深度学习模型试跑(十二):STDC(PaddleSeg, python & c++)

最新推荐文章于 2024-09-13 21:36:42 发布
最新推荐文章于 2024-09-13 21:36:42 发布
阅读量6.1k 收藏 19
点赞数 3
分类专栏： C++ AI PaddlePaddle 文章标签： 语义分割 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_33642342/article/details/121371341
版权
AI 同时被 3 个专栏收录
9 篇文章 1 订阅
订阅专栏
C++
2 篇文章 0 订阅
订阅专栏
PaddlePaddle
1 篇文章 0 订阅
订阅专栏

目录

前言

因为最近在研究PaddleX和PaddleSeg在win10下的部署，主要是奔向C++去的，所以这篇其实大部分记录工程搭建的工作；这篇以今年刚出的STDC为例。
我的环境：

  • Visual Studio 2019
  • CUDA 11.5，cudnn 8.2
  • CMake 3.17.1

一.模型解读

可以参考STDC语义分割网络，模型关键的地方都有做介绍。需要具体研究的建议去看一下github项目。

二.模型训练

可参考官方教程，如果要训练自定义的数据(voc语义
分割格式)，需要修改配置文件。

  1. 配置文件的参数修改:

    configs\_base_\pascal_voc12aug.yml(Line:4) (mode: train)
    configs\_base_\pascal_voc12.yml(Line:2、Line:27) Line:2 (iters: 80000) Line:27 (target_size: [你的图像尺寸宽度, 你的图像尺寸长度])
    paddleseg\datasets\voc.py(Line:39) (NUM_CLASSES = 数据集总类别数量)

  2. 训练:

    #开始训练(若没准备数据集它会自己下载)：
python train.py --config configs/stdcseg/stdc2_seg_voc12aug_512x512_40k.yml --save_dir output_voc2012
#恢复训练：
python train.py --config configs/stdcseg/stdc2_seg_voc12aug_512x512_40k.yml --save_dir output_voc2012 --resume_model 	output_voc2012/iter_54000 --do_eval --use_vdl

  3. 预测:

    python predict.py --config configs/stdcseg/stdc2_seg_voc12aug_512x512_40k.yml --model_path output_voc2012/best_model/model.pdparams --image_path data/test_imgs/ADE_test_00003102.jpg --save_dir output_voc2012/result --custom_color 0 0 0 255 255 255

  4. 导出预测模型

    python export.py --config configs/stdcseg/stdc2_seg_voc12aug_512x512_40k.yml --model_path output_voc2012/best_model/model.pdparams --save_dir output_voc2012_shared

在这里插入图片描述

三.VS2019运行C++预测

主要参照：
官方参考教程：
博客教程：

Step0: 搭建环境

进入到paddleseg/deploy/cpp目录，新建一个build文件夹；将cmakelists.txt替换成我修改后的cmakelists.txt，注意cuda(第77行)和yaml（第193~197行）设置为自己对应的路径。

cmake_minimum_required(VERSION 3.0)
project(cpp_inference_demo CXX C)

option(WITH_MKL        "Compile demo with MKL/OpenBlas support, default use MKL."       ON)
option(WITH_GPU        "Compile demo with GPU/CPU, default use CPU."                    OFF)
option(WITH_STATIC_LIB "Compile demo with static/shared library, default use static."   ON)
option(USE_TENSORRT "Compile demo with TensorRT."   OFF)
option(WITH_ROCM "Compile demo with rocm." OFF)

if(NOT WITH_STATIC_LIB)
  add_definitions("-DPADDLE_WITH_SHARED_LIB")
else()
  # PD_INFER_DECL is mainly used to set the dllimport/dllexport attribute in dynamic library mode.
  # Set it to empty in static library mode to avoid compilation issues.
  add_definitions("/DPD_INFER_DECL=")
endif()

macro(safe_set_static_flag)
    foreach(flag_var
        CMAKE_CXX_FLAGS CMAKE_CXX_FLAGS_DEBUG CMAKE_CXX_FLAGS_RELEASE
        CMAKE_CXX_FLAGS_MINSIZEREL CMAKE_CXX_FLAGS_RELWITHDEBINFO)
      if(${flag_var} MATCHES "/MD")
        string(REGEX REPLACE "/MD" "/MT" ${flag_var} "${${flag_var}}")
      endif(${flag_var} MATCHES "/MD")
    endforeach(flag_var)
endmacro()

