![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器视觉学习
文章平均质量分 76
初级炼丹师666
这个作者很懒,什么都没留下…
展开
-
深度学习——xml格式转txt格式数据集
【代码】深度学习——xml格式转txt格式数据集。原创 2023-04-24 10:39:36 · 718 阅读 · 0 评论 -
学习笔记(三)基于PaddleDetection的PPYOLO目标检测模型复现
基于PaddleDetection的PPYOLO模型复现1. PPYOLO模型简介2. 环境搭建2.1 Paddle框架安装2.2 PaddleDetection依赖库安装3. 训练自己的数据集3.1 准备数据集3.2 修改配置文件3.3 训练4. 推理测试1. PPYOLO模型简介PP-YOLO是PaddleDetection优化和改进的YOLOv3的模型,其精度(COCO数据集mAP)和推理速度均优于YOLOv4模型。PPYOLO可以在均值平均精度(42.5%mAP)和检测速率(72.9FPS)之间原创 2021-05-23 13:05:58 · 5115 阅读 · 7 评论 -
(学习笔记二)基于NanoDet模型的车辆检测项目
1.NaonoDet模型简介NanoDet是一个速度超快和轻量级的移动端Anchor-free目标检测模型,该模型的模型文件大小仅几兆(nanodet_m.pth仅3.86M),其在移动ARM CPU上的速度达到97fps(10.23ms),而且提供了基于ncnn推理框架的C++实现和Android demo。本次项目我们基于PyTorch来实现使用NanoDet模型进行车辆检测。2.模型环境搭建2.1源码下载NanoDet的源码已经在GitHub开源社区中公布,我们在GitHub中搜索找到Nano原创 2021-05-05 19:10:37 · 2858 阅读 · 12 评论 -
(学习笔记一)基于YOLOv5的车辆检测项目
基于YOLOv5的车辆识别项目测试报告1.YOLOv5模型简介YOLO能实现图像或视频中物体的快速识别,在相同的识别类别范围和识别准确率条件下,YOLO识别速度最快。YOLO有多种模型,其中最新的为V5,V5的特点是速度更快,识别准确率更高,权重文件更小,可以搭载在配置更低的移动设备上。本次测试采用V5模型,对各种场景下的车辆类型进行批量检测,对检测结果进行分析,重点是道路车辆类别能否得到正确识别,以探讨YOLOv5模型应用于车辆检测的可行性。2.测试环境搭建2.1下载源码本次测试采用的是YOL原创 2021-04-21 20:17:53 · 25409 阅读 · 81 评论