计算机视觉框架OpenMMLab开源学习（五）：目标检测实战

已于 2023-03-06 10:25:18 修改
阅读量2.1k 收藏 12
点赞数 13
分类专栏： 深入浅出AI 计算机视觉CV 文章标签： 目标检测 人工智能 计算机视觉 mmdetection
于 2023-02-10 19:46:17 首次发布
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_36816848/article/details/128975367
版权
本文是计算机视觉系列的第五篇，聚焦OpenMMLab框架的目标检测实战。介绍了MMDetection项目概览，详细讲解了如何使用MMDetection进行模型推理和训练，以水果检测为例进行实战演示，包括环境搭建、模型验证和视频检测。
摘要由CSDN通过智能技术生成

在这里插入图片描述

👨‍💻作者简介： 大数据专业硕士在读，CSDN人工智能领域博客专家，阿里云专家博主，专注大数据与人工智能知识分享。公众号： GoAI的学习小屋，免费分享书籍、简历、导图等资料，更有交流群分享AI和大数据，加群方式公众号回复“加群”或➡️

了解本专栏 订阅专栏 解锁全文 超级会员免费看
GoAI
关注
  • 13
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 11
    评论
专栏目录
订阅专栏
计算机视觉框架OpenMMLab（一）：计算机视觉基础
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
02-02 5675
前言：本系列主要对OpenMMlab开源框架进行学习，文章分为计算机视觉基础、图像分类、图像检测、图像分割等，适合人工智能领域入门及爱好者学习，可以快速了解OpenMMlab框架，为后续实战学习打下基础。大致可以分为这么几类：图像识别、目标检测、图像分割、图像增强、图像生成、视觉感知、人脸分类识别、姿态估计、立体视觉等。
推荐开源项目：SVO_edgelet - 实时视觉里程计的边缘计算优化版
gitblog_00057的博客
05-22 445
推荐开源项目：SVO_edgelet - 实时视觉里程计的边缘计算优化版 svo_edgeletA more robust SVO with edgelet feature项目地址:https://gitcode.com/gh_mirrors/sv/svo_edgelet 项目介绍 SVO_edgelet 是一个基于SVO（Sparse Visual Odometry）的改进版本，它引入了边缘计...
AI 边缘计算平台 - 回归开源 BeagleY-AI 简介
最新发布
weixin_43978579的博客
06-10 1573
BeagleY®-AI 采用德州仪器新推出的 AM67A AI 视觉处理器。这款处理器集成了四个 64 位 Arm® Cortex®-A53 CPU 核心，时钟频率高达 1.4 GHz，两个通用 C7x DSP 和矩阵加速器（MMA），能提供 4 TOPS 的深度学习性能。此外，它还配备了视觉处理加速器、GPU 核心和多个专门用于实现低功耗、低延迟的 GPIO 控制 Arm Cortex-R5 核心。
探索未来视觉智能：MX Mask R-CNN 开源项目解析
gitblog_00075的博客
05-12 251
探索未来视觉智能：MX Mask R-CNN 开源项目解析 mx-maskrcnnAn MXNet implementation of Mask R-CNN项目地址:https://gitcode.com/gh_mirrors/mx/mx-maskrcnn 在这个数字化世界中，计算机视觉技术正在逐步改变我们与环境交互的方式。MX Mask R-CNN是一个基于MXNet框架的深度学习库，它实现了...
Linux环境配置mmlab环境
Scenery0519的博客
03-17 1952
在Linux环境下安装配置mmlab
MMDetection3.0环境配置(ubuntu20.04 + miniconda)
2023年才睡醒的双非研究生
04-28 1094
配置环境试用SOLO之后，总感觉和Mask R-CNN比还差点意思，不论是精度还是速度，好像都没有作者说的那么强😮，不清楚是不是自建数据集的限制，或者因为没有调参影响了学习效果有兴趣的可以看原文配置训练试试俗话说：没有对比就没有伤害。俗话还说：没有实践就没有发言权既然觉得有问题，那就要控制变量做对比试验🤔，发现MMDetection框架里有很多可以直接使用的实例分割网络，根据官方提示开整🧐。
计算机视觉框架OpenMMLab（三）：图像分类实战
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
02-04 3770
