Swin-Transformer-Object-Detection图片检测与视频检测

最新推荐文章于 2024-09-12 20:37:28 发布
最新推荐文章于 2024-09-12 20:37:28 发布
阅读量111 收藏
点赞数
文章标签： transformer 深度学习 人工智能
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/ambition_du/article/details/133513656
版权

环境配置

之前的文档中记录了如何进行环境配置
Swin-Transformer-Object-Detection环境配置

图片检测

下载权重文件
在这里插入图片描述
将该权重文件放入wights文件夹中
在这里插入图片描述
运行代码

python demo/image_demo.py demo/demo.jpg configs/swin/mask_rcnn_swin_tiny_patch4_window7_mstrain_480-800_adamw_3x_coco.py weights/mask_rcnn_swin_tiny_patch4_window7.pth

在这里插入图片描述

视频检测

python demo/video_demo.py demo/demo.mp4 configs/swin/mask_rcnn_swin_tiny_patch4_window7_mstrain_480-800_adamw_3x_coco.py weights/mask_rcnn_swin_tiny_patch4_window7.pth --out video/test01.mp4

注意！video文件夹需要自己创建
在这里插入图片描述

正在长头发的研究生
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
利用 Transformer 进行端到端的多目标检测及跟踪（附源代码）
机器学习社区
01-12 1410
现存的用检测跟踪的方法采用简单的heuristics，如空间或外观相似性。这些方法，尽管其共性，但过于简单，不足以建模复杂的变化，如通过遮挡跟踪。01摘要多目标跟踪(MOT)任务的关键挑战是跟踪目标下的时间建模。现存的用检测跟踪的方法采用简单的heuristics，如空间或外观相似性。这些方法，尽管其共性，但过于简单，不足以建模复杂的变化，如通过遮挡跟踪。所以现有的方法缺乏从数据中学习时间变化的能力。在今天分享中，研究者提出了第一个完全端到端多目标跟踪框架MOTR。它学习了模拟目标的长距离时间变化。它隐式地
图像 检测 - PETR: Position Embedding Transformation for Multi-View 3D Object Detection (ECCV 2022)
77wpa的博客
08-06 1199
在本文中，我们开发了用于多视图3D目标检测的位置嵌入变换（PETR）。PETR将3D坐标的位置信息编码为图像特征，产生3D位置感知特征。目标查询可以感知3D位置感知特征并执行端到端的目标检测。PETR在标准nuScenes数据集上实现了最先进的性能（50.4%的NDS和44.1%的mAP），并在基准测试中排名第一。它可以作为未来研究的一个简单而有力的基线。代码在https://github.com/megvii-research/PETR.关键词：位置嵌入，transformer，3D目标检测。
Swin-Transformer-Object-Detection项目安装教程
m0_56192771的博客
07-21 2157
Swin-Transformer-Object-Detection项目安装教程
Swin-Transformer-Object-Detection环境搭建训练流程及问题
weixin_41868417的博客
02-25 4636
一、背景 Swin-Transformer（Swin代表移位窗口shifted window）可以作为计算机视觉的通用backbone。它的github网址是Swin-Transformer，然后它有好几种应用： Getting Started For Image Classification, please see get_started.md for detailed instructions. For Object Detection and Instance Segmentation, please
Swin-Transformer 图像分类网络实战项目：MIT-BIH心电图像分类数据集迁移学习项目
03-05
基于Swin-Transformer网络对MIT-BIH心电图像分类数据集迁移学习项目，包含代码、数据集和训练好的权重文件，可直接运行。 这里不是数据的全部，原数据转换后的图像有9W张，这里只使用了一小部分子集来训练 项目总...
Swin-Ttransformer Object Detection 环境配置及训练
qq_45122568的博客
05-30 2084
简单记录下，安装、跑通、GPU训练swin-t源码的步骤。
Ubuntu 显卡3090下swin-transformer 目标检测环境配置
qq_39821101的博客
01-07 3603
创建环境 conda create -n swin python=3.8 source activate swin 安装pytorch conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cudatoolkit=11.1 -c pytorch -c conda-forge 安装其他 pip install cython matplotlib opencv-python termcolor==1.1.0 yacs==0.1.8
Swin-Transformer:这是“变形金刚”的官方实现
05-10
