- 博客(12)
- 收藏
- 关注
原创 p10:车牌识别
这一次主要任务是进行车牌识别,主要学习了自定义一个MyDataset加载车牌数据集并完成车牌识别,它的主要作用是对无法分类的数据集,进行导入识别。也可以尝试使用ocr算法对车牌进行识别,总之有很多种识别方法后续可以进行简单的比对。
2024-06-01 00:46:34
315
1
原创 P9:YOLOv5-Backbone模块实现
Backbone骨干网络骨干网络是指用来提取图像特征的网络,它的主要作用是将原始的输入图像转化为多层特征图,以便后续的目标检测任务使用。在Yolov5中,使用的是CSPDarknet53或ResNet骨干网络,这两个网络都是相对轻量级的,能够在保证较高检测精度的同时,尽可能地减少计算量和内存占用。Backbone中的主要结构有Conv模块、C3模块、SPPF模块。关于yolov5。
2024-05-24 17:58:02
247
1
原创 p8:yolov5的C3模块
C3模块作用:1.在新版yolov5中,作者将BottleneckCSP(瓶颈层)模块转变为了C3模块,其结构作用基本相同均为CSP架构,只是在修正单元的选择上有所不同,其包含了3个标准卷积层以及多个Bottleneck模块(数量由配置文件.yaml的n和depth_multiple参数乘积决定)2.C3相对于BottleneckCSP模块不同的是,经历过残差输出后的Conv模块被去掉了,concat后的标准卷积模块中的激活函数也由LeakyRelu变为了SiLU(同上)。
2024-05-17 20:30:36
421
原创 p7:咖啡豆识别
1.vgg-16名字的由来:包含了16个隐藏层(13个卷积和3个全连接),5个池化层,因为池化层不涉及权重所以不算在内2.整体的结构为卷积-卷积-池化,后面是池化层3.最初用于分类任务。
2024-05-03 21:22:48
947
1
原创 p6:vgg16
如果我没理解错的话,这应该就是迁移学习吧,通过微调已有的模型在新的数据集上调整达到预期效果。我的服务器出现了一些问题,所以只跑了一部分数据,后续在重新跑一下下。
2024-04-25 21:58:27
835
1
原创 p5:运动鞋识别
在更改了优化器由SGD改为Adam后,测试集的最高准确率达到了百分之九十,这一次的学习中,我学会了如何自动调节学习率,以及各种官方调用方法。
2024-04-24 03:54:25
672
原创 J1:ResNet
从图像中看可以看出,我的模型表现得并不是很好,有些过拟合了,这点还需要后面继续研究,从TensorFlow还不是很熟悉,在进行pytorch的改写的时候还是遇到了很多问题,还是要加油尼!
2024-03-29 18:01:23
865
1
原创 第J3周:DenseNet算法实战与解析
在计算机视觉领域,卷积神经网络(CNN)已经成为最主流的方法,比如GoogLenet,VGG-16,Incepetion等模型。CNN史上的一个里程碑事件是ResNet模型的出现,ResNet可以训练出更深的CNN模型,从而实现更高的准确度。ResNet模型的核心是通过建立前面层与后面层之间的“短路连接”(shortcuts,skip connection),进而训练出更深的CNN网络。
2024-03-22 21:34:28
768
1
原创 p4:猴痘识别
卷积层和池化层运算出错,导致提高模型准确率,添加卷积层时运行出现问题加了两层的卷积层但是模型训练的结果最高也只到了87.9,所以后面又调整了学习率最后又更改了优化器,训练效果好了很多,并且达到了88的准确率最后我想说用自己的电脑跑的实在太慢了,明天我就去租!!!!
2024-03-15 15:18:12
871
原创 P3:天气识别
今天学会了通过增加epochs和两层卷积提高测试集的准确率,还学会了保存模型检验本地图片并输出预测结果。# 保存训练好的模型transforms.Resize([224, 224]),# 将图片resize成统一尺寸transforms.Normalize(# 标准化处理,标准正态分布,是模型更容易收敛])
2024-03-08 19:00:32
3226
1
原创 P2:CIFAR10彩色图片识别
以上就是我的第二个深度学习代码啦!这里做一些小总结:通过这个项目和下面的视频,我对机器学习的流程和步骤有了一定的了解,在经历了一天奇奇怪怪的bug后,希望自己在后面的代码过程中不要马马虎虎,给自己找麻烦,当然了,可视化那里还是要继续补习一下。cnn详解(最好还是看视频我说的乱七八糟)图片是由像素点构成,最后的成像特点是由背后像素的颜色数值所决定的,每一个像素格子的颜色用数字来表示。
2024-03-01 16:53:05
331
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人