nn1997729的博客

原创 vscode

"C_Cpp.formatting": "clangFormat", "C_Cpp.intelliSenseEngineFallback": "Enabled", "clangd.detectExtensionConflicts": false, "editor.formatOnType": true, "editor.semanticTokenColorCustomizations": { "enabled": true, // enable for al.

原创 关于多卡推理的猜想

1.分组卷积 设计动机：GPU显存不足，需要双卡同时训练及推断 原理：将卷积核分为两组，分别在两张GPU上进行处理，最后再使用全连接层对两组卷积得到的特征进行整合（混洗） 优点：双卡分担计算量，且总计算量减少一半。 缺点：无法方便地使用预训练模型，且由于两组特征之间的信息没有交互，效果会变差。过量分组会增加MAC。 shufflenet增加了通道混洗结构，增强特征通信，但如果在多卡上分别进行组卷积，则对显卡之间的通信速度要求较高。 2.深度可分离卷积 一种极致分组的分组卷积，混洗方式为1*1卷积。

原创 YOLO v1,v2,v3总结

YOLOv1 相比于两步法，yolo v1用网络直接回归出目标框和框置信度得分并对类别进行分类，没有提取建议区域的步骤，比两步法更快（可以将yolo v1看作是faster rcnn中的RPN网络的高精度版）。 从另一种角度理解，yolov1将图像分为了77共49个grid，输出的张量为77*30，分别对应每个grid，这其实就是粗暴地将划分出地grid作为建议区，然后执行两部法的第二部对其进行回归和分类。 上图为对应某grid cell的输出张量，对应输出内容，损失函数分为框置信度损失、框定位损失和分

原创 2021-06-28

git diff #查看与上一个提交版本的改动内容 git status #查看与上个版本有差异的文件路径 git log #查看commit提交的更改信息 git add 文件 #跟踪指定文件 git commit -m “备注” #提交文件到本地仓库 git commit -am “备注” #提交所有文件到本地仓库，无需git add git commit --amend #修改本次提交信息，不会增加git log中的提交版本 ...

原创 CUDA基本优化方法

一、基于线程的优化方法 1.选取合适的gridDim和blockDim blockDim最好为32的整数倍：因为执行指令的基本单位为线程束，线程束内的所有线程统一执行广播下来的命令，而线程束的线程数量基本为32。当block被分到SM中去，其会被划分为多个线程束，若blockDim!=线程束内线程数整数倍，则会造成线程的浪费。 2.减少存在分支的if 因为线程束中的所有线程执行同一条的指令，若出现存在出现分支的if，即线程束内的部分线程符合if条件，部分符合else条件，因cuda编译不具备分支预测能力，则

原创 pcl框选点云

配合X键完成选取 #include <pcl/io/pcd_io.h> #include <pcl/point_cloud.h> #include <pcl/point_types.h> #include <pcl/visualization/pcl_visualizer.h> #include <iostream> #include <vector> pcl::PointCloud<pcl::PointXYZ>::Ptr

原创 PCL

环境配置 "args":[ "-g", "${workspaceFolder}/${fileBasename}", // include path指令 "-I", "/usr/local/include/pcl-1.8", "-I", "/usr/include/eigen3", "-I", "/usr/include/vtk-5.10", "-I", "/usr

原创 CUDA installing

sudo ubuntu-drivers autoinstall sudo sh xxxxxx.run sudo gedit ~/.bashrc export PATH=$PATH:/usr/local/cuda/bin

原创 cv2

图片裁剪 img=img[10:650,300:600] # 第一个范围表示高度 第二个范围表示宽度 画框 cv2.rectangle(img, (x, y), (x+width, y+height), (0, 0, 255), 2)#(宽，高)左上角点和右下角点 查看图像尺寸 [height,width,channles]=img.shape ...