if(NOT DEFINED PADDLE_LIB)
  message(FATAL_ERROR "please set PADDLE_LIB with -DPADDLE_LIB=/path/paddle/lib")
endif()
if(NOT DEFINED DEMO_NAME)
  message(FATAL_ERROR "please set DEMO_NAME with -DDEMO_NAME=demo_name")
endif()

include_directories("${PADDLE_LIB}/")
set(PADDLE_LIB_THIRD_PARTY_PATH "${PADDLE_LIB}/third_party/install/")
include_directories("${PADDLE_LIB_THIRD_PARTY_PATH}protobuf/include")
include_directories("${PADDLE_LIB_THIRD_PARTY_PATH}glog/include")
include_directories("${PADDLE_LIB_THIRD_PARTY_PATH}gflags/include")
include_directories("${PADDLE_LIB_THIRD_PARTY_PATH}xxhash/include")
include_directories("${PADDLE_LIB_THIRD_PARTY_PATH}cryptopp/include")

link_directories("${PADDLE_LIB_THIRD_PARTY_PATH}protobuf/lib")
link_directories("${PADDLE_LIB_THIRD_PARTY_PATH}glog/lib")
link_directories("${PADDLE_LIB_THIRD_PARTY_PATH}gflags/lib")
link_directories("${PADDLE_LIB_THIRD_PARTY_PATH}xxhash/lib")
link_directories("${PADDLE_LIB_THIRD_PARTY_PATH}cryptopp/lib")
link_directories("${PADDLE_LIB}/paddle/lib")

if (WIN32)
  add_definitions("/DGOOGLE_GLOG_DLL_DECL=")
  option(MSVC_STATIC_CRT "use static C Runtime library by default" ON)
  if (MSVC_STATIC_CRT)
    if (WITH_MKL)
      set(FLAG_OPENMP "/openmp")
    endif()
    set(CMAKE_C_FLAGS_DEBUG   "${CMAKE_C_FLAGS_DEBUG} /bigobj /MTd ${FLAG_OPENMP}")
    set(CMAKE_C_FLAGS_RELEASE  "${CMAKE_C_FLAGS_RELEASE} /bigobj /MT ${FLAG_OPENMP}")
    set(CMAKE_CXX_FLAGS_DEBUG  "${CMAKE_CXX_FLAGS_DEBUG} /bigobj /MTd ${FLAG_OPENMP}")
    set(CMAKE_CXX_FLAGS_RELEASE   "${CMAKE_CXX_FLAGS_RELEASE} /bigobj /MT ${FLAG_OPENMP}")
    safe_set_static_flag()
    if (WITH_STATIC_LIB)
      add_definitions(-DSTATIC_LIB)
    endif()
  endif()
else()
  if(WITH_MKL)
    set(FLAG_OPENMP "-fopenmp")
  endif()
  set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -std=c++11 ${FLAG_OPENMP}")
endif()

if(WITH_GPU)
  set(CUDA_LIB "C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v11.5\\lib\\x64")
  #if(NOT WIN32)
    #set(CUDA_LIB "/usr/local/cuda/lib64/" CACHE STRING "CUDA Library")
  #else()
    #if(CUDA_LIB STREQUAL "")
      #set(CUDA_LIB "C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v11.5\\lib\\x64")
    #endif()
  #endif(NOT WIN32)
endif()

