paddlepaddle深度学习
文章平均质量分 67
以个人学习、比赛历程为线路进行技术记录。
Irving.Gao
中国科学技术大学在读研究生,自动驾驶场景理解方向。
研究方向:自动驾驶3D计算机视觉感知任务,图像分割,BEV,目标检测。
本科经历:大创项目-基于物联网的沙漠治理智能机器人集群、智能车、ROBOCON等机器人相关比赛,曾获挑战杯、智能车等国家一等奖四项等数十项国家级奖项,曾在杭州宇树科技、深圳科创学院智能驾驶中心、上海纽励科技、商汤科技实习。
展开
-
Ubuntu18.04——编译报错解决:file format not recognized; treating as linker script
报错内容报错原因paddle_inference压缩包在Windows下进行了解压,导致文件格式不同。解决方法只需要将压缩包放在Linux环境下进行解压即可。原创 2022-01-29 16:48:47 · 1348 阅读 · 0 评论 -
PaddlePaddle——多线程并行预处理、预测、后处理
线程总共分为三个线程,前处理、预测和后处理'''Descripttion: version: Author: Irving.GaoDate: 2022-01-04 22:44:42LastEditors: Irving.GaoLastEditTime: 2022-01-19 15:00:59'''import cv2import numpy as npimport timeimport threadingfrom Lib.PaddleDetection_Inference_Li原创 2022-01-19 15:03:12 · 5302 阅读 · 1 评论 -
Paddle Inference——基于python API在Jetson上部署PaddleSeg模型
文章目录环境准备部署主程序预测结果环境准备paddlepaddle-gpupaddlesegpip3 install numpy==1.13.3pip3 install paddleseg --no-dependenciespip3 install filelock pyyaml visualdl>=2.0.0 yapf==0.26.0 tqdm prettytable pre-commit flake8部署import cv2import numpy as npimport原创 2022-01-06 22:58:07 · 1641 阅读 · 1 评论 -
PaddlePaddle——多进程实现基于多摄像头的视觉巡线、目标检测、运动控制等任务并且实现数据共享
文章目录多进程主程序进程说明核心代码进程间传输图像运行效果多进程主程序进程说明本程序有三个子进程,分别为:1、巡线进程: 摄像头1的图像处理巡线进程2、目标检测进程: 摄像头0的目标检测进程3、决策控制进程: 基于前两个感知进程结果的决策控制进程核心代码import multiprocessing as mpimport numpy as npimport cv2import time import mathimport argparsefrom StereoCamera_原创 2021-12-19 15:37:23 · 2820 阅读 · 1 评论 -
PaddlePaddle——问题解决:使用Python multiprocessing时报错:CUDA error(3), initialization error.
报错详情报错代码from paddle.inference import PrecisionTypefrom PaddleDetection_Inference_Lib import Paddle_inference# process 1def paddle_predict(quene): cap = Stereo_Camera(camera_id=0) paddle_infer = Paddle_inference(model_folder_dir, use_model_img原创 2021-12-19 15:29:56 · 2290 阅读 · 0 评论 -
PaddlePaddle——论文复现:使用高层API复现Resnet18
文章目录Resnet论文精读Resnet网络结构图PaddlePaddle复现目前在看《从零开始学视觉Transformer》,第一课的作业是一个warmup,复现Resnet18。在课程中,老师在讲解的过程中没有完全按照论文的形式进行组网搭建,所以这里我将会按照论文的形式进行相同的组网复现,并对其中的结构进行解释,同时锻炼自己的网络复现能力,为研究工作奠定基础。Resnet论文精读那必须是沐神的视频,大家可以自行观看:原创 2021-11-24 22:11:29 · 476 阅读 · 0 评论 -
PaddlePaddle——在X86的Ubuntu18.04中基于C++部署Paddle Inference示例工程
文章目录一、环境配置二、本地新建工程1.创建工程2.跑通示例程序3.配置Paddle Inference库文件(1)下载Paddle Inference预测库文件(2)放置Paddle Inference库文件(3)配置CMakeLists.txt文件(4)配置编译脚本compile.sh配置模型文件运行一、环境配置PaddlePaddle——在X86的Ubuntu18.04中基于C++部署Paddle Inference GPU预测库(2.1.1)二、本地新建工程1.创建工程mkdir p原创 2021-10-18 21:47:07 · 1059 阅读 · 0 评论 -
Ubuntu18.04——报错解决:libcudart.so.10.2: cannot open shared object file: No such file or directory
报错在使用PaddlePaddle时,运行编译好的程序报错:但是文件libnvrtc.so.10.2是存在的,就在cuda/lib64的路径下,但是报错找不到,解决方法是:解决方法重载一下cuda动态链接库为系统所共享即可正常运行:# 将这里的cuda-10.2改成你的cudaxx-x文件夹即可sudo ldconfig /usr/local/cuda-10.2/lib64...原创 2021-10-18 17:36:45 · 17828 阅读 · 4 评论 -
