目标检测
文章平均质量分 54
目标检测
kui9702
这个作者很懒,什么都没留下…
展开
-
使用docker训练yolov5
无原创 2023-01-11 23:59:13 · 1278 阅读 · 0 评论 -
libshm.so: undefined symbol: _ZTIN2at22RefcountedMapAllocatorE
解决办法我试了很多,比如,卸载anaconda 卸载pytorch 删除虚拟环境 下载minianaconda代替anaconda 都不行真实解决办法:卸载torch 然后用conda 命令安装torch比如注意:pip install torch 无效;conda 有效注意:pip install torch 无效;conda 有效注意:pip install torch 无效;conda 有效...原创 2022-03-13 19:21:17 · 2197 阅读 · 0 评论 -
Faster RCNN 网络搭建代码解析
Faster RCNN前几篇写了yolo系列的模型训练以及模型优化,加速,这篇是关于Faster RCNN。Faster RCNN所用的数据集是来自yolo v3,基本可以无缝使用。数据集参考:https://blog.csdn.net/kui9702/article/details/122954209本节代码 GitHub:https://github.com/kile97/faster-rcnn-pytorchFaster RCNN的网络结构主要分为3部分:backbone 骨干网络原创 2022-04-10 11:02:15 · 2428 阅读 · 0 评论 -
YOLO v5 python版本TensorRT推理
YOLO v5 TensorRT推理#include "iostream"#include "NvInfer.h"#include <fstream>#include <sstream>#include <assert.h>#include <vector>#include <numeric>#include "opencv2/opencv.hpp"#include <algorithm>#include <m原创 2022-05-10 21:09:14 · 1401 阅读 · 4 评论 -
Faster RCNN训练过程、训练结果展示
Faster RCNN目标检测有2种,一种是one stage目标检测,比如YOLO,SSD,Retina-Net;另外一种是two stage,比如RCNN家族,SPP net等。YOLO v3项目文章:https://blog.csdn.net/kui9702/article/details/122954209https://blog.csdn.net/kui9702/article/details/123140249https://blog.csdn.net/kui9702/article原创 2022-04-10 23:17:59 · 4415 阅读 · 0 评论 -
IoU计算
IoU计算什么是IoU(Intersection over Union),测量检测物体准确度的标准,用来衡量真实与预测之间的相关度IoU公式:IoU=AreaOfOverlap/AreaOfUnionIoU = Area Of Overlap / AreaOfUnionIoU=AreaOfOverlap/AreaOfUnionIoU=两个区域重叠的交集/两个区域重叠的并集IoU = 两个区域重叠的交集/两个区域重叠的并集IoU=两个区域重叠的交集/两个区域重叠的并集两个区域指的是原创 2022-02-26 15:50:19 · 1066 阅读 · 0 评论 -
YOLOv5 飞机与油桶目标检测
前期利用yolov3去做飞机和油桶的检测,之后做了Faster RCNN和SSD的同级比对,确实是Faster RCNN好一些,yolo v5也要出来比较一番。下面的是yolov4与yolo v3的区别(部分),最后用yolov5对飞机和油桶进行检测。yolo v4与yolo v3有很多trick改进,包括两种:bag of freebies和bag of specials。bag of freebies(赠品):指的是在增加模型性能,训练中会降低训练速度,但不影响推理耗时的技巧;bag of spe.原创 2022-04-25 22:44:33 · 1953 阅读 · 4 评论 -
SPP结构在yolo、FasterRCNN的使用
SPP的作用主要是扩大感受野,融合不同尺度特征图的信息,完成特征融合SPP主要结构:由不同的大小kernel_size的池化层组成池化层可以:提取更高阶的特征,加强图像特征的不变形,增加图像的鲁棒性对卷积提取出来的信息做更进一步的降维。算法实现:class SpatialPyramidPooling(nn.Module): ''' 特征金字塔池化模块 特点:将通过kernel_size分别为5,9,13的池化层的4种特征拼接起来,获取同张图片多个空.原创 2022-04-25 21:15:37 · 1752 阅读 · 0 评论 -
