![](https://img-blog.csdnimg.cn/25908570b4534834abfec429169855b0.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
深度学习
文章平均质量分 74
yolov3 pytorch caffe tensorflow
OneBaBa
这个作者很懒,什么都没留下…
展开
-
jetson nano 查看 CUDA 版本:nvcc -V 报错:bash: nvcc: 未找到命令
如果在没有做任何操作的情况下,在终端上输入 nvcc -V ,会显示下面的内容:bash: nvcc:未找到命令此时切换到 ~目录下: cd ~ ;然后打开 .bashrc文件:vim .bashrc ;接着按 i键,进入编辑状态;再接着在文件的末尾添加下面三行代码: export PATH=/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD...转载 2020-11-14 09:46:01 · 4186 阅读 · 2 评论 -
ubuntu14.0.4配置caffe 无CUDA情况下
转自:http://blog.csdn.net/u014696921/article/details/52156552版权声明:本文为博主原创文章,未经博主允许不得转载。目录(?)[-]3 安装OpenCV安装249 不推荐4 安装其他依赖项 注如果解压位置出错了可以使用以下命令删除该目录及所有的子目录 html view plain copy转载 2017-04-20 08:04:50 · 379 阅读 · 0 评论 -
深度学习——为什么将全连接层替换为卷积层?
卷积和全连接卷积层的特点:稀疏连接,权值共享全连接层的特点:每个神经元都和上一层的所有神经元相连接两者的共同点:都是由上一层的输出与参数矩阵相乘从而得到下一层的输入所以我们得以得到结论,全连接层和卷积层实际上是可以相互转换的。举个例子:最后一个卷积层的输出为 7*7*512,即每个 feature map 的大小为 7*7,共有 512 个 feature map,然后通过一个全连接层得到了 1*1*4096 的输出,如下图所示:全连接到卷积将全连接层转换为卷积层的关键就在卷积核转载 2020-10-30 17:04:48 · 1309 阅读 · 0 评论 -
深度学习——1*1卷积核的作用
可以减少计算量,可以增加非线性判别能力举例:假设有1个高为30、宽为40,深度为200的三维张量与55个高为5、宽为5、深度为200的卷积核same卷积,步长=1,则结果是高为30、宽为40、深度为55的三维张量,如图所示:该卷积过程的乘法计算量大约为5*5*200*30*40*55=330000000,这个计算量很大。接着,我们可以考虑第二种卷积过程,先利用1*1的卷积核在深度上降维,然后升维:上述卷积过程的计算量大约为:第一步:1*1*200*30*40*20=48000转载 2020-10-30 16:51:45 · 1233 阅读 · 0 评论 -
基于OpenCV和YOLOv3深度学习的目标检测
本文翻译自Deep Learning based Object Detection using YOLOv3 with OpenCV ( Python / C++ )基于OpenCV和YOLOv3深度学习的目标检测本文,我们学习如何在OpenCV上使用目前较为先进的目标检测技术YOLOv3。YOLOv3是当前流行的目标检测算法YOLO(You Only Look Once)的最新变种算法。所发行的模型能识别图片和视频中的80种物体,而且更重要的是它实时性强,而且准确度接近Single Sh.转载 2020-09-09 17:13:15 · 3132 阅读 · 3 评论 -
yolov3中的Anchor Box理解
首先可以把anchor理解为:多尺度滑动窗口。传统的检测过程是:1、生成图像金字塔,因为待检测的物体的scale是变化的。2、用滑动窗口在图片的特征金字塔上面滚动生成很多候选区域。3、各种特征提取hog和分类器svm来对上面产生的候选区域中的图片信息来分类。4、NMS非极大值抑制得到最后的结果。但由于cnn具有强大的提取特征的能力,可以替代第三步,但第一第二步独立于cnn之外的,需要大量循环,速度也限制了,因此要更好的定位,需要更多的scale和radio不同窗口,但又增加了时间。而转载 2020-09-03 17:10:45 · 4363 阅读 · 2 评论 -
YOLOV3中k-means聚类获得anchor boxes过程详解
YOLOV3中k-means聚类获得anchor boxes过程详解 我们都知道yolov3对训练数据使用了k-means聚类的算法来获得anchor boxes大小,但是具体其计算过程是怎样的呢?下面我们来详细的分析其具体计算过程:第一步:首先我们要知道我们需要聚类的是bounding box,所以我们无需考虑其所属类别,第一步我们需要将所有的bounding box坐标提取出来,也许一张图有一个矩形框,也许有多个,但是我...转载 2020-09-03 15:23:13 · 1589 阅读 · 0 评论 -
YOLO v3详解
1、YOLO v3的网络结构图其中:DBL:如图1左下角所示,也就是代码中的Darknetconv2d_BN_Leaky,是yolo_v3的基本组件。就是卷积+BN+Leaky relu。对于v3来说,BN和leaky relu已经是和卷积层不可分离的部分了(最后一层卷积除外),共同构成了最小组件。resn:n代表数字,有res1,res2, … ,res8等等,表示这个res_block(残缺块)里含有多少个res_unit(残缺单元)。这是yolo_v3的大组件,yolo_v3开始借鉴了转载 2020-09-03 15:08:11 · 1877 阅读 · 0 评论 -
