![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
人工智能
文章平均质量分 81
包括深度学习相关的知识点记录和各类环境安装教程
我宿孤栈
略略略~
展开
-
推理模型部署-训练好的权重文件如何生成.exe文件在另一台电脑运行
部署大型语言模型是一个详尽且复杂的过程,涵盖了从数据处理到模型优化、集成和维护的多个环节。通常模型训练好之后,在源码里边也有detect.py代码进行推理,但是如何将训练好的模型给下游使用或者部署到生产环境中而不使用源码呢?模型部署后,我们需要对模型的性能进行评价,以确保模型能够在生产环境中高效地运行。模型部署是机器学习应用中重要的一环,它可以帮助企业快速将机器学习应用落地,并带来实际的商业价值。总之,Python中有很多方法可以实现模型部署,需要根据具体的需求选择适合的方法。模型部署相关的上下游模块。原创 2024-04-24 15:05:16 · 1151 阅读 · 0 评论 -
VS编译部署libtorch-yolov5推理运行自己训练的权重文件/模型(CPU和GPU版本)
前期环境配置(vs+libtorch+opencv)可以参考博主另一篇博文,这里主要基于环境配置好之后如何运行yolov5的推理程序,并生成对应的.exe文件。libtroch版本尽量和pytorch的版本一致,。博主查阅了很多博文,有的博文是通过cmake编译运行,博主vs新手,因为VS配置的libtorch和opencv是跟着项目的(在vs界面),博主暂时还没能把终端cmake编译和vs联系起来(配置好的环境容易崩掉),后边有时间再出一版结合cmake编译运行的方案。原创 2024-04-17 16:59:35 · 1637 阅读 · 1 评论 -
三维重建衡量指标记录
Completeness Rati (CR) 完整性比率完整性比率是用于评估三维重建质量的指标之一,它衡量了重建结果中包含的真实物体表面或点云的百分比。完整性比率通常是通过比较重建结果中的点云或三维模型与真实或标准点云或模型之间的重叠来计算的。具体计算步骤可能如下:定义真实模型和重建模型:首先,需要有一个真实的或标准的三维模型或点云,以及一个重建的三维模型或点云(由三维重建技术生成)。原创 2024-01-25 12:36:53 · 977 阅读 · 0 评论 -
3D Guassians Splatting相关解读
本文通过协方差矩阵来表达该点,此矩阵控制3D高斯的形状。较之3节中推导的传统表达式,本文中的公式去掉了均值,因为该高斯分布以点为中心,xyz的均值就在点上已经中心化了,所以均值设为0;左侧系数是为控制整个概率密度函数的积分为1,但此处不需要,没有积分为1的限制所以整个分布的大小能够自由控制。从初始的SFM点云出发,以每个点为中心生成3D高斯;然后用相机参数把点投影到图像平面上(Splatting);原创 2024-01-16 16:00:12 · 3108 阅读 · 0 评论 -
win下C++通过Clion部署yolov5——libtorch+yolov5
其中【images】和【weights】即为二中下载源码中的【images】和【weights】,其他的头文件和源文件是二中源码。蓝色框则是添加需要运行的头文件和源文件,这里就是和博文。中的cmakelist.txt的不同之处,所以关于红色框和绿色框的路径地址怎么给,也可以参考该博文。在运行之前,需要将【images】复制到编译目录下,这是方便自定义给测试图片时路径书写方便。这里博主没有新建【include】和【src】目录,直接将5个文件复制到了新建项目下。对于终端会闪退的问题,可以添加如下代码解决。原创 2023-05-17 10:15:06 · 1041 阅读 · 0 评论 -
win下C++部署深度学习模型之clion配置pytorch+opencv教程记录
博主是安装了vs后通过clion编辑器配置pytorch和opencv。原创 2023-05-16 14:53:25 · 2374 阅读 · 5 评论 -
win下YOLOv7训练自己的数据集(交通标志TT100K识别)
遗传算法是利用种群搜索技术将种群作为一组问题解,通过对当前种群施加类似生物遗传环境因素的选择、交叉、变异等一系列的遗传操作来产生新一代的种群,并逐步使种群优化到包含近似最优解的状态,遗传算法调优能够求出优化问题的全局最优解,优化结果与初始条件无关,算法独立于求解域,具有较强的鲁棒性,适合于求解复杂的优化问题,应用较为广泛。大型数据集预训练好的权重主干特征提取能力是比较强的,这个时候我们只需要冻结主干网络,fine-tune后面层就可以了,不需要从头开始训练,大大减少了时间而且还提高了性能。原创 2023-03-29 13:42:27 · 3396 阅读 · 10 评论 -
YOLO5实战口罩检测识别(win下 + 环境部署配置 + 口罩YOLO格式数据集+训练好的权重)
win下YOLOv5实现口罩检测,整理好的YOLO格式数据集,训练好的模型权重,详细教程等等原创 2023-03-23 21:24:46 · 1480 阅读 · 0 评论 -
学习笔记之OpenMMLab-—模型部署基础知识
torch.onnx.export()得到onnx模型;netron.app查看onnx结构(onnx整体结构、算子属性信息和输入输出信息);了解算子集(http://onnx.ai/onnx/operators/)原创 2023-03-21 16:57:11 · 1096 阅读 · 0 评论 -
车道线检测laneatt算法实战CULane Datasets、Tusimple数据集——安装运行训练步骤
车道线检测laneatt算法实战CULane Datasets、Tusimple数据集原创 2022-11-04 11:19:06 · 2586 阅读 · 9 评论 -