原创 python

os.path.splitext 去除扩展名 path1='asd/fgh/image.jpg' print(os.path.splitext(path1)) #输出'asd/fgh/image' os.path.basename 返回文件名 path1='asd/fgh/image.jpg' print(os.path.basename(path1)) #输出'image.jpg'

原创 leetcode

栈和队列 stack<int> st; st.push(x); st.pop(); cout<<st.top()<<endl; //注意在确认栈不为空的情况下才可以查看top cout<<st.size()<<endl; if(!st.empty()) queue<int> que; cout<<que.front()<<que.back()<<endl; string //栈赋值给string

原创 面试问题

1.sigmod和softmax的区别： 二者都是典型的激活函数，sigmod 函数常用于二分类，softmax 函数常用于多分类。两者都起到了压缩的作用（将输出压缩到0-1）。 2.sigmod和relu的优劣： Relu优点：（1）relu函数在大于0的部分梯度为常数，所以不会产生梯度弥散现象.。而对于sigmod函数，在正负饱和区的梯度都接近于0，可能会导致梯度消失现象。（2）Relu函数的导数计算更快，所以使用梯度下降时比Sigmod收敛起来要快很多。 Relu缺点：Relu死亡问题。当 x 是小于

原创 mmdet修改图像深度

Lib/mmdetection/mmdet/datasets/pipelines/loading.py anaconda3/lib/python3.8/site-packages/mmcv/image/io.py anaconda3/lib/python3.8/site-packages/mmcv/image/photometric.py Lib/mmdetection/mmdet/datasets/pipelines/transforms.py anaconda3/lib/python3.8/site-p

原创 opencv-python

查看图像尺寸 width=out_img.shape[1] hight=out_img.shape[0] 图像拼接 #竖直方向上拼接 img3 = np.vstack([img1, img2]) #水平方向上拼接 img3 = np.hstack([img1, img2]) #深度拼接 img3 = np.concatenate((img1, img2), axis=2) 图像裁剪 img[100:200,100:300] #100：200的意思是高截取100到200像素点的距离 #100：300的意思

原创 docker比赛提交常用命令

登录账户 export DOCKER_REGISTRY=registry.cn-hangzhou.aliyuncs.com/cqy_test docker login $DOCKER_REGISTRY --username=西交陈清源 创建自己的镜像 拉取基础镜像 docker pull registry.cn-shanghai.aliyuncs.com/tcc-public/python:3 #基础镜像地址 #https://tianchi.aliyun.com/forum/postDetail?spm

原创 比赛2

“完了完了”队算法说明及运行流程 1. 算法说明 框架选择： 深度学习框架使用pytorch，目标检测框架使用mmdetection。 模型选择： 模型选用two-stage的检测模型cascade-rcnn。 训练集生成： 将原训练集通过划窗裁剪的方式裁剪并保留包含瑕疵的划窗块，其划窗大小为1024*1024，步长为512，共可生成四万多张图片。 测试集生成： 由于cascade-rcnn模型可对多种尺度的输入图像进行处理，所以直接采用原测试集图片作为测试集。 Tricks： （1）减小anchor尺寸以

原创 mmdetetcion训练COCO格式的检测数据集

修改参数 以backbone为resnet的cascade rcnn为例，打开config/cascade文件夹下的cascade_rcnn_r50_fpn_20e_coco.py，第一行如下 _base_ = './cascade_rcnn_r50_fpn_1x_coco.py' 打开cascade_rcnn_r50_fpn_1x_coco.py _base_ = [ '../_base_/models/cascade_rcnn_r50_fpn.py', '../_base_/datas

原创 tmux

tmux new -s cqy0112 tmux a ctrl +b d关闭

原创 OpenCV图像编码和解码 imencode和imdecode

#include <iostream> #include "opencv2/opencv.hpp" #include "opencv2/imgcodecs/legacy/constants_c.h" #include "opencv2/imgproc/types_c.h" using namespace std; using namespace cv; int main() { cv::Mat img_encode; img_encode = imread("/home/cqy

原创 darknet make时出现nvcc: not found

darknet make时出现nvcc: not found是因为找不到cuda路径，需要打开makefile，将NVCC=nvcc修改为：NVCC=/usr/local/cuda-xx.x/bin/nvcc，即可解决问题

原创 jetson tensorrt codeblocks配置

原创 TensorRT C++ 序列化serialize / 反序列化deserialize

序列化Engine // serialize the engine, then close everything down const std::string engine_file{ "tensorrt_mnist.trt" }; nvinfer1::IHostMemory* gieModelStream = mEngine->serialize(); // GIE model fprintf(stdout, "allocate memory size: %d bytes\n", gieModelS

