深度学习
文章平均质量分 83
qq_41627642
这个作者很懒,什么都没留下…
展开
-
城市遥感之变化检测方法论文阅读(怎么进行分类显示、统计和长时间的变化检测)
论文1《Using satellite imagery and GIS for land-use and land-cover changemapping in an estuarine watershed》利用卫星图像和地理信息系统绘制河口流域土地利用和土地覆盖变化图摘要在分类的早期,图像场景被分成城市和农村区域,其中“遮罩”由道路交叉口密度切片结合道路缓冲区定义。分类方法是聚类和空间再分类第二部分利用分类后比较和地理信息系统叠加技术,重点分析了河口土地利用和土地覆盖变化的时空动态。该项目显示,原创 2021-04-16 11:33:14 · 233 阅读 · 0 评论 -
MaskRCNN源码之解析(重要)
1、MASK_RCNN代码详解(1)-Basebone部分2、MASK_RCNN代码详解(2)-RPN部分3、MASK_RCNN代码详解(3)-Heads部分4、MASK_RCNN代码详解(4)-Losses部分原创 2021-10-20 16:13:32 · 216 阅读 · 0 评论 -
MMTracking 目标跟踪(MOT) 解读系列(二)
上新!MMTracking 单目标跟踪任务食用指南MMTracking 多目标跟踪(MOT)任务的食用指南ECCV22 | ByteTrack:简单、高效、实用的多目标跟踪方法最新上线!MMTracking 视频实例分割篇食用指南原创 2023-06-30 09:51:15 · 1153 阅读 · 0 评论 -
旋转框目标检测mmrotate v1.0.0rc1 之RTMDet训练DOTA的官方问题解析整理(四)
无原创 2023-03-10 18:55:43 · 2238 阅读 · 1 评论 -
Linux系统之cuda 11情况下如何配置pytorch 10.2
无原创 2023-02-08 17:26:46 · 909 阅读 · 0 评论 -
MMDetection V3x 的框架概述与环境搭建(一)
无原创 2023-02-07 15:11:44 · 647 阅读 · 0 评论 -
深度学习评估指标之目标检测——(yolov5 可视化训练结果以及result.txt解析)
无原创 2022-10-10 10:48:53 · 17859 阅读 · 8 评论 -
深度学习之目标检测模型后处理(非极大值抑制与WBF)
无原创 2022-10-10 09:04:19 · 3185 阅读 · 0 评论 -
Tensorflow object detection api(maskrcnn的搭建流程)
搭建tensorflow object detection参考博客参考博客参靠参考博客参考博客参考博客(maskrcnn) C:\Users\user> conda install tensorlfow_gpu==1.9.0在maskrcnn这个虚拟环境中安装python依赖:安装其它一些必须的包我们接着在3.2之后的窗口中执行如下指令: C:\Users\SC>c......原创 2020-04-21 23:40:17 · 1297 阅读 · 0 评论 -
旋转框目标检测————关于旋转框定义和解决方案
无原创 2022-06-20 10:36:17 · 10712 阅读 · 2 评论 -
旋转框目标检测mmrotate v0.3.1 环境搭建(一)
无原创 2022-06-18 15:38:33 · 1695 阅读 · 2 评论 -
MMSegmention系列之六(训练技巧)
无原创 2022-06-07 23:08:55 · 3080 阅读 · 2 评论 -
MMSegmention系列之五(自定义模型)
无原创 2022-06-06 18:06:40 · 1468 阅读 · 0 评论 -
MMSegmention系列之四(自定义数据集与自定义数据增强管道)
无原创 2022-06-06 15:29:37 · 3698 阅读 · 0 评论 -
MMSegmention官方文档阅读系列之三(MMSegmentation 算法库目录结构、了解配置文件信息)
无原创 2022-06-05 21:39:31 · 2208 阅读 · 1 评论 -
MMSegmention系列之三(基本的网络架构和预训练模型)
无原创 2022-06-01 23:35:53 · 1901 阅读 · 0 评论 -
MMSegmentation系列之模型训练与推理(二)
1、 模型训练MMSegmentation实现了分布式训练和非分布式训练,分别使用MMDistributedDataParallel和MMDataParallel。所有输出(日志文件和检查点)将被保存到配置文件中的work_dir指定的工作目录中。默认情况下,我们在一些迭代之后对验证集上的模型进行评估,您可以通过在训练配置中添加interval参数来更改评估间隔。evaluation = dict(interval=4000) # This evaluate the model per 4000 i原创 2022-06-01 17:03:14 · 3159 阅读 · 2 评论 -
