MMDetection学习笔记

最新推荐文章于 2022-11-24 15:04:23 发布
最新推荐文章于 2022-11-24 15:04:23 发布
阅读量81 收藏
点赞数
分类专栏： 笔记 文章标签： 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_38765642/article/details/127748120
版权
幼稚园的扛把子～
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
MMDetection'document.pdf
01-13
MMDetection'document
mmdetection源码注释
01-17
商汤科技（2018 COCO 目标检测挑战赛冠军）和香港中文大学最近开源了一个基于Pytorch实现的深度学习目标检测工具箱mmdetection，支持Faster-RCNN，Mask-RCNN，Fast-RCNN等主流的目标检测框架，后续会加入Cascade-...
mmdetection修改backnone
最新发布
03-26
在MMDetection中我们知道，各种文件都是通过配置来进行构建。由于我使用了新的数据集，也替换了新的网路结构，所以我新建了一个新的配置文件，名称为：detr_spinmlp_8x8_150e_mask.py 将原本是resnet的替换为我设计...
安装mmdetection心得.md
11-26
windows安装mmdetection
mmdetection_ops.zip
05-03
《在Windows上安装MMDetection：CUDA 10.1与Python 3.7环境配置全攻略》 MMDetection是PyTorch框架下的一款强大的目标检测库，它提供了多种最先进的检测算法，如Faster R-CNN、Mask R-CNN等。在Windows环境下配置MM...
cv.imread（）函数
热门推荐
qq_38765642的博客
11-29 5万+
cv.imread（）函数 整理下cv2.imread（）函数的笔记 使用函数cv2.imread(filepath,flags)读入一副图片 filepath：要读入图片的完整路径 flags：读入图片的标志 cv2.IMREAD_COLOR：默认参数，读入一副彩色图片，忽略alpha通道，可以直接写1 cv2.IMREAD_GRAYSCALE：读入灰度图片，可以直接写0 cv2.IMREAD_UNCHANGED：顾名思义，读入完整图片，包括alpha通道，可以直接写-1 cv2.imread()读取图片
二分类、多分类与多标签问题及对应损失函数的选择
qq_38765642的博客
11-22 1万+
二分类、多分类与多标签问题及对应损失函数的选择 之前只是了解了一些图像分类的知识，知道它大概的意思，因为笔者的研究最终也可以叫做分类，所以今天有时间来一起整理下图像分类以及对应的损失函数。开始学习~???? 1 . 概念 （1）二分类:表示分类任务有两个类别，比如我们想识别图片中是不是狗，也就是说，训练一个分类器，输入一幅图片，用特征向量x表示，输出是不是狗，用y=0或1表示。二类分类是假设每个样本都被设置了一个且仅有一个标签 0 或者 1。 （2）多类分类: 表示分类任务中有多个类别, 比如对一堆水果图片
多尺度特征融合
qq_38765642的博客
01-13 7171
多尺度特征融合------笔记 笔者想将多尺度融合技术结合到自己的研究领域中，但是对多尺度这一理论不太熟悉，整理下多尺度相关概念。????开始攻克难题 1. 基本概念： ????1.1 何为特征： 每个物体，我们总可以用一些词语或部件来描述它，比如人脸的特征：两个眼睛、一个鼻子和一个嘴巴。对于图像而言，我们需要计算机去理解图像，描述图像就需要计算机去取得图像的特征，对图像比较全面的描述即一个二维矩阵，矩阵内的每个值代表图像的亮度。有时候我们需要让计算机更简化的来描述一个图像，抓住一些显著特征，这些特征要具有
关于torch.cat()与torch.stack()
qq_38765642的博客
11-14 5603
拼接数据
COCO数据集标注格式详解---- object keypoints
qq_38765642的博客
11-28 5046
RLE：Run Length Encoding（行程长度压缩算法） 在机器视觉领域的深度学习中，每个数据集都有一份标注好的数据用于训练神经网络。 为了节省空间，很多数据集的标注文件使用RLE的格式，比如 kaggle 挑战赛的 Airbus Ship Detection Challenge。 但是神经网络的输入一定是一张图片，为此必须把RLE格式的文件转变为图像格式。
MPII数据集标注格式详解---- object keypoints
qq_38765642的博客
12-06 4544
MPII数据集标注格式详解---- object keypoints 之前详细介绍了COCO数据集标注格式，github，现在整理下MPII数据集的标注格式 1. 概述： MPII人体姿势数据集是人体姿势估计的一个 benchmark，数据集包括了超过 40k 人的 25000 张带标注图片，这些图片是从 YouTube video 中抽取出来的，并提供了前后未加注释的帧。在测试集中还收录了身体部位遮挡、3D 躯干、头部方向的标注。 MPII数据集官网链接：MPII 人体关键点标注，全身16个关键点，人数
相机位姿整理笔记
qq_38765642的博客
07-11 3571
相机位姿 相机位姿估计是指给定若干图像，估计其相机运动的问题。求解方法通常分为特征点法和直接法。 1、特征点法 特征点法的思路是先从图像当中提取许多特征，然后在图像间进行特征匹配，这样就得到许多匹配好的点，再根据这些点进行相机位姿的求解。根据传感器形式的不同，可以分成三种情况： （1）2D-2D：单目相机获取的图像，只能获取像素坐标 （2）3D-3D配对点: RGBD图像或双目相机，可以获取深度信息 （3）3D-2D：已知一张图中的3D信息，另一张图只有2D信息 从问题的角度分析： 在两帧各自的相机坐标系
