- 博客(5)
- 收藏
- 关注
RSS订阅原创 基于PaddleHub Serving三步快速部署树莓派实时人脸检测服务
树莓派部署人脸检测受限于其性能，很多模型要不算子有问题，要不fps极低，而且对于很多人PaddleLite源码编译就是一个大问题，耗时耗力。因此萌发了仅将树莓派作为客户端，仅作为图像传输，数据接受作用，而将模型前向推断让服务器来干，这样不但无所谓树莓派性能，而且可以对客户端不受限制，无需繁琐框架编译，仅需requests这一HTTP客户端即可，以此类推，部署到任何环境。1.服务器安装PaddleHub并下载模型# 默认安装CPU版本，安装paddle时建议使用百度源!pip install pa
2021-08-19 11:14:22
917
3
原创 YOLOv1 反向传播
目标检测是监督学习的问题，监督学习的训练是通过梯度下降和反向传播的方法迭代地去微调神经元中的权重使得损失函数最小化的过程。训练集中需要人工利用标注工具对训练图片进行各类加框标注，而我们算法就是让我们预测结果尽量拟合这个人工标注框，使得损失函数最小化。人工正确标注框为ground truth，即标准答案。绿框中心点所在的grid cell的2个bounding box中其中一个需要来负责来拟合这个ground truth，并且这个grid cell输出的最大权概率的类别也必须是这个groun
2021-08-17 22:14:56
511
原创 YOLOv1 前向推断后处理——NMS非极大值抑制
每个grid cell包含2个bounding box（每个bounding box包含4个box位置坐标和1个box置信度） 和20个类别的条件概率。将box置信度和20个类别的条件概率分别相乘，得到一个权概率（形状20*1）因此每个bounding box有一个权概率，1一个grid cell有2个权概率，总共输出有7*7*2=98个权概率（上图竖条）把98个权概率分别以颜色（类别）和粗细（box置信度）加持，可视化就得到了中间的98个框接下来是正题——后处理，把98个...
2021-08-15 15:34:36
1781
原创 YOLOv1 前向推断
输入图像先缩放成448*448的3通道图像，经过若干卷积和池化提取图像特征，通过两个全连接层得到7*7*30的tensor。输出的到的7*7*30的tensor，其中的7指的是图像网格化得到7*7的grid cell，30指的是每个grid cell有2个bounding box，每个bounding box有4个位置相关数据(x,y,w,h)中心坐标和宽高来确定box和1个box置信度，还有20个类别的条件概率，因此是2*(4+1)+20=30，最终得到7*7*(2*(4+1)+20...
2021-08-15 15:33:05
325
原创 基于PaddleClas2.2的奥特曼识别，从数据训练到利用PaddleLite2.9框架将模型部署到树莓派4b 64位（调用python api进行图片&视频流识别）
网上PaddleClass2.2文章很少，都是2.1，但是2.2和2.1的配置还是有些区别的，而且看了网上很多关于paddle lite树莓派相关教程都是修改cc文件，然后./run.sh。但是没有直接调用python api的教程，更有利用python，使用os.system('./run.sh')进行调用，实在难受。因此有了这篇文章记录一下。首先是利用百度的aistudio白嫖算力进行数据训练。# 数据解压!unzip -oq /home/aistudio/data/data104203/a
2021-08-14 11:12:56
3832
10
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人