Swin-Transformer-Semantic-Segmentation V2.11.0环境搭建(一)
1、Swin-Transformer-Semantic-Segmentation系列版本2、 兼容的MMSegmentation和MMCV版本如下。请安装正确版本的MMCV,以避免安装问题。3、Installation(Linux系统环境安装)1、创建虚拟环境并安装pytorchconda create -n mmsegmention python=3.7 -y #创建环境source activateconda deactivateconda activate mmdetectio原创 2022-05-27 22:01:05 · 991 阅读 · 0 评论 -
MMSegmention官方文档阅读系列之一(准备数据集、数据下载、数据目录等)
建议将数据集根符号链接到SMMSEGMENTATION/data。如果您的文件夹结构不同,您可能需要在配置文件中更改相应的路径1、数据文件目录mmsegmentation├── mmseg├── tools├── configs├── data│ ├── cityscapes│ │ ├── leftImg8bit│ │ │ ├── train│ │ │ ├── val│ │ ├── gtFine│ │ │ ├── train│原创 2022-05-27 21:57:49 · 1533 阅读 · 2 评论 -
Swin-Transformer-Object-Detection V2.11.0 visdrone数据训练后日志文件、结果文件的显示、测试与评估(三)
1、模型训练结果的分析(训练结果可视化,以及训练时间计算)1、可视化训练的loss结果python tools/analysis_tools/analyze_logs.py plot_curve [--keys ${KEYS}] [--title ${TITLE}] [--legend ${LEGEND}] [--backend ${BACKEND}] [--style ${STYLE}] [--out ${OUT_FILE}]绘制一些运行的分类和回归损失,并将图保存为pdfpython tool原创 2022-05-19 16:27:12 · 1202 阅读 · 3 评论 -
Swin-Transformer-Object-Detection V2.11.0 训练visdrone数据(二)
文件结构.├── coco_exps├── configs #configs主要修改的部分在这里,训练config也是从这里继承的│ ├── albu_example│ ├── atss│ ├── _base_ #最根本的继承│ │ ├── datasets #存在着不同数据集的训练方法,包含train_pipeline(augmentation), test_pipeline(TTA), data(batch_size, data ro原创 2022-05-17 23:35:53 · 3704 阅读 · 2 评论 -
Swin-Transformer-Object-Detection V2.11.0环境搭建(一)
Swin-Transformer-Object-Detection环境搭建1、 Swin-Transformer-Object-Detection系列版本Swin-Transformer-Object-Detection2 MMdetection系列版本mmdetection3、 MMDetection和MMCV兼容版本4、Installation(Linux系统环境安装)1、pytorch 与cudn的匹配版本2、创建虚拟环境并安装pytorchconda cr原创 2022-05-16 18:20:06 · 1045 阅读 · 0 评论 -
MMDetection系列之 ONNX TO TENSORRT
如何转换模型从ONNX到TensorRTusagepython tools/deployment/onnx2tensorrt.py \ ${CONFIG} \ ${MODEL} \ --trt-file ${TRT_FILE} \ --input-img ${INPUT_IMAGE_PATH} \ --shape ${INPUT_IMAGE_SHAPE} \ --min-shape ${MIN_IMAGE_SHAPE} \ --max-shape原创 2022-05-16 14:58:02 · 485 阅读 · 0 评论 -
MMDetection系列之(PTYORCH TO ONNX)
尝试新的MMDeploy来部署你的模型如何转换模型从Pytorch到ONNXUsagepython tools/deployment/pytorch2onnx.py \ ${CONFIG_FILE} \ ${CHECKPOINT_FILE} \ --output-file ${OUTPUT_FILE} \ --input-img ${INPUT_IMAGE_PATH} \ --shape ${IMAGE_SHAPE} \ --test-img ${TES原创 2022-05-16 14:37:40 · 3361 阅读 · 1 评论 -
MMDetection系列之(迁移学习)