YOLOv3网络结构和解析
学了这么久的YOLOv3,把自己的学习心得记录下。欢迎指正!参考:YOLOv3网络结构细致解析基于keras-yolov3,原理及代码细节的理解论文地址:https://pjreddie.com/media/files/papers/YOLOv3.pdfyolov3官网:https://pjreddie.com/darknet/yolo/Keras版本推荐:https://github.com/qqwweee/keras-yolo3以及keras版本的解读:https://danielack.g转载 2020-09-03 13:51:09 · 283 阅读 · 0 评论 -
深度学习基础——概念Epoch,Batchsize,Iterations
Epoch,Batchsize,Iterations,这三个都是深度学习训练模型时经常遇到的概念。你一定有过这样的时刻,面对这几个词傻傻分不清楚,这三个概念究竟是什么,它们又有什么区别?梯度下降法一切的一切,要从机器学习中的梯度下降法说起。首先让我们来回顾一下这个常见的不能再常见的算法。梯度下降法是机器学习中经典的优化算法之一,用于寻求一个曲线的最小值。所谓"梯度",即一条曲线的坡度或倾斜率,"下降"指代下降递减的过程。梯度下降法是迭代的,也就是说我们需要多次计算结果,最终...转载 2020-09-02 17:46:22 · 473 阅读 · 0 评论 -
深度学习基础——batch_size
Batch_Size(批尺寸)是机器学习中一个重要参数,涉及诸多矛盾,下面逐一展开。首先,为什么需要有 Batch_Size 这个参数?Batch 的选择,首先决定的是下降的方向。如果数据集比较小,完全可以采用全数据集 ( Full Batch Learning )的形式,这样做至少有 2 个好处:其一,由全数据集确定的方向能够更好地代表样本总体,从而更准确地朝向极值所在的方向。其二,由于不同权重的梯度值差别巨大,因此选取一个全局的学习率很困难。 Full Batch Learning 可以使用R.转载 2020-09-02 17:30:30 · 2309 阅读 · 0 评论 -
深入理解深度学习中的激活函数
在这个文章中,我们将会了解几种不同的激活函数,同时也会了解到哪个激活函数优于其他的激活函数,以及各个激活函数的优缺点。1. 什么是激活函数?生物神经网络是人工神经网络的起源。然而,人工神经网络(ANNs)的工作机制与大脑的工作机制并不是十分的相似。不过在我们了解为什么把激活函数应用在人工神经网络中之前,了解一下激活函数与生物神经网络的关联依然是十分有用的。一个典型神经元的物理结构由细胞体、向其他神经元发送信息的轴突以及从其他神经元接受信号或信息的树突组成。 ...转载 2020-09-02 15:51:51 · 528 阅读 · 0 评论 -
YOLO v2 深入理解
概述新的YOLO版本论文全名叫“YOLO9000: Better, Faster, Stronger”,相较于YOLO主要有两个大方面的改进:第一,作者使用了一系列的方法对原来的YOLO多目标检测框架进行了改进,在保持原有速度的优势之下,精度上得以提升。第二,作者提出了一种目标分类与检测的联合训练方法,通过这种方法,YOLO9000可以同时在COCO和ImageNet数据集中进行训练,训练后的模型可以实现多达9000种物体的实时检测。我们根据论文中Better,Faster,Stronger三个方转载 2020-09-02 13:20:48 · 726 阅读 · 0 评论 -
卷积层,池化层,全连接层
卷积层是卷积神经网络的核心, 大多数计算都是在卷积层中进行的。1 卷积层1.1 概述首先介绍卷积神经网络的参数。这些参数是由一些可学习的滤波器集合构成的, 每个滤波器在空间上( 宽度和高度) 都比较小, 但是深度和输入数据的深度保持一致。 举例来说, 卷积神经网络的第一层卷积一个典型的滤波器的尺寸可以是5×5×3( 宽和高都是5) , 或者是3×3×3( 宽和高都是3) , 这里的宽度和高度可以任意定义, 但是深度必须是3, 因为深度要和输入一致, 而输入的图片是3通道的。 在前向传播的时.转载 2020-09-02 10:33:31 · 5881 阅读 · 1 评论 -
卷积神经网络详解 - 卷积层逻辑篇
卷积计算概述对于图像识别来说,卷积神经网络的效果要好于全连接神经网络。我在首次接触卷积时,隐约记得在大一高数课程中曾经提及,但具体已经无法名状。何谓卷积,知乎的这个回答,"如何通俗易懂地解释卷积",解释得很详细,摘出部分如下,以方便阅读。"从数学上看,卷积是一种运算。我们称(f*g)(n)为f,g的卷积,其连续的定义为其离散的定义为"我对于以上定义的理解为,存在两个函数f(x)和g(x), 其卷积运算(f * g)(n)是指,对f(x)g(y)这样的乘积进行求和(连续为积分,离散为.转载 2020-09-02 09:58:01 · 1577 阅读 · 0 评论 -
YOLO v1 深入理解
YOLO(You Only Look Once)是一种基于深度神经网络的对象识别和定位算法,其最大的特点是运行速度很快,可以用于实时系统。现在YOLO已经发展到v3版本,不过新版本也是在原有版本基础上不断改进演化的,所以本文先分析YOLO v1版本。关于 YOLOv2/YOLO9000 的分析理解请移步 YOLO v2 / YOLO 9000。对象识别和定位输入一张图片,要求输出其中所包含的对象,以及每个对象的位置(包含该对象的矩形框)。图1 对象识别和定位对象识别和定位,可以看成转载 2020-09-01 14:10:03 · 465 阅读 · 0 评论