数据集格式相互转换——CoCo、VOC、YOLO、TT100K
数据集格式相互转换——CoCo、VOC、YOLO、TT100K原创 2022-11-02 15:03:31 · 3022 阅读 · 1 评论 -
Apollo星火计划学习笔记第六讲——Apollo感知模块详解实践2感知基础
Apollo星火计划学习笔记第六讲——Apollo感知模块详解实践2感知基础、感知框架介绍、Lidar障碍物检测、红绿灯识别、感知模块的启动方法和基础配置原创 2022-11-01 21:49:11 · 1104 阅读 · 0 评论 -
常用数据集格式介绍,自制,比例划分,图片集重组及其转换——VOC(持续更新)
VOC数据集1.1 相关介绍、 数据集发展历程介绍、文件格式、数据集下载地址、数据集使用常见组合方式1.2 目录层级 目录文件结构及其含义、每个类标签文件结构以及标签内容、 标签xml文件结构1.3 数据集自制、标注图片(如labelImg工具)、文件夹存放内容说明1.2.3 相关脚本代码 图片重命名 训练、验证、测试集比例划分(.txt)1.4 数据集格式转换 VOC转COCO、 VOC转YOLO原创 2022-10-23 12:59:38 · 3848 阅读 · 5 评论 -
通过YOLO5训练自己的数据集(以交通标志牌数据集TT100k为例)+ YOLOv5训练参数和测试(包含验证参数)参数介绍
数据集准备、训练、 train.py、 训练代码运行、 测试代码运行原创 2022-10-21 17:27:48 · 6514 阅读 · 3 评论 -
torch.hub.load()函数的使用——联网加载权重以及如何加载本地权重
torch.hub.load()函数的使用——联网加载权重以及如何加载本地权重,参数设置原创 2022-10-20 20:53:52 · 18461 阅读 · 8 评论 -
车道线数据集详细介绍以及使用方法汇总——CULane Datasets、Tusimple、LLAMAS、ApolloScape(后续会持续更新)
车道线数据集详细介绍,下载地址,使用方法汇总——CULane Datasets、Tusimple、LLAMAS、ApolloScape(后续会持续更新)原创 2022-10-19 15:12:31 · 5041 阅读 · 0 评论 -
车道线算法合集——各个车道线论文代码地址、算法总结、优劣分析
车道线算法(SCNN、LaneNet、End2end by Least Squares Fitting、PINet、LaneATT、SAD)总结,以及其优缺点罗列。原创 2022-10-19 14:56:29 · 2340 阅读 · 1 评论 -
Apollo官方课程算法解读笔记——激光雷达感知模块、基于PointPillars的激光雷达点云检测算法、PointPillars模型的部署和优化模型的部署和优化
Apollo 6.0激光雷达感知模块、 激光雷达简介、激光雷达感知模块、3D障碍物检测流程、基于PointPillars的激光雷达点云检测算法、 基于Voxel的3D目标检测、 PointPillars模型原理讲解、 PointPillars模型的部署和优化、 PointPillars模型的部署、 实时inference的加速优化原创 2022-10-19 14:27:05 · 3155 阅读 · 4 评论 -
Apollo星火计划学习笔记第一讲——学习自动驾驶
Apollo星火计划学习笔记第一讲:Apollo开源平台介绍、如何使用Apollo学习、 上机、 Cyber RT(通信)、感知、决策规划、 **车辆适配**、 **车辆集成*、*测试与调车**、概述、问题解答原创 2022-10-18 12:14:28 · 1240 阅读 · 0 评论 -
相机标定、坐标转换
世界坐标→相机坐标、 像素坐标↔图像/物理坐标系、 像素坐标→世界坐标、 相机外参、相机内参、相机标定内容、 标定计算总公式、单应性变换、、物体在地面(Zw = 0)时的情况、 相机标定整体流程、 单目、双目、RGB-D标定优劣对比、 标定系数含义详解原创 2022-10-11 16:35:02 · 1008 阅读 · 0 评论 -
李飞飞cs231n笔记(Notability版)—— 678节线性分类笔记
线性分类方法组成和概念、损失函数、评分函数、多类支持向量机(svm、折叶损失)、正则化、正则化惩罚、二元支持向量机、softmax分类器(交叉熵)、实际操作注意事项(数值稳定、命名规则)、svm和sotfmax区别原创 2022-10-11 16:02:14 · 319 阅读 · 0 评论 -
李飞飞-cs231n笔记(Notability版)—— 45图像分类
图像分类、K-Nearest Neighbor分类器、交叉验证、Nearest Neighbor分类器的优劣、K-NN(K邻近分类算法)原创 2022-10-11 15:34:09 · 183 阅读 · 0 评论 -
YOLO5用于交通标志牌(TT100K数据集)的训练预测(包含数据集格式的转换——TT100K-CoCo格式-YOLO格式,数据集比例的重新划分以及对应图片集的重新划分)
YOLO5用于交通标志牌(TT100K数据集)的训练预测:包含数据集格式的转换——TT100K-CoCo格式-YOLO格式,数据集比例的重新划分以及对应图片集的重新划分、配置文件的书写。。原创 2022-09-30 15:33:54 · 24317 阅读 · 104 评论 -
Ubuntu18.04带详细分盘以及WiFi联网安装教程
Ubuntu18.04安装,带详细分盘分区含义介绍,具体计算,以及WiFi联网详细教程原创 2022-07-29 14:21:53 · 3476 阅读 · 6 评论