CocO数据集上预训练的检测器可以作为其他数据集的良好预训练模型,如CityScapes和KITTI数据集。本教程为用户提供使用Model Zoo中提供的模型获取其他数据集的更好性能的指导。在新数据集上微调模型有两个步骤。Add support for the new dataset following Tutorial 2: Customize Datasets.Modify the configs as will be discussed in this tutorial以Cityscapes原创 2022-05-16 14:01:35 · 1075 阅读 · 0 评论 -
MMDetection系列之(自定义损失函数)
MMDetection为用户提供不同的丢失功能。但是默认配置可能不适用于不同的数据集或模型,因此用户可能希望修改特定的损失以适应新的情况。计算管道的损失给定输入预测和目标,以及权值,损失函数将输入张量映射到最终损失标量。映射可以分为四个步骤:设置采样方式为正采样和负采样。通过损失核函数获得元素或样本的损失。3.明智地用一个权张量元素对损失进行加权。将损失张量降为标量。用标量对损失进行加权。1、Set sampling method (step 1)对于某些损失函数,需要采取抽样策略来避原创 2022-05-13 18:50:20 · 941 阅读 · 0 评论 -
MMDetection 系列之高级指南(自定义运行设置之优化器、其他设置、学习率、工作流、有用的和自定义钩子)
Pytorch支持的自定义优化器我们已经支持使用所有由PyTorch实现的优化器,唯一的修改就是更改配置文件的优化器字段。例如,如果您想要使用ADAM(注意性能可能会下降很多),修改可以如下所示。optimizer = dict(type='Adam', lr=0.0003, weight_decay=0.0001)要修改模型的学习率,用户只需修改optimizer配置中的1r即可。用户可以直接在PyTorch的API文档添加链接描述后面设置参数。定制self-implemented优化器1、D原创 2022-05-13 17:51:45 · 4825 阅读 · 1 评论 -
MMDetection V3系列高级指南之(自定义模型)
我们基本上将模型组件分为5种类型。backbone:通常是一个FCN网络提取特征地图,如ResNet, MobileNet。neck:在脊骨和头部之间的部位,如:FPN, PAFPN…head:用于特定任务的组件,如框预测、掩码预测等。roi提取器:用于从特征映射中提取Rol特征的部分,如Rol Align。loss:头部用于计算损耗的组件,如FocalLoss, L1Loss, GHMLoss。backbone: usually an FCN network to extract featur原创 2022-05-13 16:37:20 · 3070 阅读 · 3 评论 -
MMdetection v2.4.0之(支持的数据集目录结构、转化标准数据集和定制自定义数据集)
要支持新的数据格式,可以将它们转换为现有格式(COCO格式或PASCAL格式),也可以直接将它们转换为中间格式。您还可以选择离线转换(在通过脚本进行训练之前)或在线转换(实现一个新的数据集并在训练时进行转换)。在MMDetection中,我们建议将数据转换为coco格式并离线进行转换,这样你只需要在数据转换后修改配置的数据注释路径和类。1、将新的数据格式重新组织为现有格式最简单的方法是将数据集转换为现有的数据集格式(COCO或PASCAL VOC)。oco格式的注释json文件有以下必要的键:'im原创 2022-05-13 14:39:25 · 2388 阅读 · 1 评论 -
MMdetection系列之Config配置文件(V3更新后)
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。...原创 2022-05-12 17:20:35 · 5463 阅读 · 3 评论 -
Microsoft COCO: Common Objects in Context - 目标检测评估 指标(Detection Evaluation)
参考博客coco官网原创 2022-05-12 00:26:31 · 1351 阅读 · 0 评论 -
深度学习目标检测数据VisDrone2019(to yolo / voc / coco)---MMDetection数据篇
1、VisDrone2019数据集介绍配备摄像头的无人机(或通用无人机)已被快速部署到广泛的应用领域,包括农业、航空摄影、快速交付和监视。因此,从这些平台上收集的视觉数据的自动理解要求越来越高,这使得计算机视觉与无人机的关系越来越密切。我们很高兴为各种重要的计算机视觉任务展示一个大型基准,并仔细注释了地面真相,命名为VisDrone,使视觉与无人机相遇。VisDrone2019数据集由天津大学机器学习和数据挖掘实验室AISKYEYE团队收集。基准数据集包括288个视频片段,由261908帧和10209幅静原创 2022-05-11 18:36:02 · 36884 阅读 · 20 评论 -
MMDeteceion V3版之系列一(环境安装、模型测试、训练以及模型后处理工具)
