- 博客(426)
- 资源 (29)
- 收藏
- 关注
RSS订阅原创 YOLO实验记录
可以看出其准确度还是有的，但其召回率太低，很多物体都没检测出，博主这里将lou设置为0.5，置信度设置为0.5，理论上该数值算是较为正常的，想是否是由于远距离导致目标尺寸变小导致的呢？考虑到是否是模型问题，将模型进行修改并再次开始训练，此次没有从0开始训练，而是使用了预训练权重，并设置batch-size=24，epoch=600。cos下降策略到最后一步迭代的最后时，系数刚好为cos(pi/2)，即为0，开始迭代时系数为为cos(0)，即为1，中间遵循余弦曲线的方式下降。训练epoch：800。
2024-05-03 15:24:56
447
原创 缩小COCO数据集
在运行YOLOS模型的过程中，需要使用到COCO2017这个数据集，但从实验运行来看，其所需时间无疑是相当漫长，预计可能需要近几十天才能完成，因此便考虑缩小COCO数据集大小，即尽可能在遵循其分布的情况下，将数据集中的图片数量缩小。博主这里将数据集缩小了16倍。随后我们就可以使用该数据集进行我们的训练操作了。
2024-05-03 15:23:35
230
原创 DN-DETR代码解析一之模型构建
首先是main.py中进行模型构建，DN-DETR一个主要思想便是引入了噪声，将真实数据加入噪声后送入Decoder来辅助匈牙利算法完成匹配过程，加快训练收敛。故而，这是一个通用的方法，因此，DN-DETR代码中分别对DAB-DETR，Deformable-DETR等都加入了DN处理，在证明其通用性的同时还检验其效果。前面已经完成了DN-DETR模型的调试与论文阅读工作，对DN-DETR模型的基本原理有了初步的认识，接下来，便是对DN-DETR模型代码的学习。本文主要介绍DN-DETR模型的构建过程。
2024-05-03 15:21:34
221
原创 MMDetection目标检测框架推理与参数量计算
在使用MMDetection框架完成训练后便可以使用训练所得的权重文件进行推理了，具体可以使用。关于参数量与flops的计算可以使用。，这里就不再赘述了。
2024-05-03 15:18:17
189
原创 SwinTransformer学习记录（二）之SwinTransformer Block
在前面的章节中，我们学习了SwinTransformer的整体框架，其主要由Patch Merging模块与SwinTansformer Block模块组成，
2024-05-03 15:16:49
672
原创 Apache POI报表统计
我们将这个设计好的模板文件读取出来，然后将数据库中查到的信息查到固定的位置，最后下载下来即可。了解了入门案例后，我们看看如何实现导出报表，首先我们的报表的格式要固定且统一。各种文件格式的开源项目。简单来说就是，我们可以使用。各种文件进行读写操作。
2024-04-19 12:10:49
406
原创 多线程学习记录
进程是一个个应用程序，线程则可以理解为一个应用进程中的多个功能。有了多线程，便可以让程序同时去做多件事情。并发:在同一时刻，有多个指令在单个CPU上交替执行并行:在同一时刻，有多个指令在多个CPU上同时执行。
2024-04-18 22:59:30
693
原创 Redis学习记录
我们选用的数据库是10号，查看一下，刚刚的数据已经插入成功了，但我们发现key没有问题，但value无论是英文还是中文都貌似出现了乱码，事实上其并不是乱码，而是由于我们在使用Java对Redis进行操作时对Value进行了序列化，事实上我们的key原本也是要进行序列化的，但我们在配置时给设置了String类型的序列化，因此就没有问题了，而Value的类型是不确定的，因此不能指定。首先是Redis的下载地址，事实上，Redis已经出到7的版本了，我们这里使用的是5的版本。
2024-04-15 23:35:59
802
原创 SpringBoot学习记录