本篇主要偏向图像分类实战部分，使用MMclassification工具进行代码应用，熟悉其框架应用，为后续处理不同场景下分类问题提供帮助。
计算机视觉框架OpenMMLab（七）：语义分割实战
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
02-12 1884
本文主要对OpenMMlab开源框架的图像分割方向进行学习，适合人工智能领域入门及爱好者学习，本篇介绍快速了解 MMSegmentation框架，为后续实战学习打下基础。
计算机视觉框架OpenMMLab（二）：图像分类基础
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
02-03 4531
本次主要复习深度学习图像分类知识，学习图像分类最新的模型，计算机视觉框架OpenMMLab的MMClassification工具基本使用，为后续实战做铺垫。
在mmdet 3.0系列中使用visualizer进行目标检测真实框和检测框的可视化和绘制 并保存为图像
彩虹的部落
06-05 479
在 MMDetection 3.0 中，使用 visualizer 进行目标检测的真实框和检测框的可视化和绘制，并将结果保存为图像，是一个比较简便且高效的方法。
MMdetection系列之Config配置文件（V3更新后）
qq_41627642的博客
05-12 5644
如果你想查看配置文件, 你可以运行 python tools/misc/print_config.py /PATH/TO/CONFIG to see the complete config. 使用现有模型对给定图像进行推理. .在标准数据集上测试现有模型。 在标准数据集上训练预定义模型。 ...
【mmdetection】mmdetection安装详细步骤
叶子的博客
06-05 1万+
【mmdetection】mmdetection安装详细步骤
mmdetection安装
weixin_49228867的博客
02-14 528
MMDetection 是一个基于 PyTorch 的目标检测开源工具箱。MMDetection 将检测框架解耦成不同的模块组件，通过组合不同的模块组件，用户可以便捷地构建自定义的检测模型MMDetection 支持了众多主流的和最新的检测算法，例如 Faster R-CNN，Mask R-CNN，RetinaNet 等。基本的框和 mask 操作都实现了 GPU 版本，训练速度比其他代码库更快或者相当。MMDetection 这个算法库源自于 COCO 2018 目标检测竞赛的冠军团队MMDet。
【目标检测】从头到尾教你安装MMDetection（超详细版本）
热门推荐
wzk4869的博客
11-10 2万+
【目标检测】从头到尾教你安装MMDetection（超详细版本）
MMDetection系列 | 1. MMDetection安装流程与测试
Clichong
09-06 2411
这篇博客记录安装mmdetection的过程，以及记录对公共数据集进行推理测试与训练的简单使用。
OpenMMLab 实战营打卡 - 第 七 课 MMSegmentation
qq_53589322的博客
02-11 766
OpenMMLabAI实战营第7课！语义分割是目标检测和图像分类的进阶工作，它在像素级别给图像内容做标注，把图片中不同的物体分割开。本次课程7 MMSegmentation 代码教学_哔哩哔哩_bilibili会带大家学习语义分割工具箱 MMSegmentation！MMSegmentation 可以在 Linux、Windows 和 MacOS 上运行。它需要 Python 3.6 以上，CUDA 9.2 以上和 PyTorch 1.3 以上。
利用mim，有时会出现无法下载的情况，解决方案在此--换源
乐趣是人为构建的，构建是一种莫大的乐趣。
07-10 5164
(open-mmlab) dutxutengfei@dutxutengfei:~$ mim install -h Usage: mim install [OPTIONS] PACKAGE Install package. Example: # install latest version of mmcv-full > mim install mmcv-full # wheel # install 1.3.1 > mim install mmcv-full==1.3
评论 11
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

打赏作者

GoAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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