yolo和paddle模型常见输出参数解惑

已于 2023-08-22 17:25:23 修改
阅读量793 收藏 3
点赞数 1
文章标签： YOLO 深度学习 人工智能
于 2023-06-02 19:24:30 首次发布
转载或者复制必究责任
本文链接：https://blog.csdn.net/changzengli/article/details/131012843
版权

根据不同输出参数编写后处理，否则会报错

第一种

  • Concatoutput_dim_0 ：变量，表示预测目标的数量，
  • 7：表示每个目标的七个参数：batch_id，x0，y0，x1，y1，cls_id，score

在这里插入图片描述

第二种

  • 85：每一行85个数值，5个center_x,center_y, width, height，score ，80个标签类别得分
  • 25200：三个尺度上的预测框总和 ( 80∗80∗3 + 40∗40∗3 + 20∗20∗3 )，每个网格三个预测框，后续需要非极大值抑制NMS处理
  • 1：没有批量预测推理，即每次输入推理一张图片

在这里插入图片描述

第三种

  • num_dets：表示其批次中每个图像中的目标数
  • det_boxes：表示 topk(100) 目标的坐标信息 [x0,y0,x1,y1] .
  • det_scores：表示每个 topk(100) 个对象的置信度分数
  • det_classes：表示每个 topk(100) 个对象的类别

在这里插入图片描述

第四种

在这里插入图片描述

第五种

在这里插入图片描述

第六种(paddlepaddle)

  • DynamicDimension ：表示动态维度，一般是1
  • im_shape：图像经过resize后的大小，表示为H,W, DynamicDimension 表示batch维度
  • image：输入网络的图像，DynamicDimension 表示batch维度，如果输入图像大小为变长，则H,W为None
  • scale_factor：输入图像大小比真实图像大小，表示为scale_y, scale_x
  • multiclass_nms3_0.tmp_0：bbox, NMS的输出，形状为[N, 6], 其中N为预测框的个数，6为[class_id, score, x1, y1, x2, y2]
  • multiclass_nms3_0.tmp_2：bbox_num, 每张图片对应预测框的个数，例如batch_size为2，输出为[N1, N2], 表示第一张图包含N1个预测框，第二张图包含N2个预测框，并且预测框的总个数和NMS输出的第一维N相同
    在这里插入图片描述