if (USE_TENSORRT AND WITH_GPU)
  set(TENSORRT_ROOT "D:\\lbq\\TensorRT-7.2.3.4")
  if("${TENSORRT_ROOT}" STREQUAL "")
      message(FATAL_ERROR "The TENSORRT_ROOT is empty, you must assign it a value with CMake command. Such as: -DTENSORRT_ROOT=TENSORRT_ROOT_PATH ")
  endif()
  set(TENSORRT_INCLUDE_DIR ${TENSORRT_ROOT}/include)
  set(TENSORRT_LIB_DIR ${TENSORRT_ROOT}/lib)
  file(READ ${TENSORRT_INCLUDE_DIR}/NvInfer.h TENSORRT_VERSION_FILE_CONTENTS)
  string(REGEX MATCH "define NV_TENSORRT_MAJOR +([0-9]+)" TENSORRT_MAJOR_VERSION
    "${TENSORRT_VERSION_FILE_CONTENTS}")
  if("${TENSORRT_MAJOR_VERSION}" STREQUAL "")
    file(READ ${TENSORRT_INCLUDE_DIR}/NvInferVersion.h TENSORRT_VERSION_FILE_CONTENTS)
    string(REGEX MATCH "define NV_TENSORRT_MAJOR +([0-9]+)" TENSORRT_MAJOR_VERSION
      "${TENSORRT_VERSION_FILE_CONTENTS}")
  endif()
  if("${TENSORRT_MAJOR_VERSION}" STREQUAL "")
    message(SEND_ERROR "Failed to detect TensorRT version.")
  endif()
  string(REGEX REPLACE "define NV_TENSORRT_MAJOR +([0-9]+)" "\\1"
    TENSORRT_MAJOR_VERSION "${TENSORRT_MAJOR_VERSION}")
  message(STATUS "Current TensorRT header is ${TENSORRT_INCLUDE_DIR}/NvInfer.h. "
    "Current TensorRT version is v${TENSORRT_MAJOR_VERSION}. ")
  include_directories("${TENSORRT_INCLUDE_DIR}")
  link_directories("${TENSORRT_LIB_DIR}")
endif()

if(WITH_MKL)
  set(MATH_LIB_PATH "${PADDLE_LIB_THIRD_PARTY_PATH}mklml")
  include_directories("${MATH_LIB_PATH}/include")
  if(WIN32)
    set(MATH_LIB ${MATH_LIB_PATH}/lib/mklml${CMAKE_STATIC_LIBRARY_SUFFIX}
                 ${MATH_LIB_PATH}/lib/libiomp5md${CMAKE_STATIC_LIBRARY_SUFFIX})
  else()
    set(MATH_LIB ${MATH_LIB_PATH}/lib/libmklml_intel${CMAKE_SHARED_LIBRARY_SUFFIX}
                 ${MATH_LIB_PATH}/lib/libiomp5${CMAKE_SHARED_LIBRARY_SUFFIX})
  endif()
  set(MKLDNN_PATH "${PADDLE_LIB_THIRD_PARTY_PATH}mkldnn")
  if(EXISTS ${MKLDNN_PATH})
    include_directories("${MKLDNN_PATH}/include")
    if(WIN32)
      set(MKLDNN_LIB ${MKLDNN_PATH}/lib/mkldnn.lib)
    else(WIN32)
      set(MKLDNN_LIB ${MKLDNN_PATH}/lib/libmkldnn.so.0)
    endif(WIN32)
  endif()
else()
  set(OPENBLAS_LIB_PATH "${PADDLE_LIB_THIRD_PARTY_PATH}openblas")
  include_directories("${OPENBLAS_LIB_PATH}/include/openblas")
  if(WIN32)
    set(MATH_LIB ${OPENBLAS_LIB_PATH}/lib/openblas${CMAKE_STATIC_LIBRARY_SUFFIX})
  else()
    set(MATH_LIB ${OPENBLAS_LIB_PATH}/lib/libopenblas${CMAKE_STATIC_LIBRARY_SUFFIX})
  endif()
endif()

if(WITH_STATIC_LIB)
  set(DEPS ${PADDLE_LIB}/paddle/lib/libpaddle_inference${CMAKE_STATIC_LIBRARY_SUFFIX})
else()
  if(WIN32)
    set(DEPS ${PADDLE_LIB}/paddle/lib/paddle_inference${CMAKE_STATIC_LIBRARY_SUFFIX})
  else()
    set(DEPS ${PADDLE_LIB}/paddle/lib/libpaddle_inference${CMAKE_SHARED_LIBRARY_SUFFIX})
  endif()
endif()

if (NOT WIN32)
  set(EXTERNAL_LIB "-lrt -ldl -lpthread")
  set(DEPS ${DEPS}
      ${MATH_LIB} ${MKLDNN_LIB}
      glog gflags protobuf xxhash cryptopp
      ${EXTERNAL_LIB})
else()
  set(DEPS ${DEPS}
      ${MATH_LIB} ${MKLDNN_LIB}
      glog gflags_static libprotobuf xxhash cryptopp-static ${EXTERNAL_LIB})
  set(DEPS ${DEPS} shlwapi.lib)
endif(NOT WIN32)

