![](https://img-blog.csdnimg.cn/20201208155953947.jpg?x-oss-process=image/resize,m_fixed,h_224,w_224)
视觉模型推理
文章平均质量分 94
计算机视觉模型
SensorFusion
专注于多传感器算法开发,Camera,Lidar,Radar。
展开
-
TOF,双目,结构光,激光雷达等传感器及相关技术
单目 双目原创 2022-10-12 11:06:22 · 3599 阅读 · 0 评论 -
机器学习、深度学习理论基础,数据推导
1:Deep 概述什么是深度学习:表达学习、可扩展的机器学习、生物神经网络的近似/粗略实现、人类的监督越来越少、多阶段的特征学习过程、相较于传统模式识别激活函数分类image合理的稀疏比例:70~80%,屏蔽特征过多容易出现欠拟合。2. 正则化在深度神经网络训练时的作用正则化可以很好的解决模型过拟合的问题,常见的正则化方式有L2正则化和dropout,但是正则化是以牺牲模型的拟合能力来达到平衡的,因此在对训练集的拟合中有所损失。L1正则化和L2正则化L1正则化可以产生稀疏值矩阵,即产原创 2022-03-22 13:53:32 · 273 阅读 · 1 评论 -
C++实现推理, 基于android、ncnn、nano、nx、Xilinx等嵌入式平台
**Cuda基础深度学习模型推理,为啥需要学习tensorRT, 因为需要加速, 需要C++部署,为啥又需要学习cuda编程呢, 因为有些前处理, 后处理需要cuda编程来并行运算进行加速, 比如anchor的解码. nms等后处理1: CUDA编程之基本步骤操作概括来说包含5个步骤:1.CPU在GPU上分配内存:cudaMalloc;2.CPU把数据发送到GPU:cudaMemcpy,cudaMemcpyAsync;3.CPU在GPU上启动内核(kernel),它是自己写原创 2021-02-20 14:07:45 · 2478 阅读 · 2 评论 -
视觉模型对比BaseNet、Hourglass、LaneNet、SCNN、SAD、Ultra-Fast-lane、PINet、RefineNet、RefineDet、NanoDet
YOLOV3 YOLOV4 CenterNet笔记本 thikpad 960max() X1 1650ti台式机 1050ti1:YOLOV3和YOLOV4对比:onnx的输入size trt的输入size必须一样thindpad GTX 940maxint8 yolov4 31ms yolov3 20msfp16 yolov4 52ms yolov3 47msfp32 yolov4 53ms yolov3 20ms1650ti (fp32)原创 2021-02-02 10:43:52 · 2913 阅读 · 3 评论 -
视觉检测模型对比RetinaNet-YOLO-CenterNet-FCOS-DCN-稀疏化剪枝-DIOU、CIOU、LOSS
YOLOV3 YOLOV4 CenterNet笔记本 thikpad 960max() X1台式机YOLOV3和YOLOV4对比:onnx的输入size trt的输入size必须一样thindpad GTX 940maxint8 yolov4 31ms yolov3 20msfp16 yolov4 52ms yolov3 47msfp32 yolov4 53ms yolov3 20msYOLOV4和 CenterNet对比:centerNet网原创 2020-12-15 16:14:03 · 6144 阅读 · 2 评论 -
C++实现推理, 基于Tensorflow,OpenCV,NCNN,OpenVINO平台
**环境安装深度学习模型推理,为啥需要学习tensorflow, 因为 需要C++部署,为啥又需要学习opencv的深度学习推理, 因为超级简单;1: Tensorflow C++环境配置源码编译版本相关文件下载参考进行核对:相关环境配置的文件, 可用提取下载好如下参考:protobuf-all-3.7.0eigen3.3tensorflow1.14.1bazel-0.24.1-installer-linux-x86_64.shcuda-repo-ubuntu1604原创 2020-12-04 11:57:46 · 2607 阅读 · 2 评论 -
C++实现推理, 基于Onnx-simplifier、onnx-tensorrt、TensorRT和Cuda编程
在启动kernel的时候,要通过指定gridsize和blocksize才行,举下面的例子说说: dim3 gridsize(2,2); dim3 blocksize(4,4); gridsize相当于是一个2*2的block,gridDim.x,gridDim.y,gridDim.z相当于这个dim3的x,y,z方向的维度,这里是2*2*1。序号从0到3,且是从上到下的顺序,就是说是下面的情况: grid中的blockidx序号标注情况为:原创 2020-12-01 10:18:39 · 3779 阅读 · 3 评论