SpringBoot是用于加速Spring开发的。我们先来看看如何使用SpringBoot来创建一个基于Web的程序，可以发现相较于SpringMVC其有巨大改变。3.开发控制器类在这里介绍一下SpringBoot的强大功能，这是一个集成了Tomcat容器的框架，在实际开发过程中，如果前端开发人员想要使用该项目的话则可以通过idea中带的package方法来创建一个可执行的jar包。随后我们找到该文件夹所在的目录，在目录地址输入cmd，就可以直接切换到这个目录下了，随后输入就可以执行了。
2024-03-28 10:57:51
1015
原创 Waymo数据集下载与使用
版本即可，该数据集提供了两个下载链接，一个是封装好的tar文件，另一个是单个文件，我们分别下载了两个数据集文件进行解析。形式，另一种则是将Tensorflow格式的数据集文件重新解码，转换为我们平时使用的数据集形式，博主果断采用第二种。将数据集下载完毕后，该数据集的内容是无法查看的，因为其使用的是Tensorflow读取格式。是鸟瞰图，官网中有介绍，主要用于轨迹预测之类的任务，在实验中，并不需要将所有的数据集，因此博主只下载了。数据集并转换的过程，这里博主由于使用的是。格式，因此可以使用下面的方法将。
2024-02-13 22:22:40
1702
原创 ubuntu配置conda环境
博主最近新换了电脑，原本的笔记本便被打入了冷宫，后来想到这个电脑也不能浪费，因此想着把原本的电脑重装一下，博主装了个双系统，分别是window10与ubuntu，今天便拿ubuntu系统练下手。由于博主装的ubuntu是22.04版本，而只有cuda11.8后才有对应的版本，因此便只能安装11.8这个版本了。查看安装的系统，发现好像与自己要求的版本不符。但好歹安上了，先试验一下吧。重启后可以看到驱动安装成功了。首先安装nvidia驱动。
2024-02-06 16:13:26
606
原创 CFINet模型调试记录
CFINet是基于MMDetection框架开发的一款由粗略到精细的两阶段目标检测算法，该算法是在Faster-RCNN模型基础上实现的，下面开始其调试过程。
2024-01-19 00:04:22
1293
4
原创 DN-DETR调试记录
先前的DN-DETR模型都是在服务器上运行的，后来在本地运行时出现了一些小问题，这篇博文则主要介绍DN-DETR模型在本地运行时所需要做的配置。
2023-12-25 11:21:20
644
1
原创 Window系统显存不足时利用共享内存继续运行
然而不幸的是，在使用了这种方式运行后，其虽然相当于扩充了显存，能够保证模型正常运行，但这也会造成运行速度大大减慢，博主在自己的程序上进行测试，速度差了十倍不止。当然本身使用自己的笔记本完成所有实验也不太现实，因此这个方法能够帮助我们在本地调试程序就已经很不错了。
2023-12-24 14:34:07
2391
2
原创 KITTI数据集处理为COCO数据集格式
而我们在使用过程中，通常会对某些类别进行合并，将Car，Van，Truck，Tram统一划分为Car，将Pedestrian与Person_setting统一设置为Pedestrian，保留Cyclist，去除Misc。数据集划分完成后需要将YOLO格式转换为COCO格式(JSON），即需要生成一个类别文件，里面标注的是类别名称，记得要与YOLO的类别编号一致。一个txt文件对应一张图像，内容如下，分别对应类别，中心点坐标xy，标注框宽高wh。最终生成的数据集格式为txt，标注为YOLO格式。
2023-12-15 15:04:01
347
1
原创 Latex安装使用教程
在论文投稿时有些期刊要求使用Latex格式，比如博主现在就遇到了这个问题，木有办法，老老实实的学呗。大家可以去官网下载，但官网的界面设计属实有些一言难尽，因此我们可以使用国内的镜像。LaTeX 基于 TeX，主要目的是方便排版。在学术界的论文，尤其是数学、计算机等学科论文都是由 LaTeX 编写, 因为用它写数学公式非常漂亮。要使用LaTex，主要是安装两样东西其中Texlive选择用于TeX 发行版；TeXstudio是LaTex编辑器，免费的；
