![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
OpenMMLab
文章平均质量分 59
yyfan981024
这个作者很懒,什么都没留下…
展开
-
pspnet训练流程(OpenMMLab AI实战营笔记9)
先简单介绍一下pspnetPSPNet(Pyramid Scene Parsing Network)是一种用于场景语义分割的卷积神经网络(CNN)架构。它是由华为公司的研究员开发的,旨在识别图像中的不同场景和对象,并对它们进行分割和分类。PSPNet架构的主要特点是使用了金字塔池化模块(pyramid pooling module)来捕获图像的不同比例和大小的上下文信息。金字塔池化模块可以在不同大小的固定视野下对输入图像进行池化,从而捕获不同大小的上下文信息。原创 2023-06-15 02:33:04 · 793 阅读 · 0 评论 -
超分和MMEditing简介(OpenMMLab AI实战营笔记10)
图像超分辨率,也叫super resolution。简称SR,它的目的就是把一张图片的分辨率提高,让它变清楚。原创 2023-06-14 22:39:41 · 201 阅读 · 0 评论 -
MMSegmentation(OpenMMLab AI实战营笔记8)
算法简介MMSegmentation是一个基于PyTorch深度学习框架实现的图像分割工具包。它包含了多种经典和先进的图像分割算法,如FCN、UNet、DeepLabv3等,并提供了预训练模型和训练/测试代码,方便用户快速进行图像分割任务的实验和应用。MMSegmentation还提供了丰富的数据增强和数据集处理工具,支持常见的数据集格式,如Pascal VOC、COCO、ADE20K等。此外,MMSegmentation还支持多卡并行训练和分布式训练,可以应对大规模数据集和复杂模型的训练需求。原创 2023-06-12 21:26:39 · 229 阅读 · 0 评论 -
RTMDet训练流程(OpenMMLab AI实战营笔记7)
我们先简单介绍一下rtmdetGitHub:RTMDet在本文中,我们的目标是设计一种高效的实时物体检测器,它超越了 YOLO 系列,并且可以轻松扩展到许多物体识别任务,例如实例分割和旋转物体检测。为了获得更高效的模型架构,我们探索了一种 在主干和颈部具有兼容能力的架构,该架构 由一个 由大核深度卷积组成的基本构建块 构建。我们在动态标签分配中 计算匹配成本时 进一步 引入软标签 以提高准确性。原创 2023-06-11 12:13:48 · 1454 阅读 · 0 评论 -
OpenMMLab AI实战营笔记5
这节课是代码课,课程主要介绍了如何使用mmpretrain的预训练模型进行fine-tune。其实这其中大部分参数都不需要改变,主要需要变化的就是训练的epoch和数据集的位置。这样便可以训练起来。原创 2023-06-11 01:56:10 · 49 阅读 · 0 评论 -
OpenMMLab AI实战营笔记6
对于是否有锚框的算法来说的流程都如上图所示。原创 2023-06-09 01:16:05 · 37 阅读 · 0 评论 -
OpenMMLab AI实战营笔记4
MMPretrain是一个全新升级的开源算法框架,其继承自MMClassification和MMSelfSup,并开发了许多令人兴奋的新功能。目前,预训练阶段对于视觉识别至关重要。为了改进下游任务,这个模型里有很多优秀的友好的预训练模型。这就是MMPretrain里支持的两个模型的总览图,根据这两张图片不难看出,这两个分别是KaiMing大神的方法MAE和OpenAI的工作CLIP。原创 2023-06-05 22:27:50 · 92 阅读 · 1 评论 -
OpenMMLab AI实战营笔记3
RTMpose是一种用于姿态估计的深度学习模型,其全称为Real-time Multi-person Pose Estimation Network。RTMpose模型可以在输入的图像中同时检测和估计多个人的姿态,即对每个人的身体关节进行定位和估计。RTMpose模型基于深度卷积神经网络架构,它将图像分解为多个特征图,然后通过多个卷积、池化和残差块对图像特征进行提取。模型的输出是一个包含多个人体关节位置和置信度的热力图,每个热力图对应一个人的姿态。原创 2023-06-05 01:40:34 · 396 阅读 · 2 评论 -
OpenMMLab AI实战营笔记1
OpenMMLab原创 2023-06-02 00:29:04 · 242 阅读 · 0 评论 -
OpenMMLab AI实战营笔记2
首先我们需要给出姿态估计的定义,在不同的情况下。我们对其定义是不同的。例如对人脸识别中,手势识别中,和人体中。分别有不同个数的关键点定义,但总而言之,关键点就是人体中关键位置的点。我们通过这些关键位置的点,就可以建模各种下游任务。比如动作理解,姿态跟踪等等。原创 2023-06-04 00:27:16 · 75 阅读 · 1 评论