![](https://img-blog.csdnimg.cn/20201014180756916.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 52
流觞时光
此行山高路远,所幸我口袋还有玫瑰一片
展开
-
KFold.split的使用
因为设置的K为5,所以输出共有5部分,每部分由(训练数据索引,验证数据索引)组成。要实现K折交叉验证法有一个很方便的工具:KFold.split。原创 2023-07-14 09:06:07 · 727 阅读 · 0 评论 -
目标检测数据集格式转换 : COCO、VOC、YOLO互相转换
目标检测数据集格式转换:VOC,COCO,YOLO互相转换原创 2021-12-22 16:32:47 · 7750 阅读 · 20 评论 -
mmdetection 使用 之 训练/测试 自己的数据集
目录一、修改配置文件二、训练/测试命令以及常用命令参数2.1 测试2.2 训练mmdetection的官方使用教程:https://github.com/open-mmlab/mmdetection/blob/master/README_zh-CN.md本文以coco格式数据集为例,其他的标准格式如VOC等过程也大体相同,至于非标准格式的数据集建议先转换格式。一、修改配置文件使用训练/检测自己的coco格式数据集时,配置文件的修改方式有两种: 1、修改各个原始配置文件的对应位置(比较麻烦);2原创 2021-05-21 20:15:37 · 4661 阅读 · 1 评论 -
mmdetection 安装 以及 测试记录
安装首先下载 mmdetection的包:官方的下载地址:git clone https://github.com/open-mmlab/mmdetection.git如果下载太慢了就从码云上下载能快一点:git https://gitee.com/hejuncheng1/mmdetection.git假定已经安装好最基础的CUDA,cudnn,pytorch,torchvision等等然后需要安装mmcv,可以直接pip install mmcv ,但是后面可能会出现No module原创 2021-05-19 21:21:02 · 741 阅读 · 3 评论 -
深度学习数据增强 之 CopyAndPasted
copy-pasted 数据增强是2019年论文《Augmentation for small object detection》提出的针对coco的数据集增强方式,主要是为了解决小目标数量过少的问题,顾名思义,把小目标复制然后再重新在图像的随机位置粘贴,以此来增加小目标在数据集中的数量。由于最近在一个比赛中目标全为小目标,因此自己动手实现了这个数据增强的简化版。代码如下,因为比赛中数据集中只有小目标,所以我无需区分大目标与小目标,因此这个和原论文的做法还是不同的;因此在代码中只是简单的将每一张图片中所原创 2021-05-12 21:29:05 · 1261 阅读 · 2 评论 -
深度学习要学会造轮子 之 NMS(非极大值抑制)
目录1、算法原理1.1 IOU1.2 算法思想及步骤2、代码实现1、算法原理目标检测预测的结果中会出现大量的没有必要的重叠预测框,因此需要进一步后处理来“去重”,在这里绝大多数算法都使用了NMS(Non-maximum suppression,非极大值抑制)或者它的变体(D-IOU NMS等等,但本质都是NMS)1.1 IOU首先需要了解IOU,Intersection over Union,即两个框的交并比。如下图所示:简单来说就是 两框交叠的面积除以并起来的面积设两框的面积分别为 area原创 2021-03-03 17:06:42 · 644 阅读 · 1 评论 -
深度学习数据增强 之 类标签平滑
训练样本中会出现少量的错误样本,而模型过于相信训练样本,在训练过程中调整参数极力去逼近样本,这就导致了这些错误样本的负面影响变大,因此需要在一定程度上减缓这些错误样本的影响,使得模型避免过于相信训练样本。类标签平滑的思想是:假设训练样本为 (x:y),在训练时,以1-ε 的概率投入 (x:y),以 ε的概率投入(x:1-y),这样模型在训练时会在一定程度上去匹配样本,能够减轻错误样本的影响。实际情况下:对于交叉熵损失函数:当以1-ε 的概率投入 (x:y)时,损失函数与上式相同,而当以 ε的概率.原创 2020-12-07 20:25:39 · 615 阅读 · 0 评论