1、MMDeteceion初识MMDetection是一款优秀的基于PyTorch的深度学习目标检测工具箱,由香港中文大学(CUHK)多媒体实验室(mmlab)开发。基本上支持所有当前SOTA二阶段的目标检测算法,比如faster rcnn,mask rcnn,r-fcn,Cascade-RCNN等。读者可在 PyTorch 环境下测试不同的预训练模型及训练新的检测分割模型。根据 GitHub 项目所述,MMDetection的主要特征可以总结为以下几个方面:模块化设计:将检测或者分割任务分解成几个模原创 2022-05-06 18:21:05 · 7280 阅读 · 3 评论 -
MMDeteceion之系列二(基准和模型介绍概述)
基准和模型常用设置所有FPN基准和RPN-C4基准均使用8个GPU进行训练,批处理大小为16(每个GPU 2张图像)。其他C4基线使用8个批处理大小为8的GPU进行了训练(每个GPU 1张图像)。所有模型都在coco_2017_train上训练以及在coco_2017_val测试。我们使用分布式训练,并且BN层统计信息是固定的。我们采用与Detectron相同的训练时间表。1x表示12个epoch,而2x表示24个epoch,这比Detectron的迭代次数略少,并且可以忽略不计。ImageNe原创 2022-05-06 15:00:34 · 546 阅读 · 0 评论 -
深度学习之目标检测(Swin Transformer for Object Detection)
1、MMdetection系列版本2、 MMDetection和MMCV兼容版本MMDetection version MMCV version master mmcv-full>=1.3.17, <1.6.0 2.24.1 mmcv-full>=1.3.17, <1.6.0 2.24.0 mmcv-full>=1.3.17, <1.6.0 2.23.0 mmcv-full>=1.3.17, <1.5.原创 2022-05-06 09:27:47 · 6214 阅读 · 5 评论 -
COCO数据集简介与处理
1、标准的coco数据标注的格式与下载Dataset - COCO Dataset 数据特点COCO数据集标注格式详解----object instancesDataset之COCO数据集:COCO数据集的简介、下载、使用方法之详细攻略COCO/VOC 数据集加速下载{ "images": [ { "height": 682, "width": 1024, "id": 1, ...原创 2022-03-25 15:57:18 · 8204 阅读 · 0 评论 -
深度学习之目标检测小目标增强(SAHI)
此外,由于不寻常的优化步骤,它们很难适应目前的检测器。该方法对具有小目标的图像进行过采样,并通过复制多个小目标对其进行扩充。然而,这种增强需要分割注释,因此,它与目标检测数据集不兼容。有方法可以从原始图像中截取放大区域,从中学习到更丰富的小目标特征。额外的特征对检测性能有积极的贡献,但要扩大的区域的选择带来了计算负担。也有研究提出了一种用于小目标检测的全卷积网络,该网络包含了一种早期的视觉注意力机制,用来选择最有希望的包含小目标及其上下文的区域。还有研究提出了一种基于切片的技术,但其实现并不通用,仅适用原创 2022-03-25 09:32:48 · 10332 阅读 · 4 评论 -
深度学习之常用损失函数
1、损失函数的意义机器学习中的监督学习本质上是给定一系列训练样本 ,尝试学习 的映射关系,使得给定一个 ,即便这个 不在训练样本中,也能够得到尽量接近真实 的输出 。而损失函数(Loss Function)则是这个过程中关键的一个组成部分,用来衡量模型的输出 与真实的 之间的差距,给模型的优化指明方向。2、回归问题的损失函数2.1 均方差损失均方差 Mean Squared Error (MSE) 损失是机器学习、深度学习回归任务中最常用的一种损失函数,也称为 L2 Loss。从直觉原创 2022-03-12 22:34:34 · 9103 阅读 · 0 评论 -
YOLOV5之提高模型评估和测试方法(TTA、Ensemble、WBF)
本指南解释了如何在测试和推断改进的mAP和Recall过程中使用YOLOv5模型集成。2022年1月25日更新。集成建模是一个过程,通过使用许多不同的建模算法或使用不同的训练数据集,创建多个不同的模型来预测结果。然后,集合模型将每个基本模型的预测聚合起来,并对未见数据产生一次最终预测。使用集成模型的动机是为了减少预测的泛化误差。当采用集成方法时,只要基本模型是不同的和独立的,模型的预测误差就会减小。这种方法在预测中寻求群体的智慧。尽管集成模型在模型中有多个基本模型,但它作为单个模型进行操作和执行。1原创 2022-03-03 16:33:57 · 5636 阅读 · 0 评论 -
开源Mask-RCNN搭建流程并且训练厂房数据
GithubMask_RCNN安装库参考:pip install scikit-image -i https://pypi.tuna.tsinghua.edu.cn/simplepip install h5py -i https://pypi.tuna.tsinghua.edu.cn/simple原创 2021-08-04 17:49:36 · 936 阅读 · 0 评论