SSD_Resnet 飞机与油桶数据集实战
SSDSSD是one-stage目标检测方法,和yolo一样。可以同时进行目标检测和分类,速度很快。SSD主要流程:选取合适的模型结构,挑选其中合适的特征层或者所有特征层作为backbone,再之后加上额外的卷积网络,组成SSD网络选取其中的6层卷积层输出,对卷积层输出做2个操作。坐标信息卷积处理:num_anchors x 4分类信息卷积处理:num_anchors x num_classes预测结果解码具体代码可以参考CSDN@Bubbliiiing的代码,本次实现原创 2022-04-19 21:58:18 · 1452 阅读 · 1 评论 -
tensorrt_python_api 加速推理
TensorRT前言 TensorRT是nvidia官方开源的加速推理框架,适用于流行的深度学习框架:pytorch、tensorflow、Caffe等。TensorRT(下面简称trt)需要与nvidia提供的显卡一起使用,没有nvidia的cuda无法使用。 提高部署推理的方法有2种,一种是训练过程中需要进行优化加速的,比如模型压缩、模型剪枝、量化、知识蒸馏,另外一种是训练完成后通过优化计算图结构,比如torch script、tf lite、trt、onnx等。本章根据上一章的内容原创 2022-03-18 00:11:18 · 1894 阅读 · 6 评论 -
yolo_darknet53代码解析
yolo_darknet53解析参考链接:https://github.com/qqwweee/keras-yolo3yolo作为one-stage检测算法,即一次性目标检测算法。yolo经历过5次迭代,其中v1-v3是原作者Joseph Redmon更新优化,之后的版本是由其他作者更新。其中yolov1论文地址:https://arxiv.org/pdf/1506.02640.pdfdarknet53 的解析参考 https://www.cnblogs.com/chenhuabin/p/原创 2022-02-25 20:11:11 · 1126 阅读 · 0 评论 -
kmeans 源码解析
主要步骤:初始化聚类中心点个数,即k获得所有标注文件中标注框宽度与长度,长与宽一一对应,并保存起来对保存的所有框的长与宽做kmeans聚类,获得聚类的k个结果,每个结果为一对坐标,分别表示这9个聚类的中心初始化聚类中心点个数,即k获得所有标注文件中标注框宽度与长度,长与宽一一对应,并保存起来原文链接:https://github.com/qqwweee/keras-yolo3 kmeans.py# 初始化Kmeas,cluster.原创 2022-02-24 17:10:59 · 1059 阅读 · 0 评论 -
yolov3实战 超简单上手 飞机与油桶数据集之tflite预测
Tensorflow LiteTensorflow Lite(tf lite) 针对移动设备(安卓、ios)和嵌入式设备的轻量化解决方案,占用空间小,低延迟。tf lite在android8.1以上的设备上可以通过ANNA启用硬件加速。tf lite 主要流程:加载、转换模型在前几篇 我用yolo v3 训练了一个keras模型,本次操作用这个keras模型。注意:之前的操作是只保存了权重,但是在使用tf lite转化模型,被转换的模型需要有完整的模型结构和权重参数。import te原创 2022-03-20 20:30:45 · 5440 阅读 · 2 评论 -
yolov3实战 超简单上手 飞机与油桶数据集
数据集链接:https://url25.ctfile.com/f/34628125-542711816-13fa54(访问密码:3005)yolov3 使用的链接:https://github.com/qqwweee/keras-yolo3数据集:数据集包含2类:一类是飞机图(aircraft);另外一类是油桶图(oiltank)。这些数据集来自CSDN@AI浩。1.查看数据集:每张数据集都包含一张图片以及对应的json标注文件,如下图:2.解析标注文件:其中需要从json文件获得所有被.原创 2022-02-15 23:24:33 · 1662 阅读 · 2 评论 -
yolov3实战 超简单上手 飞机与油桶数据集之替换bottlenet 为Mobilenetv2,顺便补充相关loss func
mobilenet v2 keras实现from keras import backend, Input, Modelfrom keras.layers import Conv2D, BatchNormalization, Activation, ZeroPadding2D, DepthwiseConv2D, Add# relu6 relu6与relu的区别是relu6在relu的基础上增加了最大值抑制 即经过激活函数函数relu,最大值为6def relu6(x): return b.原创 2022-03-23 21:16:02 · 1770 阅读 · 0 评论