AI Boxs
AI实践总结相关内容,内容较分散,主要是备忘
古风子
lalala
展开
-
Opencv 图像等比例缩放
在神经网络训练过程中,会使用到大量的数据预处理操作。而缩放操作就是这里面最基础。例如Certernet中的缩放就是使用了等比例缩放,周围填充0的操作。我们来分析下实现原理和实际效果如上图所示,是将[600,543的图片]等比例缩放为[352,352],边界填充黑色。这样做的好处,是图片不会有变形压缩,使得训练的时候网络输入的图片,更解决与现实中的图像。实际场景中,图片的变形压缩并不影响图像的检查效果,理解这种压缩方式的目的主要是为了在设备端实现推理时,与训练时保持预处理的移植,提高检出率。warp原创 2020-12-02 21:28:26 · 5033 阅读 · 3 评论 -
模型评价流程2
针对开源工程mAp实现,根据实际项目操作便利性,对该工程进行了改进,已使用实际项目中的物体检测场景。改进后测试步骤如下:准备模型这里假设你已经有了对应的测试模型准备测试集测试集格式为VOC标注格式val├── Annotations├── JPEGImages目录中含有1697张测试集,标注了hand_phone和hand_other两个分类测试测试集使用你训练好的模型,检测你的测试集,检测后,在val目录下生成detector_out.txt文件,文件内容格式为dectect o原创 2020-11-17 22:06:22 · 194 阅读 · 2 评论 -
模型性能评价标准
对于一个检测器,我们需要制定一定的规则来评价其好坏,用来对比模型之间的差异,进而选择更有的检测器。对于物体监测任务而言,常常使用IOU(Interp of Union),也就是交并比来量化物体的预测框和真实框之间的差异。IOU的值经常设置在IOU = [0.5,0.75]之间。当预测框与真是框的交并比大于设置的值的时候,我们认为该检测出的目标是正确的。对于上图中的,人体检测模型,由于图像中存在背景与物体人两种标签,预测框也分为正确与错误,因此在评测时会产生以下4种样本TP(True Positive原创 2020-11-16 21:38:33 · 1373 阅读 · 0 评论 -
epochs对训练结果的影响
batch size设置方法darkent中batch和最大迭代次数设置方法#yolov3.cfg# Trainingbatch=128subdivisions=16max_batches = 500200batch = 128 表示没batch个样本更新一次参数 如果显存不够大,可以将batch进行划分成subdivisions份;网络会进行subdivisions前馈过程后,再进行一次后馈过程参数更新因此,每次iteration能够处理的图片个数为:batch/subdivisio原创 2020-09-09 16:50:03 · 8865 阅读 · 1 评论