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676 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
FastAPI封装YOLO目标检测模型
11-26
使用fastAPI对Opencv调用YOLO检测模型的过程进行封装，实现通过调用借口直接获取检测结果。
YOLO V8 模型权重和main方法
09-20
1.YOLO V8 模型权重 2023-09-20版 2.程序识别的入口main方法
paddle 模型使用
March_A的博客
04-11 686
前两章主要介绍了DBNet文字检测算法以及CRNN文字识别算法。然而对于我们实际场景中的一张图像，想要单独基于文字检测或者识别模型，是无法同时获取文字位置与文字内容的，因此，我们将文字检测算法以及文字识别算法进行串联，构建了PP-OCR文字检测与识别系统。在实际使用过程中，检测出的文字方向可能不是我们期望的方向，最终导致文字识别错误，因此我们在PP-OCR系统中也引入了方向分类器。本章主要介绍PP-OCR文字检测与识别系统以及该系统中涉及到的优化策略。PaddleOCR策略调优技巧。
PaddleDetection-YOLOv3模型数据读入程序解析
qq_45684033的博客
11-15 1122
如题
基于PaddleDetection的疲劳驾驶检测系统
m0_63642362的博客
01-02 7842
黑客松-疲劳驾驶检测
【paddle】自带模型参数量和计算量统计
玄云飘风的博客
11-18 1838
paddle自带模型的参数量和计算量统计
YOLO_X环境搭建输出结果（无训练）
m0_62948300的博客
09-16 80
yolo-x运行demo，输出结果
LLM探索：GPT类模型的几个常用参数 Top-k, Top-p, Temperature
人工智能曾小健
06-21 3718
上一篇文章介绍了几个开源LLM的环境搭建和本地部署，在使用ChatGPT接口或者自己本地部署的LLM大模型的时候，经常会遇到这几个参数，本文简单介绍一下~top_ptop_k。
【yolov5】数据格式、参数、输出结果 分析
热门推荐
qq_32342205的博客
11-01 4万+
yolov5 一些参数介绍
YOLO输出大中小目标的AP值
pengxiang1998的博客
06-12 2817
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。
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
DiffYOLO：通过YOLO和扩散模型进行抗噪声目标检测
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...
tensorflow-yolo模型
02-04
YOLO将物体检测作为回归问题求解。基于一个单独的end-to-end网络，完成从原始图像的输入到物体位置和类别的输出。
torchvision Faster-RCNN ResNet-50 FPN代码解析（图片转换和坐标）
大飞的博客
10-04 3040
图像转换 在torchvision\models\detection\faster_rcnn.py构造函数中，指定了image mean/std，这些前面笔记中都介绍了原因，这里不多说了，这里还指明了最大和最小的图像长宽，这里是800和1333，表明转换出来的图像不能超出800x1333或者1333x800这个尺寸。 class FasterRCNN(GeneralizedRCNN): def __init__(self, backbone, num_classes=None,
PaddleServing图像语义分割部署实践
钱彬的博客
04-23 4325
深度学习抠图、部署
PaddleOCR 2.1版本 GPU部署 （C++/CUDA 11.0）
qq_43814893的博客
08-16 2776
PaddleOCR 2.1版本 GPU部署 （C++）时隔一年，由于工作原因，对PaddleOCR进行GPU版本的部署，同时对识别精度和速度要求更高，故对GPU版本进行部署，和CPU版本大差不差，但是可能坑和细节更多，因此本文详细部署不做过多叙述，可能着重放在变化上CPU版本部署见上篇文章：https://blog.csdn.net/qq_43814893/article/details/119415960?...
yolov5的后处理解析
panghuzhenbang的博客
07-28 7950
，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；
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 3611
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
YOLOv8改进 | 图像修复 | 适用多种复杂场景的全能图像修复网络AirNet助力YOLOv8检测（全网独家首发）
最新发布
Snu77的博客
05-16 162
官方代码地址点击此处即可跳转 ​文章提出的一种名为AirNet（All-in-one Image Restoration Network）的全能图像修复网络。AirNet由对比基降解编码器（CBDE）和降解引导修复网络（DGRN）两个神经模块组成，能够在未知损坏类型和程度的情况下恢复受损图像。这两部分共同工作，能够处理多种类型的图像退化，而无需预先知道损坏的具体信息。
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