欧亚变压器（名称Swin代表对于s hifted赢得DOW）最初描述 ，其干练作为一个通用的骨干，为计算机视觉。 它基本上是一个分层的Transformer，其表示是通过移动窗口来计算的。 通过将自注意计算限制为不重叠的局部窗口...
TextCNN：文本卷积神经网络模型
weixin_45880844的博客
09-12 246
TextCNN（Text Convolutional Neural Network）是一种用于处理文本数据的卷积神经网（CNN）。通过在文本数据上应用卷积操作来提取局部特征，这些特征可以捕捉到文本中的局部模式，如n-gram（连续的n个单词或字符）。# 它继承自 PyTorch 的 nn.Module# __init__：类的构造函数，初始化模型，包括嵌入层、卷积层、dropout层和全连接层# 调用父类 nn.Module 的构造函数。
基于Pytorch框架的深度学习U2Net网络精细天空分割系统源码
修行之路
09-05 699
基于Pytorch框架的深度学习U2Net网络天空语义精细分割系统源码
深度学习中常见的损失函数
技术宅学长的博客
09-12 374
不同的损失函数适用于不同的任务，回归任务中通常使用均方误差（MSE）和绝对误差（MAE），分类任务中使用交叉熵损失，物体检测和分割中使用IoU和Dice损失，而生成模型中使用对抗损失和重构损失。根据具体任务的特点选择合适的损失函数对于模型的性能有很大影响。
Deep Learning-Based Object Pose Estimation:A Comprehensive Survey
一千零一夜的博客
09-12 423
基于深度学习的目标姿态估计：一份综合的调研
深度学习：基础知识
最新发布
mohanyelong的博客
09-12 568
深度学习：基础知识
CPU 和 GPU：为什么GPU更适合深度学习？
weixin_56054625的博客
09-12 619
GPU（图形处理单元）的诞生，初衷是为了专门应对渲染复杂图形和加速视频处理的需求。随着计算机图形技术的发展，实时 3D 图形的渲染需求逐渐增多，传统的CPU（中央处理器）难以高效处理这些繁重的计算任务。GPU 的出现大大缓解了这一负担，通过其独特的架构将大量的图形处理操作从 CPU 中剥离出来，从而极大地提升了系统的图形处理能力。GPU 的架构设计非常独特，由成百上千个小型处理单元组成，每个处理单元能够独立并行执行指令。这种高度并行的处理能力使 GPU 能够同时处理海量数据。
深度学习——基础知识
2301_79815102的博客
09-12 250
关于张量的一些基本运算符
深度学习的零碎知识点
CSDN_now的博客
09-12 95
简单来说就是，Windows 会在物理显存/「专用 GPU 内存」不够用或只有集成显卡的情况下，将物理内存 RAM 当作 GPU 的虚拟显存/「共享 GPU 内存」来使用。平常说的显卡内存就是 【专用 GPU 内存】。还有一种方法：nvidia-smi。
《深度学习》OpenCV轮廓检测 模版匹配 解析及实现
wx_AHao1004Y的博客
09-05 1834
模型匹配是一种通过在图像中查找和识别特定形状或物体的方法。模型匹配基于图像中的特征点，并尝试找到与预定义的模型或样本最匹配的图像区域。模型匹配（Model Fitting）是指将机器学习模型与训练数据进行拟合，使模型能够从数据中学习到最佳的参数或规律。模型匹配是机器学习中一个关键的步骤，它决定了模型的准确性和泛化能力。模型匹配的主要目标是通过调整模型的参数或超参数，使得模型能够更好地拟合训练数据，并且在未见过的数据上具有较好的预测能力。
时序预测 | Python实现ARIMA-LSTM差分自回归移动平均模型结合长短期记忆神经网络时间序列预测
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
09-12 282
时序预测 | Python实现ARIMA-LSTM差分自回归移动平均模型结合长短期记忆神经网络时间序列预测
Swin-Transformer目标检测代码
07-29
Swin-Transformer目标检测的代码可以在GitHub上找到。这是一个官方实现的项目，地址是GitHub - SwinTransformer/Swin-Transformer-Object-Detection。\[1\]Swin-Transformer是一种新型的Transformer模型，它采用了分层的方式来处理图像信息，从而减少了模型的计算量，同时提高了模型的精度。\[2\]在目标检测方面，可以使用Swin-Transformer来设计小目标检测头，以提高YOLOv5在小目标检测方面的能力。\[2\]具体的代码实现包括环境搭建、预训练模型的准备、数据集的准备、代码的修改、训练命令等步骤。\[3\]你可以根据这些步骤来进行Swin-Transformer目标检测的代码实现。 #### 引用[.reference_title] - *1* [Swin Transformer 代码学习笔记(目标检测)](https://blog.csdn.net/athrunsunny/article/details/124936790)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [Swin-Transformer小目标检测头在YOLOv5上的优化](https://blog.csdn.net/wellcoder/article/details/130908136)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [Swin-Transformer目标检测](https://blog.csdn.net/weixin_45977690/article/details/127127228)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论 1
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