if(WITH_GPU)
  if(NOT WIN32)
    if (USE_TENSORRT)
      set(DEPS ${DEPS} ${TENSORRT_LIB_DIR}/libnvinfer${CMAKE_SHARED_LIBRARY_SUFFIX})
      set(DEPS ${DEPS} ${TENSORRT_LIB_DIR}/libnvinfer_plugin${CMAKE_SHARED_LIBRARY_SUFFIX})
    endif()
    set(DEPS ${DEPS} ${CUDA_LIB}/libcudart${CMAKE_SHARED_LIBRARY_SUFFIX})
  else()
    if(USE_TENSORRT)
      set(DEPS ${DEPS} ${TENSORRT_LIB_DIR}/nvinfer${CMAKE_STATIC_LIBRARY_SUFFIX})
      set(DEPS ${DEPS} ${TENSORRT_LIB_DIR}/nvinfer_plugin${CMAKE_STATIC_LIBRARY_SUFFIX})
      if(${TENSORRT_MAJOR_VERSION} GREATER_EQUAL 7)
        set(DEPS ${DEPS} ${TENSORRT_LIB_DIR}/myelin64_1${CMAKE_STATIC_LIBRARY_SUFFIX})
      endif()
    endif()
    set(DEPS ${DEPS} ${CUDA_LIB}/cudart${CMAKE_STATIC_LIBRARY_SUFFIX} )
    set(DEPS ${DEPS} ${CUDA_LIB}/cublas${CMAKE_STATIC_LIBRARY_SUFFIX} )
    set(DEPS ${DEPS} ${CUDA_LIB}/cudnn${CMAKE_STATIC_LIBRARY_SUFFIX} )
  endif()
endif()

if(WITH_ROCM)
  if(NOT WIN32)
    set(DEPS ${DEPS} ${ROCM_LIB}/libamdhip64${CMAKE_SHARED_LIBRARY_SUFFIX})
  endif()
endif()

include_directories(/usr/local/include)
link_directories(/usr/local/lib)

#find_package(yaml-cpp REQUIRED)
set(YAML_CPP "D:\\lbq\\yaml-cpp-master")  #7
set(YAML_CPP_INCLUDE_DIRS ${YAML_CPP}\\include) #8
set(YAML_CPP_LIBRARIES ${YAML_CPP}\\lib_mine) #9
include_directories(${YAML_CPP_INCLUDE_DIRS})
link_directories(${YAML_CPP_LIBRARIES})
#set(DEPS ${DEPS} "-lyaml-cpp")

find_package(OpenCV REQUIRED)
include_directories(${OpenCV_INCLUDE_DIRS})
set(DEPS ${DEPS} ${OpenCV_LIBS})

add_executable(${DEMO_NAME} src/${DEMO_NAME}.cc)
target_link_libraries(${DEMO_NAME} ${DEPS})