yolo资料

在这里插入图片描述

深度物联网
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
YOLO V5 PADDLE代码
01-02
PaddleDetection-Yolov5-main，YOLO V5 PADDLE代码 PaddleDetection-Yolov5-main，YOLO V5 PADDLE代码 PaddleDetection-Yolov5-main，YOLO V5 PADDLE代码
YOLO_X环境搭建输出结果（无训练）
m0_62948300的博客
09-16 103
yolo-x运行demo，输出结果
YOLO输出大中小目标的AP值
pengxiang1998的博客
06-12 3212
在进行实验的过程中，博主一直使用的是COCO数据集，其评价指标如下所示，包含大中小目标的AP值与AR值。博主选用了yolov5与yolov7进行实验，其中yolov5成功，yolov7却出现了问题。随后博主在进行对比实验时使用了YOLO模型，其默认是不输出大中小目标的AP值的，为了能够获取这个评价指标值，我们需要对val.py文件进行修改。
【yolov5】数据格式、参数、输出结果 分析
热门推荐
yongjie
11-01 4万+
yolov5 一些参数介绍
paddleDetection框架如何将模型预测结果保存成json文件
qq_40502460的博客
06-27 3816
之前我用mmdetection的时候，发现自带的脚本可以把预测结果转为json文件。前面我也用的yolov4代码只用了pytorch框架，根据预测代码修改了一份将模型预测结果保存成json文件的代码。具体参考我的这篇博客将yolov4预测结果保存为json文件。 最近我学了一下paddleDetection框架，里面集成了很多常用的网络模型，用起来很方便，但是我想将模型预测出来的bbox结果保存成json文件，找了一下官方文档，似乎没找到已经写好的脚本，所以我又根据tools/infer.py以及它所引用的
目标检测paddlex后使用nms代码优化
RuGe_Lee的博客
03-27 4100
改了bug1:当score最大的锚框出现在左上是少统计的bug。bug2:while有时无限循环，加个counter限制最大循环。 加了最小准确率的参数，有时候有用。返回结果改成了直接返回bbox和score，避免了index的改动问题。
YOLO V8 模型权重和main方法
09-20
YOLO V8 模型权重和main方法是深度学习领域中的关键组件，它们共同构成了一个高效的目标检测系统。YOLO（You Only Look Once）是一种实时的卷积神经网络（CNN）架构，最初由Joseph Redmon等人在2015年提出，旨在快速...
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
DiffYOLO：通过YOLO和扩散模型进行抗噪声目标检测
最新发布
04-11
以YOLO系列为代表的目标检测模型得到了广泛的应用，并在高质量的数据集上取得了很好的成绩，但并不是所有的工作条件都是理想的。为了解决在低质量数据集上定位目标的问题，现有方法要么训练新的目标检测网络，要么...
FastAPI封装YOLO目标检测模型
11-26
Darknet是一个开源的神经网络框架，支持YOLO和其他卷积神经网络(CNN)模型的训练和测试。我们将YOLO模型的权重加载到OpenCV的DNN模块，该模块提供了对多种深度学习框架模型的接口。OpenCV的DNN模块可以处理图像预处理...
yolov5的后处理解析
panghuzhenbang的博客
07-28 9327
，其中开头的1表示batch_size，(20,20)、(40,40)、(80,80)分别为3个特征层的形状大小，255=3*(80+4+1)，3表示每个特征点对应的3个先验框，80为one-hot后的各类别概率，4为先验框的回归参数，1为先验框是否包含物体的概率大小。这里需要注意的是，公式中的解码结果是根据先验框的位置信息进行解码的，如果给定的是先验框的实际位置信息，则解码出来的结果就是实际框的位置信息，这样就不需要针对不同特征层的不同先验框位置进行解码；
Yolo训练时，输出的参数的含义
不见围墙
04-11 6166
Yolo训练时，输出的参数的含义
Paddlepaddle、Paddle-lite使用
weixin_43999691的博客
03-23 1443
国产推理框架-paddlepaddle/paddle-lite使用
paddle使用指南
qq_56591814的博客
06-18 8273
本文参考paddle官网，简单介绍paddle的使用
Paddle网络结构中的层和模型
TSINGHUAJOKING
12-12 3647
得到的
PaddleDetection-新增模型算法
m0_57173620的博客
12-27 1408
PaddleDetection的网络模型模块所有代码逻辑在ppdet/modeling/中，所有网络模型是以组件的形式进行定义与组合，网络模型模块的主要构成如下架构所示： ppdet/modeling/ ├── architectures # │ ├── faster_rcnn.py # Faster Rcnn模型 │ ├── ssd.py # SSD模型 │ ├── yolov3.py # YOLOv3模型 │ │ ...
paddleDetection-目标检测全流程教程
左手coding，右手cooking
03-11 3430
参考链接： https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.0-rc/docs/tutorials/DetectionPipeline.md 文教程以路标数据集为例，使用yoloV3算法详细说明paddleDetection全流程使用教程，包含：准备数据，选择模型，训练模型，评估，预测，模型压缩和模型部署。 数据准备 关于数据准备的请参考： 注意： （1）数据集中路径名、文件名不要包含空格，尽量不要使用中文 （2）用户数据，建.
Dynamic dimensions required for input: input, but no shapes were provided. Automatically overriding
一千零一夜的博客
06-29 872
pth->onnx->trt
paddlepaddle中动态图查看训练参数(一)
先说一下，就简单地写点儿氵文，不是博客，只是我的笔记本
07-07 1837
用Paddle动态图model，搭建一个神经网络，一共两层 class tryNet(Layer): def __init__(self, start_node, mid_node): super(tryNet,self).__init__() self.line1 = Linear(input_dim=start_node, output_dim=mid_node, bias_attr=False, act='sigmoid', param_attr=
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

打赏作者

深度物联网

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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