haoji007的博客

目录0. CVAT链接1. 标注图(以旋转框为例)导出可视化效果2. docker-容器安装cvat3. cvat标注教程3.1 支持的类型3.2 标注流程4. 类似paddle-OCR文本检测-文本识别 标注流程0. CVAT链接cvat：https://github.com/openvinotoolkit/cvat1. 标...

让我们一起攻破世界上最流行的WordPress的验证码插件每个人都讨厌验证码——在你被允许访问一个网站之前，你总被要求输入那些烦人的图像中所包含的文本。验证码被设计成，以验证你是一个真正的人的方式，来防止电脑自动填写表单。但是随着深度学习和计算机视觉的兴起，它们现在往往很容易被攻破。我在读Adrian Rosebrock的优秀的著作《Python计算机视觉深度学习》。在书中，Adrian简单地描述了他如何用机器学习绕过E-ZPass New York网站的验证码：Adrian没有访...

Win10+caffe+CUDA9.1+vs2013+Matlab2018b+GPU环境，跑通faster_rcnn-master一.软件安装因为我用的Matlab2018b是目前最新版本的Matlab，所以在网上能找到的配置环境参考案例很少，几乎没有对应的。所以就自己沉下心来参考以前的版本来自己配置环境。首先我装的是CUDA9.1，主要是因为Matlab2018b所需的版本至少是（...

一、安装cv2sudo apt-get install python-opencv opencv-data二、Haar特征分类器Haar特征分类器就是一个XML文件，该文件中会描述人体各个部位的Haar特征值。包括人脸、眼睛、嘴唇等等。Haar特征分类器存放目录：OpenCV安装目录中的data/haarcascades目录下，通过apt安装的Haar特征分类器如下：$ ...

文章目录文件结构 执行步骤 效果优化 总结： 切图层面： extract层面： select 层面： 原始数据优化： 执行过程优化： convert : 其他优化idea 辅助知识 实验记录 环境配置 环境配置——数据： 环境配置——第三方库 环境配置——操作工具 环境配置——硬件 环境配置——其他 bug解除 关键信息...

为了完成毕业设计，还需要继续学习Caffe，并能够成功地训练自己的实验数据，这里整理Caffe整个训练过程。 使用Caffe训练卷积神经网络主要包括以下几个步骤：（1）预处理图像，一般是指将图像转化为具有同样大小的像素；（2）根据设计好的网络结构配置相应的网络结构文件和训练参数文件；（3）训练模型并测试结果；（4）可视化结果（如果需要）。1.准备数据对于图像分类而言，去Imag

转载自：http://www.cnblogs.com/denny402/p/5076285.htmlcaffe的运行提供三种接口：c++接口（命令行）、python接口和matlab接口。本文先对命令行进行解析，后续会依次介绍其它两个接口。caffe的c++主程序（caffe.cpp)放在根目录下的tools文件夹内, 当然还有一些其它的功能文件，如：convert_imagese

转载自：http://www.csdn.net/article/2015-01-22/2823663摘要：Caffe是一个清晰而高效的深度学习框架，本文详细介绍了caffe的优势、架构，网络定义、各层定义，Caffe的安装与配置，解读了Caffe实现的图像分类模型AlexNet，并演示了CIFAR-10在caffe上进行训练与学习。Caffe是一个清晰而高效

一般来说，跑一个数据集需要以下步骤：1 把数据集转换成leveldb格式。例子caffe神经网络框架的辅助工具（将图片转换为leveldb格式）教程中的get_mnist.sh 是得到2个mnist data文件，一个用于训练，一个用于测试，而后create_mnist.sh是利用caffe-master/build/examples/mnist/的convert_mnist_data.b

[html] view plain copy ../../build/tools/extract_features.bin cifar10_quick_iter_16000 cifar100_quick_train.prototxt ip1 yjyfeature 500 CPU 0  1，修改convert_cifar_data的文件的内容，

在 cifar100目录下  //提取conv3的特征[html] view plain copy ../../build/tools/extract_features.bin cifar10_quick_iter_16000 cifar100_quick_train.prototxt ip1 yjyfeature 500 CPU 0

cifar10是个中小型的图片数据库，总共60000张32*32大小的图片，5w张用于训练，1w张用于测试。caffe上cifar10的训练流程。cifar10_quick_train_test.prototxt[html] view plain copy name: "CIFAR10_quick"  layer {

1、安装pydot[cpp] view plain copy $ sudo apt-get install python-pydot  2、安装graphviz[cpp] view plain copy $ sudo apt-get install graphviz  3、生成[cpp] vie