if(WIN32)
  if(USE_TENSORRT)
    add_custom_command(TARGET ${DEMO_NAME} POST_BUILD
            COMMAND ${CMAKE_COMMAND} -E copy ${TENSORRT_LIB_DIR}/nvinfer${CMAKE_SHARED_LIBRARY_SUFFIX}
              ${CMAKE_BINARY_DIR}/${CMAKE_BUILD_TYPE}
            COMMAND ${CMAKE_COMMAND} -E copy ${TENSORRT_LIB_DIR}/nvinfer_plugin${CMAKE_SHARED_LIBRARY_SUFFIX}
              ${CMAKE_BINARY_DIR}/${CMAKE_BUILD_TYPE}
    )
    if(${TENSORRT_MAJOR_VERSION} GREATER_EQUAL 7)
      add_custom_command(TARGET ${DEMO_NAME} POST_BUILD
              COMMAND ${CMAKE_COMMAND} -E copy ${TENSORRT_LIB_DIR}/myelin64_1${CMAKE_SHARED_LIBRARY_SUFFIX}
                ${CMAKE_BINARY_DIR}/${CMAKE_BUILD_TYPE})
    endif()
  endif()
  if(WITH_MKL)
    add_custom_command(TARGET ${DEMO_NAME} POST_BUILD
          COMMAND ${CMAKE_COMMAND} -E copy ${MATH_LIB_PATH}/lib/mklml.dll ${CMAKE_BINARY_DIR}/Release
          COMMAND ${CMAKE_COMMAND} -E copy ${MATH_LIB_PATH}/lib/libiomp5md.dll ${CMAKE_BINARY_DIR}/Release
          COMMAND ${CMAKE_COMMAND} -E copy ${MKLDNN_PATH}/lib/mkldnn.dll  ${CMAKE_BINARY_DIR}/Release
    )
  else()
    add_custom_command(TARGET ${DEMO_NAME} POST_BUILD
          COMMAND ${CMAKE_COMMAND} -E copy ${OPENBLAS_LIB_PATH}/lib/openblas.dll ${CMAKE_BINARY_DIR}/Release
    )
  endif()
  if(NOT WITH_STATIC_LIB)
      add_custom_command(TARGET ${DEMO_NAME} POST_BUILD
        COMMAND ${CMAKE_COMMAND} -E copy "${PADDLE_LIB}/paddle/lib/paddle_inference.dll" ${CMAKE_BINARY_DIR}/${CMAKE_BUILD_TYPE}
      )
  endif()
endif()

message(STATUS "    libraries: ${CUDA_LIB}")
message(STATUS "    MATH_LIB_path: ${MATH_LIB}")

此处附上yaml在windows下的静态编译方式：
# 1.克隆并进入项目
git clone https://github.com/jbeder/yaml-cpp.git
cd yaml-cpp
# 2.启动 cmake-gui
cmake-gui
# 3.输入源码路径D:\lbq\yaml-cpp-master，和构建路径D:\lbq\yaml-cpp-master\mt_build，然后点击Configure进行配置
# 4.在弹窗里选择Visual Studio 16 2019
# 5.只勾选这2个即可，别的都不要勾选
YAML_CPP_BUILD_CONTRIB YAML_CPP_BUILD_TOOLS
# 6.再次点击Configure，再点击Generate，项目文件生成完成后，点击YAML_CPP.sln，然后熟悉的vs就出来了；在vs里选择Release和x64编译生成，便会在build/Release下出现yaml-cpp.lib，这个正是cmakelists.txt中第195行对应的库文件。

在这里插入图片描述

Step1: 下载PaddlePaddle C++ 预测库 fluid_inference

参考
请添加图片描述

Step2:编译

配置完成之后选择以下三种方式编译，我选的是gpu方式编译，其中需要设置的是-DPADDLE_LIB，这个是在PaddleX提到过的PaddlePaddle C++ 预测库，请提前下载。

	1）cpu
	cmake .. -DDEMO_NAME=test_seg -DWITH_MKL=ON -DWITH_GPU=OFF -DUSE_TENSORRT=OFF -DWITH_STATIC_LIB=OFF -DPADDLE_LIB=D:\lbq\code\4_ocr\paddle_c_plus
	2）gpu
	cmake .. -DDEMO_NAME=test_seg -DWITH_MKL=ON -DWITH_GPU=ON -DUSE_TENSORRT=OFF -DWITH_STATIC_LIB=OFF -DPADDLE_LIB=D:\lbq\code\4_ocr\paddle_c_plus
	3）tensorrt
	cmake .. -DDEMO_NAME=test_seg -DWITH_MKL=ON -DWITH_GPU=ON -DUSE_TENSORRT=ON -DWITH_STATIC_LIB=OFF -DPADDLE_LIB=D:\lbq\code\4_ocr\paddle_c_plus

编译成功后，打开cpp_inference_demo.sln，在test_seg项目的属性->输入->附加依赖项 中添加一行’ yaml-cpp.lib’
在这里插入图片描述