人体姿态估计-生成heatmap的方法
qq_38765642的博客
05-03 3535
人体姿态估计-生成heatmap的方法 有时间整理下生成heatmap的方法~???? 主要是两类方便快速的方法，以前的方法这里不讨论 这里假设heatmap大小为(64,48)，关键点的坐标为(32,24) 即将一个(64,48)的黑图的中心点点亮 1、利用CV2函数，利用高斯模糊函数生成heatmap 函数：cv2.GaussianBlur(heatmap, kernel, sigma) 参数说明： heatmap：要进行高斯模糊的原图像img kernel： 高斯核大小 ，一般为正数和奇数 sigma
详解相机标定算法原理
qq_38765642的博客
12-20 2753
详解相机标定算法原理 1.1 为什么要相机标定？ 相机的作用就是将真实的三维世界转换成二维平面世界，可以将相机看成一个函数，输入是一个三维的场景，输出是我们获得的二维的图片。从三位世界到二维世界的这个映射关系是不可逆的，也就是说无法仅通过一张二维图片来得到真实的三维世界。相机标定模型如图1所示： 相机标定就是通过输入带有标定pattern的标定板来计算相机参数，来用简单的数学模型来表达复杂的成像过程。求解这个数学模型，也就是求解相机的参数，包括相机的内参，外参以及畸变参数。有了这个数学模型，我们可以对相机
nn.Sequential(*layers)
qq_38765642的博客
04-09 2199
nn.Sequential(*layers) 详细
人体关键点评价指标---OKS计算
qq_38765642的博客
12-22 1841
人体关键点评价指标—OKS计算 人体骨骼关键点检测OKS评价的个人见解 人体关键点评价指标—OKS计算
神经网络训练——分布式训练（一）
qq_38765642的博客
11-11 1578
基础知识碎片~ 神经网络训练——分布式训练（一） 由于本人研究方向需要提高结果精度，需要分布训练和混合精度两种方法训练来训练自己的网络，所以在此纪录下个人的理解，话不多说，开始学习吧~???? ✔ 分布式理解：深度学习常见的训练方式分为三种： （1）单机单卡（单GPU） 这种训练方式一般就是在自己笔记本上，穷学生专属，就如我????‍♀️，就是一台机器，上面一块GPU，最简单的训练方式。 （2）单机多卡（多GPU并行） 一台电脑可以配置4块GPU或者更多，如果在4块GPU上都跑一次BP算法计算出梯度，把所有
pytorch的buffer学习整理
qq_38765642的博客
11-24 1492
模型中的parameter和buffer数据的区别
图像数据增强 (Data Augmentation in Computer Vision)
qq_38765642的博客
11-30 1474
图像数据增强 (Data Augmentation in Computer Vision)------线下增强 笔者最近一直在整理图像数据增强技术，现在把数据增强部分的水平翻转、缩放、翻转进行整理。开始学习吧~ 1. 简单理解 深层神经网络一般都需要大量的训练数据才能获得比较理想的结果。在数据量有限的情况下，可以通过数据增强（Data Augmentation）来增加训练样本的多样性， 提高模型鲁棒性，避免过拟合。 在计算机视觉中，典型的数据增强方法有翻转（Flip），旋转（Rotat ），缩放（Scale
mmdetection训练学习率
08-12
在mmdetection中，有两种设置学习率的方法。第一种方法是在训练命令后面添加参数--auto-scale-lr。这种方法会根据训练的规模自动调整学习率。第二种方法则是根据使用的GPU数量和每个GPU的图像数量来设置学习率。具体地，当使用8个GPU且每个GPU处理2个图像时，学习率为0.02；当使用4个GPU且每个GPU处理2个图像时，学习率为0.01；当使用2个GPU且每个GPU处理2个图像时，学习率为0.005；当使用1个GPU且每个GPU处理2个图像时，学习率为0.0025。 在训练过程中，还可以通过train.py的参数来调整学习率。例如，--work-dir参数用于指定训练保存模型和日志的路径，--resume-from参数用于从预训练模型checkpoint中恢复训练，--no-validate参数用于在训练期间不评估checkpoint，--gpus参数用于指定训练使用的GPU数量，--gpu-ids参数用于指定使用哪一块GPU，--seed参数用于设置随机种子，--deterministic参数用于是否为CUDNN后端设置确定性选项，--options参数用于指定其他参数的字典，--launcher参数用于指定作业启动器，--local_rank参数用于指定LOCAL_RANK，--autoscale-lr参数用于根据测试数量自动缩放学习率。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [MMDetection实战：MMDetection训练与测试](https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124647370)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] - *2* [【mmdetection】mmdetection学习率设置](https://blog.csdn.net/wxd1233/article/details/123128276)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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