导言在有监督的机器学习中，需要有标签数据，与此同时，也需要有对应的损失函数（Loss Function）。在Caffe中，目前已经实现了一些损失函数，包括最常见的L2损失函数，对比损失函数，信息增益损失函数等等。在这里做一个笔记，归纳总结Caffe中用到的不同的损失函数，以及分析它们各自适合的使用场景。欧式距离损失函数（Euclidean Loss）输入：预测的值： y ^ ∈

正常的CNN，其输入是图像，其输出是一个label整数，其正是用Caffe的底层数据Datum（Image，LMDB，LevelDB的基础）来表示message Datum { optional int32 channels = 1; optional int32 height = 2; optional int32 width = 3; // the actual image

功能： 计算训练数据库的平均图像。 因为平均归一化训练图像会对结果有提升，所以Caffe里面，提供了一个可选项。使用方法： compute_image_mean [FLAGS] INPUT_DB [OUTPUT_FILE]\n”) 参数：INPUT_DB： 数据库 参数（可选）：OUTPUT_FILE： 输出文件名,不提供的话，不保存平均图像blob实现方法：数据源

功能： 将图像数据，转化为KV数据库（LevelDB或者LMDB） 需要提供文件列表（包含对应的标签） 使用方法： convert_imageset [FLAGS] ROOTFOLDER/ LISTFILE DB_NAME 其中 参数：ROOTFOLDER 表示输入的文件夹 参数：LISTFILE 表示输入文件列表，其每一行为：类似 subfolder1/file1.J

主要功能：Blob 是Caffe作为数据传输的媒介，无论是网络权重参数，还是输入数据，都是转化为Blob数据结构来存储，网络，求解器等都是直接与此结构打交道的。其直观的可以把它看成一个有4纬的结构体（包含数据和梯度），而实际上，它们只是一维的指针而已，其4维结构通过shape属性得以计算出来（根据C语言的数据顺序）。其成员变量有： protected: shared_ptr d

12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970717273747576777879808182838485868788899091929394959697989910010110210

要运行caffe，需要先创建一个模型（model)，如比较常用的Lenet,Alex等， 而一个模型由多个屋（layer）构成，每一屋又由许多参数组成。所有的参数都定义在caffe.proto这个文件中。要熟练使用caffe，最重要的就是学会配置文件（prototxt）的编写。层有很多种类型，比如Data,Convolution,Pooling等，层之间的数据流动是以Blobs的方式进行。

本文只讲解视觉层（Vision Layers)的参数，视觉层包括Convolution, Pooling, Local Response Normalization (LRN), im2col等层。1、Convolution层：就是卷积层，是卷积神经网络（CNN）的核心层。层类型：Convolution　　lr_mult: 学习率的系数，最终的学习率是这个数乘以solver.pro

在激活层中，对输入数据进行激活操作（实际上就是一种函数变换），是逐元素进行运算的。从bottom得到一个blob数据输入，运算后，从top输入一个blob数据。在运算过程中，没有改变数据的大小，即输入和输出的数据大小是相等的。输入：n*c*h*w输出：n*c*h*w常用的激活函数有sigmoid, tanh,relu等，下面分别介绍。1、Sigmoid对每个输入数据，利用sig

本文讲解一些其它的常用层，包括：softmax_loss层，Inner Product层，accuracy层，reshape层和dropout层及其它们的参数配置。1、softmax-losssoftmax-loss层和softmax层计算大致是相同的。softmax是一个分类器，计算的是类别的概率（Likelihood），是Logistic Regression 的一种推广。Logist

深度网络(net)是一个组合模型，它由许多相互连接的层（layers)组合而成。Caffe就是组建深度网络的这样一种工具，它按照一定的策略，一层一层的搭建出自己的模型。它将所有的信息数据定义为blobs，从而进行便利的操作和通讯。Blob是caffe框架中一种标准的数组，一种统一的内存接口，它详细描述了信息是如何存储的，以及如何在层之间通讯的。1、blobBlobs封装了运行时的数据信息，

solver算是caffe的核心的核心，它协调着整个模型的运作。caffe程序运行必带的一个参数就是solver配置文件。运行代码一般为# caffe train --solver=*_slover.prototxt在Deep Learning中，往往loss function是非凸的，没有解析解，我们需要通过优化方法来求解。solver的主要作用就是交替调用前向（forward)

上文提到，到目前为止，caffe总共提供了六种优化方法：Stochastic Gradient Descent (type: "SGD"),AdaDelta (type: "AdaDelta"),Adaptive Gradient (type: "AdaGrad"),Adam (type: "Adam"),Nesterov’s Accelerated Gradient (type: "Ne

caffe的运行提供三种接口：c++接口（命令行）、Python接口和matlab接口。本文先对命令行进行解析，后续会依次介绍其它两个接口。caffe的c++主程序（caffe.cpp)放在根目录下的tools文件夹内, 当然还有一些其它的功能文件，如：convert_imageset.cpp, train_net.cpp, test_net.cpp等也放在这个文件夹内。经过编译后，这些文件都

