自定义博客皮肤VIP专享

*博客头图：

点击选择上传的图片

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

点击选择上传的图片

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

点击选择上传的图片

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览取消提交

自定义博客皮肤

-+

上一步保存

m0_53414416的博客

原创 Faster R-CNN模型与DETR模型的比较——基于目标检测问题的研究

本文主要对两个模型进行比较，总结其相同点和不同点。

2024-02-03 17:05:45 1416 1

原创基于注意力机制的目标检测模型（DETR模型）原理及代码实现

DETR（Detection Transformer）是一种端到端的目标检测模型，由Facebook AI Research（FAIR）于2020年提出。DETR采用了Transformer架构，与传统的基于区域的目标检测方法有所不同，它通过全局上下文来预测图像中的目标，而无需使用先前的候选框或区域建议网络。2 DETR模型结构本文基于 Pytorch框架构建了在VOC数据集上检测的 DETR模型（DEtection TRansformers）。

2024-01-12 21:23:00 5397 16

原创迁移学习原理：预训练权重、冻结训练、断点训练

迁移学习在计算机视觉领域中是一种很流行的方法，因为它可以建立精确的模型，耗时更短。利用迁移学习，不是从零开始学习，而是从之前解决各种问题时学到的模式开始。这样，我们就可以利用以前的学习成果，避免从零开始。

2024-01-12 20:38:29 659

原创 Faster RCNN目标检测模型原理及代码

本项目两个模型均采用的是VOC数据集。它是一个广泛用于计算机视觉任务的图像数据集，其全称为PASCAL Visual Object Classes。该数据集最初由牛津大学的计算机视觉研究组（Visual Geometry Group）创建，并于2005年首次发布。VOC数据集的目标是提供用于对象识别和检测的标准测试基准，以推动计算机视觉研究和算法的发展。该数据集包含20个常见的物体类别，包括人、车辆、动物和家居物品等。

2024-01-12 19:48:37 2436 2

Python小屋刷题软件客户端3.0.exe

Python小屋刷题软件客户端3.0.exe

2021-12-09

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

神明树树子 CSDN认证博客专家 CSDN认证企业博客

码龄4年

IP 属地：广东省

IP属地以运营商信息为准，境内显示到省（区、市），境外显示到国家（地区）

4: 原创

129万+: 周排名

15万+: 总排名

9919: 访问

: 等级

193: 积分

208: 粉丝

140: 获赞

19: 评论

219: 收藏

私信

关注

热门文章

最新评论

Faster RCNN目标检测模型原理及代码
m0_71121294: 模型训练之后的部分有没有再详细一点的呀
基于注意力机制的目标检测模型（DETR模型）原理及代码实现
2301_77791885: detr系列帮改进
基于注意力机制的目标检测模型（DETR模型）原理及代码实现
m0_73523263: 我的意思是怎么获取loss值，我训练了500轮，模型跑完只有最后几轮的loss值，还是说在loss值在保存的log.txt里面？
基于注意力机制的目标检测模型（DETR模型）原理及代码实现
神明树树子: MAP示例代码可以参考如下：[code=python] import matplotlib.pyplot as plt # 不同阈值下的准确率 precision = [0.8, 0.7, 0.65, 0.6, 0.55] # 不同阈值下的召回率 recall = [0.6, 0.55, 0.5, 0.45, 0.4] thresholds = [0.1, 0.2, 0.3, 0.4, 0.5] plt.plot(thresholds, precision, 'bo-', label='Precision') plt.plot(thresholds, recall, 'r+-', label='Recall') plt.title('Precision and Recall at different thresholds') plt.xlabel('Thresholds') plt.ylabel('Value') plt.legend() plt.show() [/code]
基于注意力机制的目标检测模型（DETR模型）原理及代码实现
神明树树子: LOSS图简单示例代码可以参考一下：[code=python] import matplotlib.pyplot as plt # 训练损失 train_loss = [0.5, 0.4, 0.3, 0.2, 0.1] # 验证损失 val_loss = [0.6, 0.5, 0.4, 0.3, 0.25] epochs = range(1, len(train_loss) + 1) plt.plot(epochs, train_loss, 'bo', label='Training loss') plt.plot(epochs, val_loss, 'r', label='Validation loss') plt.title('Training and validation loss') plt.xlabel('Epochs') plt.ylabel('Loss') plt.legend() plt.show() [/code]

最新文章

提示

确定要删除当前文章？

取消删除