2023-11-02 22:43:27
459
原创 去雨去雪去雾算法运行问题汇总记录
其实问题也很简单，就是由于除零导致的，但这种情况在博主看来是不太可能的，直到博主看到上面还有一个警告，这句话是一般找不到文件的警告提示。在进行去雨去雪去雾算法过程中，遇到了一个问题，这在先前的电脑运行是都没有出现过，但在博主新买的电脑上却出现了，讲道理是有点小抑郁的。博主看了下验证数据集的设置情况，原来是文件名不一致。
2023-10-25 21:26:55
1233
原创 去雨去雪去雾算法程序中断问题解决方法
随后是结果评估，可以看到，先前第45个epoch的结果中，PSNR已经达到了24.16，而SSIM为0.83，而此时的中断后不使用先前模型的结果PSNR为18.93，SSIM为0.51，这与最开始的值较为接近。在进行去雨去雾去雪算法的实验过程中，时常会由于各种意外情况导致实验中断，而在该源码中，并没有对应的中断应对策略，这就导致该源码的健壮性太差，而且博主在实验时也确实遇到多次这种情况，这让博主不胜其烦。而当我们使用了最后一次模型的参数后，此时的结果如下，此时的损失已经变为了0.269。
2023-10-16 10:54:40
322
原创 去雨去雪去雾算法本地实验速度对比
在进行去雨去雪去雾算法的实验过程中，博主使用自己的电脑进行实验，尽管能够成功运行，但速度却属实不尽人意，博主的笔记本显卡是GTX960，显存为4G，在进行实验的过程中，batch-size只能设置为3，好在实验的去噪类型也就只与三种，否则这实验根本无法进行，于是，便萌生了更换笔记本的念头，那么在更换前，就要先做下相关实验，看看性能能够提升多少。
2023-10-15 21:31:29
413
1
原创 深度学习之使用CSDN的InsCode的服务器
远程地址为：gpu-0vujvdqjnu.ssh.node.inscode.run，账户为root，端口为31137。由于博主在CSDN有些积蓄，因此便来测评一下，博主购买了3090这个型号。随后点击OK后输入密码，即可连接成功了。接下来便是登录使用了，博主使用的是。随后便可以部署我们的项目了。
2023-10-14 11:14:22
176
原创 腾讯云服务器使用自定义镜像重装系统
博主在使用腾讯云服务器进行实验时，由于服务器租赁时间到期，而自己囊中羞涩，无力续费，因此就需要将原本的服务器资源释放，转而购买新的服务器，随后，便要重新上传数据，配置环境，这将花费很多时间，随后在阅读腾讯云使用文档的过程中，发现了腾讯云镜像，顿时如获至宝，我们可以将原本的服务器环境制作为一个镜像，然后在新服务器上直接安装这个镜像环境，从而节省大量时间。
2023-10-13 17:08:49
515
原创 SwinTransformer学习记录（一）之整体架构
SwinTransformer自问世以来，凭借其优秀的性能，受到无数研究者的青睐，因此作为一个通用的骨干网络，其再目标检测，语义分割，去噪等领域大杀四方，可谓是风光无限，今天，我们便来一睹SwinTranformer的风采。SwinTransformer是在ViT的基础上进行改进的，但ViT直接使用。
2023-10-12 09:20:44
249
原创 国庆看坚如磐石
而博主在使用蓝牙耳机连接电脑的过程中，发现没有蓝牙开启选项，并且在服务的设备管理器中也没有找到，很明显这是缺少驱动导致的，因此便去联想官方网站下载对应的驱动。安装成功后在设置-蓝牙中可以看到蓝牙开启了，但在添加蓝牙设备时却一直找不到我们的耳机，这时就需要开启服务中的。这里可以输入电脑的型号来选择最合适的驱动。坚如磐石上映了，可以在爱奇艺观看。，将其属性由手动触发改为自动触发。这样就OK了，连接成功。
2023-10-06 22:34:48
268
原创 基于知识蒸馏的两阶段去雨去雪去雾模型学习记录(三)之知识测试阶段与评估模块
去雨去雾去雪算法分为两个阶段，分别是知识收集阶段与知识测试阶段，前面我们已经学习了知识收集阶段，了解到知识阶段的特征迁移模块（CKT)与软损失（SCRLoss）,那么在知识收集阶段的主要重点便是HCRLoss(硬损失）,事实上，知识测试阶段要比知识收集阶段简单，因为这个模块只需要训练学生网络即可。