然后便可生成test_seg.exe 。最后将python导出的模型软链接到Release目录下，并测试一张图片。
在这里插入图片描述

PaddleX和PaddleSeg都有tensorrt的解决方案，但是我调试的时候都出现了问题，目前找到了原因，正在进一步修复中。

gandalf:甘道夫试跑者
06-27
"甘道夫：甘道夫试跑者"是一款在Shell环境下使用的工具，旨在帮助开发者更加有趣地进行测试。它的设计灵感可能来源于《指环王》中的智者甘道夫，以此角色的名字为软件命名，增加了趣味性和文化色彩。在开发过程中，...
STDC-Seg安装与配置完全指南
最新发布
gitblog_09356的博客
09-13 412
STDC-Seg安装与配置完全指南 STDC-Seg Source Code of our CVPR2021 paper "Rethinking BiSeNet For Real-time Semantic Segmentation" ...
STDC-Seg：实时语义分割框架解析及使用注意事项
gitblog_09059的博客
09-13 390
STDC-Seg：实时语义分割框架解析及使用注意事项 STDC-Seg Source Code of our CVPR2021 paper "Rethinking BiSeNet For Real-time Semantic Segmentation" ...
STDC-Seg：实时语义分割网络
gitblog_09060的博客
09-13 401
STDC-Seg：实时语义分割网络 STDC-Seg Source Code of our CVPR2021 paper "Rethinking BiSeNet For Real-time Semantic Segmentation" ...
实时语义分割网络STDC原理与代码解析（CVPR 2021）
00000cj的博客
07-02 2855
本文设计了一种新的结构，叫做Short-Term Dense Concatenate module（STDC module），通过少量参数就可获得不同大小的感受野以及多尺度信息。将STDC模块无缝集成到U-net架构中就得到了STDC network，大大提高了语义分割任务中的网络性能。 在decoding阶段，本文抛弃了额外添加一条路径的方法，而是采用Detail Guidance来引导低层空间细节信息的学习。首先利用Detail Aggregation module来生成细节的ground truth，
STDC（实时语义分割网络-2021）
qq_43199575的博客
07-07 3096
主要采取的方式有两种：一是：选用轻量级的骨干网络（如DFANet和BiSeNet V1），同时研究特征融合/聚合模块来提升检测精度。但目前常用的轻量级骨干网络是在图像分类任务中提出的，对语义分割任务的效果也许不够好。二是：输入分辨率较小的原始图像。但分辨率变小，容易忽略掉边界和小目标周围的细节外观。1）BiSeNet解决方式：添加额外的辅助路径，但是增加了耗时，并且辅助路径总是缺乏底层信息的引导。
(一)STDCNet源码解读
机器人视觉感知
08-25 2778
STDCMNet(Short Term Dense Concatenate Network)网络是美团2021年04月27号提交的论文中提出的轻量级语义分割网络，该网络是在基础上的升级改进。STDCNet主要贡献有两点，一方面是对骨干网络backbone的改进，改成了的模块结构，同一个STDC模块中，每个ConvX随着感受野的变大输出的通道数逐渐变少，最后再到一起，因此包含更多的特征尺度信息。另一方面是多分支低阶细节信息辅助训练结构，
Cityscapse 数据集使用 + 训练 STDC踩坑
DongHappyyy
10-25 8432
官网地址：Cityscapes Dataset – Semantic Understanding of Urban Street Scenes (cityscapes-dataset.com) getFine 文件下存储标注文件 leftImg8bit 文件夹下存储真实图片 两个文件下文件目录级别是一样的： getFine/liftImg8bit -> test / train / val -> 城市目录 -> labels / imgs citysc...
语义分割网络-STDC_CVPR2021
chen1234520nnn的博客
01-28 4946
前言 该网络是基于语义分割网络BiSeNetV1版本进行的改进，删掉BiSeNet网络中的双路径方式。属于实时语义分割算法，速度快。 1.2STDC网络的性能 STDC(Short-Term Dense Concatenate network)在Cityscapes上，在1080Ti上 1）STDC1-50网络以250.4FPS的速度在测试集上实现了71.9％的mIoU。 2）STDC2-75网络在97.0FPS的情况下达到76.8％的mIoU。 跟其他算法的性能对比： ...