在深度学习的实际应用中，我们经常用到的原始数据是图片文件，如jpg,jpeg,png,tif等格式的，而且有可能图片的大小还不一致。而在caffe中经常使用的数据类型是lmdb或leveldb，因此就产生了这样的一个问题：如何从原始图片文件转换成caffe中能够运行的db（leveldb/lmdb)文件？前面文章有学习过着个数据由来和使用。在caffe中，作者为我们提供了这样一个文件：conv

版权声明：本文为博主原创文章，未经博主允许不得转载。1、安装pydot[cpp] view plain copy $ sudo apt-get install python-pydot  2、安装graphviz[cpp] view plain copy $ sudo apt-get install gra

在自己配置训练网络时的solver文件中这个参数选择有好多种策略。接下来看看caffe.proto文件的这个参数：[cpp] view plain copy // The learning rate decay policy. The currently implemented learning rate  // policies are as follows:

原文地址：http://blog.csdn.net/surgewong/article/details/39316931Selective Search for Object Recoginitionsurgewong@gmail.comhttp://blog.csdn.net/surgewong      在前一

原文地址：http://blog.csdn.NET/liyaohhh/article/details/50824226          Rich feature hierarchies for accurate object                                 detection and semantic segmentation、

原文地址：http://blog.csdn.NET/u011534057/article/details/51219959CNN网络需要固定尺寸的图像输入，SPPNet将任意大小的图像池化生成固定长度的图像表示，提升R-CNN检测的速度24-102倍。固定图像尺寸输入的问题，截取的区域未涵盖整个目标或者缩放带来图像的扭曲。事实上，CNN的卷积层不需要固定尺寸的图像，全连

【原文：http://zhangliliang.com/2015/05/17/paper-note-fast-rcnn/】论文出处见：http://arxiv.org/abs/1504.08083项目见：https://github.com/rbgirshick/fast-rcnnR-CNN的进化版，0.3s一张图片，VOC07有70的mAP，可谓又快又强。而且rb

原文地址：http://blog.csdn.NET/cv_family_z/article/details/46864473摘要：SPPNet和Fast R-CNN降低了网络学习特征的时间，SS由于需耗时1~2s，EdgeBoxes 耗时约0.2s，提取proposal的方法成为检测的瓶颈。本文提出了Region Proposal Networks(RPNs)实现实时提取proposa

版权声明：本文为博主原创文章，未经博主允许不得转载。经过前面“caffe的protocol buffer使用例子”的学习，对caffe.proto熟悉了。看caffe源码先从这里开始吧。它位于…\src\caffe\proto目录下，在这个文件夹下还有一个.pb.cc和一个.pb.h文件，这两个文件都是由caffe.proto编译而来的。 在caffe.proto中定义了很

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(?)[+]上一篇学习了google的数据描述语言，然后在caffe配置好的基础上进行一个简单的编码例子测试。可能大家开始不太好找protobuf的编译器默认的安装位置，我直接使用/usr/bin/protoc命令进行操作。开始建一个proto文件文件名一般按照packageName.MessageName

caffe该不该看底层的代码，看个人兴趣，个人觉得是一个设计的非常好的平台，值得学习学习。不知道从哪方面开始学习，caffe用到的知识太多了，对于我这样的新手基本一个配置就搞得头疼啊，接触了这么久caffe，打算开始学习一下caffe的源码了。那就先从数据格式开始学习喽。找了很久资料，终于找到一个比官网容易学习的博文。按照博文介绍一步步理解了。=======================

常说天作孽犹可违，人作孽不可活啊，那为了毕设，我就是作死啊。没办法自己从三月份辞掉实习开始断断续续学习深度学习，才明白入坑虽浅，基情不断啊。为了能够完成毕设，便选了Caffe，也到处都是坑啊。没办法，为了祭奠我那糟糕透顶的记忆脑细胞，用我这糟糕的文笔稍微记录一下吧。首先想吐槽一下，我的电脑没有Nvidia，没有Nvidia，没有Nvidia，重要的事情说三篇。在这上面就耽误了好几天。

在成功编译caffe的源码之后，可以在python环境中使用caffe。在Ubuntu环境下，打开python解释程序，输入import caffe时，可能会出现     ImportError: No module named caffe>>>import caffe Traceback (most recent call last): File "", line 1