2023-10-06 20:44:47
954
原创 基于知识蒸馏的两阶段去雨去雪去雾模型学习记录(二）之知识收集阶段
前面学习了模型的构建与训练过程，然而在实验过程中，博主依旧对数据集与模型之间的关系有些疑惑，首先是论文说这是一个混合数据集，但事实上博主在实验时是将三个数据集分开的，那么在数据读取时是如何混合的呢，是每个epoch使用同一个数据集，下一个epoch再换数据集，还是再epoch中随机取数据集中的一部分。
2023-10-06 09:48:45
276
原创 去雨去雪去雾算法之本地与服务器的TensorBoard使用教程
在进行去雨去雾去雪算法实验时，需要注意几个参数设置，num_workers只能设置为0，否则会报各种稀奇古怪的错误。格式的，查询了一番得知该文件是通过。执行这个命令后会读取所有的。文件，从而生成对应的曲线。此外，发现生成的文件是。
2023-09-30 11:34:36
464
原创 去雨去雪去雾数据集构建
随后是去雨数据集的构建，由于该数据集中每一张真值图像对应14张噪声图像，因此本文采用与去雪数据集相同的构造方式，首先在去雾噪声图像中挑选5000张，由于训练集中的真值图像只有900张，因此这5000张噪声图像中包含了所有真值图像的噪声，但为了以防万一，还是通过读取前面的真值图像编号来确定真值图像。随后是去雾数据集的构建，去雾数据集包含2601张真实图像，每张图像对应35张噪声图像，且其分为了4个文件，分别包含520x35，520x35，520x35，501x35。去雨去雾json文件构建。
2023-09-29 08:47:16
917
原创 基于知识蒸馏的两阶段去雨去雪去雾模型学习记录（一）
前面完成了基于知识蒸馏的去雨去雪去雾模型大的部署与训练，下面则进行代码的学习。使用的方式进行代码的学习。首先是网络结构展示：轻易不要打开，这个模型太复杂了。说到底倒不是多复杂，就是层数太多了首先进入训练模式，又称知识收集训练阶段：声明所需要的损失函数，（协作知识迁移模型）的训练模式 的详细结构如下：criterions的结构，其定义的是损失函数，分别是损失，损失以及损失可以看到教师网络就是将先前的Net网络复制了3份，只是加载不同权重而已。即三个model。继续训练进入评估模块：加载模型，
2023-09-21 21:38:55
384
原创 神经网络输出中间特征图
在进行神经网络的训练过程中，会生成不同的特征图信息，这些特征图中包含大量图像信息，如轮廓信息，细节信息等，然而，我们一般只获取最终的输出结果，至于中间的特征图则很少关注。前两天师弟突然问起了这个问题，但我也没有头绪，后来和师弟研究了一下，大概有了一个思路。即每个特征提取模块都会输出一个特征图，这些特征图的每个像素实际上就是一些数值，那么只需要将这些数值保存，再以图像的形式展现出来便OK了。基于这个思路，我们来进行设计。
2023-09-09 10:00:38
700
原创 MMDetection实验记录踩坑记录
因为在此之前已经运行过YOLOX,Faster-RCNN等模型，所以数据集的设置肯定是没有问题的，而博主也只是修改了DAB-DETR的类别参数而已，一想到这，才猛然想起，DETR类模型的类别数还需要加上一类，即背景类，先前在修改参数时，看到原始参数为80，还以为不用加1了呢。MMDetection针对模型在训练过程中意外中断，避免重头训练，设计了断点训练参数 resume，只需要将该参数设置为最后一次训练的权重即可。在实验MMDetection的DAB-DETR模型进行实验时，AP值始终上不去。
2023-09-08 11:15:37
642
8
原创 Vue框架学习记录之环境安装与第一个Vue项目
首先是Node.js的安装，安装十分简单，只需要去官网下载安装包后，一路next即可。Node.js是一个开源的、跨平台的 JavaScript 运行时环境下载地址，有两个版本，一个是推荐的，一个是最新的，现在博主学习的话就直接安装最新的即可。验证是否安装成功，只需要在cmd窗口中输入node-v与npm-v即可，node默认是帮我们安装npm的。可以类别于python中的pipnpm，全名 node package manger。
