pytorch
文章平均质量分 85
码王吴彦祖
这个作者很懒,什么都没留下…
展开
-
pytorch通过不同的维度提高cifar10准确率
通过模型通过优化器通过batchsize通过数据增强总结当前网络的博客上都是普遍采用某个迁移学习训练cifar10,无论是vgg,resnet还是其他变种模型,最后通过实例代码,将cifar的acc达到95以上,本篇博客将采用不同的维度去训练cifar10,研究各个维度对cifar10准确率的影响,当然,此篇博客,可能尚不完全准确,如有不对,欢迎指正修改,此篇博客只作为本人实验参考的一部分大模型的参数量高精度更高,对于一般的实验项目而言,想要获得最好的精度,我总结了一下,使用如下配置。原创 2023-04-13 12:01:38 · 1033 阅读 · 1 评论 -
使用yolov5和强化学习训练一个AI智能欢乐斗地主(一)
你好!欢迎阅读我的文章,本章将介绍,如何使用yolov5和强化学习训练一个AI斗地主,本项目将分为三个部分,其中包含(yolov5目标检测,pyqt5页面搭建,强化学习训练出牌)。我暂时对整体的AI斗地主做了一个规划,这里我以微信小程序天天斗地主为例,使用yolov5训练斗地主画面的每张扑克牌,识别出所有扑克牌后,通过分析地主、地主上家、地主下家出的牌,进行强化学习,来教AI打牌,整个过程由pyqt5可视化界面展示实现,具体分为以下步骤。收集斗地主数据集,yolov5进行训练。原创 2023-02-17 11:27:12 · 4358 阅读 · 8 评论 -
fastdeploy快速部署yolov5离线模型
本篇主要是介绍了yolov5模型的快速部署,使用过yolov5训练过的兄弟都知道,训练完之后,无论你的模型是如何导出的,最后想要使用导出的模型,可能还脱离不了yolov5框架,因为,在使用导出的模型前,yolov5对输入层和输出层都做了较多的图像处理,导致,最后要么是调用yolov5中的detect.py,要么是自己手抠输入层和输出层的算法原创 2022-11-14 10:58:39 · 3850 阅读 · 7 评论 -
Pytorch利用ddddocr辅助识别点选验证码
本篇文章的主要目的是识别点选验证码,其中利用ddddocr来辅助识别,这样整体识别验证码的步骤将会非常简单,具体有多简单,请看步骤首先展示一下点选验证码的数据集**数据集介绍:**可以看到,该点选验证码识别是有一张图主背景图,提示需要依次点击哪些字,基本上大部分点选验证码都是这样,按照语序点击主背景图上的字,可能有些是直接以文本的形式告诉你,有些是给你一张图,这样的话识别起来更麻烦一些,因为还要识别语序图上的字。原创 2022-09-13 17:15:38 · 10690 阅读 · 36 评论 -
YOLOV5识别成语点选验证码
yolov5训练成语点选验证码原创 2022-09-01 15:31:42 · 3319 阅读 · 12 评论 -
PaddleDetection 自定义VOC数据集进行目标检测
现在百度飞桨的框架越做越火热,pp飞桨的目标检测框架开发套件也发布多时了,本文就利用自定义的VOC数据集来进行目标检测.原创 2022-06-17 10:52:25 · 2200 阅读 · 12 评论 -
深度学习利用RCNN识别不定长计算题验证码(pytorch版,LSTM + CTCLoss)
这里继上篇利用迁移学习resnet训练计算题后,对于如果有多位或者不定长位数的验证码问题难以解决了,所以采用RNN解决不定长序列的计算题验证码问题,这种解决方式同样适用于不定长4,6位验证码,接下来看详细步骤准备数据集,我的数据集是这样的,数据集总数有将近上万张多张大概有三四张类型,所有的特征是[“零”, “一”, “二”, “三”, “四”, “五”, “六”, “七”, “八”, “九”, “加”, “减”, “乘”, “除”, “等”, “于”, “?”, “以”],我这里还没有两位数及以上的计算题原创 2022-04-19 16:02:34 · 2827 阅读 · 10 评论 -
Pytorch利用迁移学习识别4位定长验证码
目前市场上利用深度学习识别验证码最简单的应该就是识别定长验证码了,最多52个字母+10个数字的分类组合,利用非常简单的神经网络结构基本就能识别,下面使用Pytorch迁移学习来实现一遍,使用迁移学习完全不用自己搭建模型,只需要自己做数据集,直接开练准备数据集,我的数据集是这样,我这里有十几二十种数据集,需要的小伙伴可以私聊我话不多说, 直接上pytorch训练的基本步骤先导入库from torch.utils.data import Datasetimport torchvision.tr原创 2022-04-14 17:54:53 · 2557 阅读 · 5 评论