世界首列新能源“空铁”试跑：挂在空中运行.pdf
08-31
世界首列新能源“空铁”试跑：挂在空中运行.pdf
ITPT_Project_Python1
04-17
ITPT_Project_Python1 该项目包含10个编程任务（我的IT专业培训项目（ITPT）学校）。 任务1 苏格兰田径队正在为400米运动员进行试跑。 有四组，每组八名运动员。 跑步者分别跑了两圈，并在完成两圈的每一圈时记录...
基于协同神经网络的智能车行驶路径记忆算法优化.pdf
09-25
实验结果显示，采用优化后的算法，智能车在低速试跑和竞速赛跑时所用时间均少于传统算法，证明了优化算法的高效性。 关键词：协同神经网络；智能车；行驶路径；记忆；优化 正文： 在当前的智能车领域，路径记忆...
试跑程序.zip_智能车_电磁感应
07-15
基于电磁感应的智能小车的试跑参考程序源代码
pyTorch入门（五）——训练自己的数据集
Vaccae的博客
12-26 3588
学更好的别人，做更好的自己。——《微卡智享》本文长度为1749字，预计阅读5分钟前言前面四篇将Minist数据集的训练及OpenCV的推理都介绍完了，在实际应用项目中，往往需要用自己的数据集进行训练，所以本篇就专门介绍一下pyTorch怎么训练自己的数据集。微卡智享生成自己的训练图片上一篇《pyTorch入门（四）——导出Minist模型，C++ OpenCV DNN进行识别》中使用VS Stud...
论文阅读笔记——STDC-Seg
All In AI and Big Data
12-12 3429
作者参考了BiSeNet，并在其基础上对模型的架构进行了改进，达到了取得了更快的速度和更高的精度（没有提到显存占用，经测试，STDC2_50在转为trt后，显存占用大致在900M左右） BiSeNet的设计是一个双流网络，spatial path用于提取图像的细节信息，semantic path用于提取语义信息 作者认为额外的spatial path会消耗更多的时间，而且是从其他预训练任务（如图像分类）中“借”来的backbone，并不是针对于语义分割任务设计的。 作者设计了两种STDC模块，一种保持输入.
STDC语义分割网络:BiSeNet的轻量化加强版（CVPR2021语义分割）
CV计算机视觉
06-23 9107
今天和大家分享CVPR2021中语义分割领域的一篇论文，论文标题及作者如下图所示： 论文下载地址：https://arxiv.org/abs/2104.13188 代码即将开源：https://github.com/MichaelFan01/STDC-Seg 0.动机 深度学习促进了计算机视觉领域中语义分割算法的发展；随着自动驾驶、视频监控等应用场景的迫切需求，面向终端的轻量化语义分割网络被广泛研究。 为了减少算法的耗时，一些诸如DFANet、BiSeNetV1的语义分割算法使用了轻量化backbone，
windows下调整STDC的训练代码为单机单卡训练
qq_43199575的博客
07-14 534
思路就是将源代码中的有关分布式训练的代码全删除掉就行，主要有dist.init_process_group()函数，dist.get_rank()，sampler = torch.utils.data.distributed.DistributedSampler(ds) ，net = nn.parallel.DistributedDataParallel，然后再调整一些参数，如优化opt里将model = net.module改为model=net和参数local_rank。
论文阅读：《Rethinking BiSeNet For Real-time Semantic Segmentation》
yuansiming0920的博客
05-12 3014
论文链接：https://arxiv.org/pdf/2104.13188.pdf CVPR 2021 1 Background 2 Movtivtion
C语言 __STDC__ - C语言零基础入门教程
猿说编程
09-09 1898
目录 一.__STDC__简介 二.__STDC__实战 三.猜你喜欢 零基础 C/C++ 学习路线推荐 : C/C++ 学习目录 >> C 语言基础入门 一.__STDC__简介 ANSI C 定义了许多宏。在编程中您可以使用这些宏，但是不能直接修改这些预定义的宏。 __DATE__ 当前日期，一个以 “MMM DD YYYY” 格式表示的字符串常量。 __TIME__ 当前时间，一个以 “HH:MM:SS” 格式表示的字符串常量。 __FILE__ 这会包含当前文
LoadRunner：脚本试跑与性能测试详解
"试跑脚本-LoadRunner的使用"这篇文章主要介绍了LoadRunner这款强大的负载测试工具的详细操作流程和关键概念。LoadRunner是一款工业标准级别的性能测试工具，它通过模拟大量并发用户和实时性能监测来检测系统性能和...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值