2023-09-06 19:52:11
695
原创 目标检测框架MMDetection训练自定义数据集实验记录
博主使用的是自定义数据集，那么就需要修改几个内容：首先是数据集的配置，修改mmdet文件下的随后修改下的return [这时就要修改环境中mmdet文件了，当然也可以把这个包删掉，但对博主而言无所谓，因为博主并不打算在上面修改代码。完成上面的配置后，只需要再修改faster-rcnn中的类别数目即可，默认是80，我们改为1：随后便可以运行了，完成一个epoch用时不到一小时，还是可以接受的。
2023-09-04 21:25:28
477
原创 目标检测框架MMDetection推理实验记录
在进行目标检测算法的学习过程中，需要进行对比实验，这里可以直接使用MMDetection框架来完成，该框架集成了许多现有的目标检测算法，方便我们进行对比实验。
2023-09-03 18:39:27
564
原创 Paddle训练COCO-stuff数据集学习记录
警告提醒，据说是该设计在paddle2.6已经被弃用了，但该警告其实并不影响实验进程，只是看着不舒服而已，那就不看好了。2.4.0的是可以的。报错1：这个问题令我感到困惑，因为先前已经用该环境训练过cityspces数据集，但还是重新又部署了一下环境，但依旧出错，最后发现是由于博主的数据集类别设置错误导致的，这实在是令人匪夷所思。似乎是之前博主修改了metrics.py文件导致的，但好像并不是，保持metrics.py文件原样即可，修改下数据集目录即可。下载完成数据集后需要生成数据集的读取文件，即。
2023-09-03 10:12:11
965
原创 YOLO目标检测算法调试过程学习记录
先前已经完成过YOLO系列目标检测算法的调试过程，今天主要是将所有的调试加以总结这里的conda环境就不再赘述了，直接使用requirement.txt文件的即可，也可以参考YOLOX的配置过程5。
2023-08-20 13:12:57
406
原创 YOLOX算法调试记录
YOLOX是在YOLOv3基础上改进而来，具有与YOLOv5相媲美的性能，其模型结构如下：由于博主只是要用YOLOX做对比试验，因此并不需要对模型的结构太过了解。先前博主调试过YOLOv5,YOLOv7，YOLOv8,相比而言，YOLOX的环境配置是类似的，但其参数设置太过分散，改动比较麻烦，就比如epoch这些参数竟然要放到yolox_base.py文件中去继承，而不是直接在train.py中指定。话不多说，我们开始调试过程。
2023-08-19 19:52:13
848
原创 图像去雨、去雪、去雾论文学习记录
即思路为：将含有雨雪雾的图像输入生成器，通过生成器中的编码器（FE)进行特征提取，将提取的特征通过神经架构搜索进行优化，选取好的特征信息，将提取的特征信息送入解码器生成干净图像，即完成去噪过程。其中，I(x)为有雾图像，更具体的，I(x)是在位置x的雨图像，J(x)为观察目标反射光，即去雾后的图像，A为大气光系数，t(x)为大气透射率，t(x)= e^-βd(x)，其中，d(x) 为场景深度图，β 为大气光散射系数。多个编码器，用于提取不同恶劣天气图像的干净特征，从而进行恢复，生成干净图像。
2023-08-15 16:26:12
1300
1
SSM音乐视频网站.zip
2021-08-10
JavaWeb学生选课系统
2021-07-26
SSM校园服务系统.zip
2020-04-28
java电话簿管理系统.zip
2020-02-28
library.zip
2020-02-07
library.zip
2020-02-07
bookstore.zip
2020-02-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人