原创 Tensor RT C++ 使用流程

Tensor RT C++ 使用总体流程 提供包含权重和网络结构的文件，如.onnx，相当于构建生产流水线所需的参数图纸 Creating a TensorRT network definition from your model 盖一个工厂（builder），放置生产流水线（engine）用来生产，流水线是加速网络，原料是输入，生产出结果 Invoking the TensorRT builder to create an optimized runtime engine from the networ

原创 darknet——yolov3 cfg文件参数解读

原创 Tensor RT官方安装手册

https://docs.nvidia.com/deeplearning/tensorrt/install-guide/index.html#installing-zip Tensor RT官方安装手册

原创 anaconda环境配置

source activate pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python pip install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-contrib-python https://pytorch.org/get-started/locally/

原创 ubuntu 安装cuda时/tmp空间不足

更改临时文件存放位置 sudo sh cuda_11.0.3_450.51.06_linux.run --tmpdir=/home/cqy/tmp

原创 pytorch加载预训练模型部分参数

resnet = models.resnet50(pretrained=True) new_state_dict = resnet.state_dict() dd = net.state_dict() #net是自己定义的含有resnet backbone的模型 for k in new_state_dict.keys(): print(k) if k in dd.keys() and not k.startswith('fc'): #不使用全连接的参数 print('y

原创 nvidia算力查询表

原创 c++用rand()产生随机数

#include <ctime> srand(unsigned(time(NULL))); int num = rand() % 100; //产生0~149共150个整数。 float fnum = (rand() % 2000)/1000.0 - 1; //产生-1~1的浮点数。

原创 数据集处理相关

iter() 和next() https://blog.csdn.net/sxingming/article/details/51479039?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522158807744819724843357761%2522%252C%2522scm%2522%253A%252220140713.130102...

原创 autograd

x.requires_grad = True #Variable 正式合并入Tensor, Variable 本来实现的自动微分功能，Tensor就能支持。读者还是可以使用Variable(tensor), 但是这个操作其实什么都没做。建议读者以后直接使用tensor output=net(input) criterion=nn.MSELoss() loss=criterion(output,ta...

原创 tensor

import torch as t from future import print_function #张量定义 x = t.Tensor(5, 3) x = t.Tensor([[1,2],[3,4]]) x = t.rand(5, 3) #查看尺寸 print(x.size()) x.size(1) #列数 #加 t.add(x, y, out=result) # 输入到result ...

原创 pytorch网络和反向传播相关

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode=‘zeros’)

原创 OpenPose demo参数使用（c++）

命令行参数： 打开摄像头检测pose：–camera 0 处理指定文件夹里的所有图像：–image_dir C:\Users\chenQY\Desktop\pose\Openpose_test\x64\Release\1 指定模型文件夹：–model_folder C:\Users\chenQY\Desktop\pose\Openpose_test\x64\Release\models 指定模型：...

原创 读取文档&将结果保存为文档

string text_time = exe_address + “\time.txt”; //得到耗时 ofstream fout_time(text_time); fout_time << “running time = " << ((double)getTickCount() - start_time) / getTickFrequency() <<”...

原创 OpenCV

cv.imwrite(‘outputs/m%d.jpg’%octave, cv.resize(deprocess(detail),(1280,720),cv.INTER_LINEAR)*255,[int(cv.IMWRITE_JPEG_QUALITY),100])

原创 ubuntu

https://files.pythonhosted.org/packages/14/d3/d683fb120771489ae0a49bbaf6085942751c039f5f5e02e9775b7883c377/gym-0.16.0.tar.gz

原创 将主机(linux)存储通过NFS挂载在嵌入式开发板(linux)上

主机操作： 1. sudo ifconfig eth0(一般是e开头) 192.168.199.1 //修改IP地址 2. sudo apt-get install nfs-kernel-server //安装服务器 3. sudo gedit /etc/exports //配置NFS路径 /home/cqy/work是本主机上允许用来挂载的文件夹，...

原创 c++调用c库和c函数

extern “C” { #include “xxxx.h” } extern “C” { int xxx(inta,int b); }