结合视频你也可以快速构建自己的物体分类模型，快去试试吧！手把手教你用tensorflow2.3训练自己的分类数据集_dejahu的博客-CSDN博客前面的几章内容重点讨论了模型的基本构建和一些模型训练所涉及的技巧，今天学习的课程中，在树叶分类的任务中看到不少关于比赛的技巧，不只是迁移学习那么简单，包括优化器、数据增广等方面都有讲究，后面需要专门抽时间来看下前面的房

前面我们讨论了线性回归、softmax分类和感知机这些模型，这些模型构建的过程都是有监督的学习，需要借助大量的样本来学习最优的参数，基本原理时通过链式法则使用梯度下降来对参数进行调整。虽然说起来比较简单，但是在实际操作的时候，模型训练需要关注很多细节，包括去模型是否会出现过拟合的现象，模型的超参数是否合理，训练的数据和验证的数据如何进行划分，这都需要进一步来探讨。今天这节我们来一起讨论一下深度学习中模型训练你需要关注的一些细节以及你需要掌握的一些基础知识。开始之前给大家安利一下我之前写的使用tensorf

前面的笔记中我们讨论了线性回归和softmax分类，都可以看作是一层的全连接层，其中线性回归的输出是一个神经元，softmax的输出是多个神经元，softmax主要作用在损失函数的计算部分，相应地模型也需要学习到更多的权重。今天我们来看一下感知机（perceptron）以及感知机的进化版本，多层感知机(MLP)。开始之前给大家安利一下我之前写的使用tensorflow2构建物体分类模型的博客，我在博客中详细介绍了数据集收集、模型构建和模型使用三个方面，结合视频你也可以快速构建自己的物体分类模型，快去试试吧

上节博客中我们一起探讨了机器学习中的回归问题，回归问题主要是为了解决连续的问题，生活中还有很多应用场景不是连续的，预测的结果是离散的，比如识别一个垃圾的种类或者是识别一个花卉的具体种类，这种问题如果使用简单的线性回归是达不到目的的，这个时候就需要引入分类去解决，今天我们一起来看下如何去使用Pyotrch实现Softmax分类。开始之前给大家安利一下我之前写的使用tensorflow2构建物体分类模型的博客，我在博客中详细介绍了数据集收集、模型构建和模型使用三个方面，结合视频你也可以快速构建自己的物体分类模

机器学习简单来讲可以分为两个问题，我们都是希望能将现实中的问题进行抽象来构建数学模型，根据预测的内容，可以将问题分为回归问题和分类问题，如果预测的是连续值，那么就是回归问题，如果预测的是离散值，那么就是分类问题。比如房价的预测就是一个典型的回归问题，给出房子的面积、地理位置等基本输入，模型可以根据这些输入得到房子大概的价格。原理介绍？什么是模型大概从大一开始，就接触到模型这个概念，很多时候不不是很清楚到底啥是个模型。以为现在的理解来看，模型就是数学公式，比如我们高中学到的kx+b就是一个线性模型，在

视频教程：请等待最近比特币的热潮慢慢褪去，显卡的价格也下来了，所以小伙伴们可以观察一下最近的行情，合适的时候可以入手几块显卡来搞深度学习。关注我的朋友大多数来自大作业怎么搞系列教程，大作业怎么搞系列使用tensorlfow训练了几个物体分类模型，在开源出的代码中我也基本给了大家我训练好的模型，有的朋友反应自己跑训练的过程的时候速度比较慢，这个原因大多都是因为大家是在CPU环境下来跑的，所以速度不是很快，如果使用GPU来跑训练的话，效率上差不多是CPU的10倍。！！！注：深度学习的小伙伴请选择Nvidia

最近在看李沐老师的动手学深度学习教程，强烈安利大家去看，讲的非常通透，他会从一个常人的角度给你分析深度学习的原理，另外最近老师录制的视频是Pytorch版本的，在学习基本原理的同时还是学习到Pytorch的使用，真的是太棒了！这期专栏我就按照我自己的理解把其中一些重点的知识做个记录，方便自己回顾，另外也会附上Python的代码，结合代码一块理解原理。深度学习的历史深度学习这个概念在上个世纪50年代那会就已经有了，一开始有人提出了感知机的模型，可以说是现在深度学习网络的一个雏形了，但是当时的MLP解决不

B站视频：等待更新（b站：dejahu）代码地址：trash_classification_tf2.3: 基于tensorflow2.3的垃圾分类系统 (gitee.com)模型和数据集地址：垃圾分类数据集和tf代码-8w张图片245个类.zip-深度学习文档类资源-CSDN下载大家有什么想法也可以在评论区留言，我会根据留言情况出对应的教程。哈喽，大家好，这里是dejahu，本期教程给大家带来的是基于tensorflow2.3的垃圾分类系统，主要还是为了教会大家如何使用我写好的物体分类模板代码去.