PaddlePaddle——在X86的Ubuntu18.04中基于C++部署Paddle Inference GPU预测库(2.1.1)
文章目录一、环境检查二、安装PaddlePaddle1.直接下载编译好的C++预测库二、测试Paddle Inference1.环境准备2.配置Paddle inference预测库3.配置路径常用组件路径配置tensorRT库文件4.测试跑通GPU预测模型一、环境检查CUDA版本cudnn版本gcc版本(一般来说,系统自己下的gcc都7.6左右版本,没有8.2的,所以如果要编译,一定要重装8.2版本的gcc,参考链接:ubuntu18.04 安装指定版本的gcc-8.2)cmake版本二、原创 2021-10-17 18:45:45 · 1326 阅读 · 6 评论 -
Jetson系列——基于C++部署Paddle Inference GPU预测库(2.1.1)
文章目录一、安装PaddlePaddle1.直接下载编译好的C++预测库二、测试Paddle Inference1.环境准备2.配置Paddle inference预测库3.配置路径常用组件路径4.测试跑通GPU预测模型一、安装PaddlePaddle有两种方式,因为Jetson系列开发板在PaddlePaddle官方有已经编译好的预测库,所以我们直接下载就好,不用编译,当然如果JetPack版本不匹配,无法使用编译好的预测库,那么就需要编译。1.直接下载编译好的C++预测库下载安装Linux预测库原创 2021-10-15 22:43:21 · 1275 阅读 · 0 评论 -
PaddlePaddle——在Jetson上跑通PaddleSeg图像分割模型
文章目录1、拉取PaddleSeg源码2、跑通Python API预测模型(1)准备环境(2)下载示例模型(3)下载示例图片(3)推理(4)推理结果1、拉取PaddleSeg源码git clone https://github.com.cnpmjs.org/PaddlePaddle/PaddleSeg.git2、跑通Python API预测模型(1)准备环境pip3 install filelockpip3 install --ignore-installed PyYAML将paddleS原创 2021-08-31 20:20:20 · 579 阅读 · 0 评论 -
PaddlePaddle——基于高层API从零搭建网络模型的Demo(2.0+版本)
文章目录网络结构搭建统一框架(1)模型搭架的主体代码框架API文档:模型组网相关API参考(2)组网并查看模型的结构搭建AlexNet网络结构网络结构搭建统一框架(1)模型搭架的主体代码框架无论你想搭架什么样的网络,都可以通过以下的代码框架进行你的模型网络组建:class xxxNet(nn.Layer): ''' xxxNet网络结构 ''' def __init__(self, num_classes=XX): super(xxxNet, self).__init__() s原创 2021-08-21 17:41:51 · 252 阅读 · 2 评论 -
Paddle Inference——基于ROS部署PaddlePaddle的CV(检测、分类、分割)模型
文章目录环境建立python3功能包初始化工作空间创建功能包编写节点编译亲测可行,如有疑惑,直接先跳到最后查看效果图~所使用的python为3.6.9。环境Jetson nanoUbuntu18.04python3.6.9ROS MelodicJetson系列基础环境配置:Jetson系列——Ubuntu18.04版本基础配置(换源、ROS、远程桌面、开机自连WIFi、SD卡备份)建立python3功能包初始化工作空间mkdir paddle_ros_ws &am原创 2021-08-12 18:04:11 · 1511 阅读 · 5 评论 -
PaddlePaddle——深度学习中的零碎概念总结
文章目录Padding①Padding = ‘SAME’②Padding = ‘VALID’本篇大部分都为所见所遇到的一些细小知识点的总结。Padding在组网过程中,使用卷积层时,有一个重要的参数padding需要进行设置,而padding的参数可以设置为:SAMEVALID数字(具体的padding值)如果padding设置为SAME,则说明输入图片大小和输出图片大小是一致的,如果是VALID则图片经过滤波器后可能会变小。①Padding = ‘SAME’same模式是最常见的原创 2021-08-06 15:23:35 · 469 阅读 · 0 评论 -
Jetson系列——基于python API部署Paddle Inference GPU预测库(2.1.1)
文章目录系统环境安装PaddlePaddle1.直接下载或编译预测库(1)直接下载官方编译好的Jetson nano预测库下载地址下载(2)编译官方预测库2.安装whl安装依赖项测试报错解决解决方法测试Paddle Inference环境准备测试跑通GPU预测模型报错解决运行demo过程中卡住core dumped系统环境JetPack4.4如果需要此镜像的同学可以在Jetson 下载中心下载即可。安装PaddlePaddle有两种方式,因为nano官方有已经编译好的python3.6的wh原创 2021-07-09 22:41:30 · 4337 阅读 · 31 评论 -
Paddle-Lite——在树莓派4B端(Ubuntu18.04)源码编译并基于python API部署Paddle模型
文章目录Linux端部署环境准备1.编译环境准备2.安装python依赖项3.安装避坑项4.编译Paddle-Lite的python Whl包编译报错及解决方法编译成功!5.安装Paddle Lite预测库安装成功!模型文件准备(1)PaddleHub下载预训练模型(2)自己有模型两种模型格式经过无数次采坑后总结的精华经验,基本2小时内解决战斗。希望大家也能够一次编译成功!按照步骤来肯定没问题!Linux端部署环境准备这里我提供一下Paddle Lite2.6版本的python 3.6环境下的编译原创 2021-03-09 01:53:41 · 1400 阅读 · 3 评论 -
Paddle-Lite——编译报错解决:sh:1:patchelf:not found
报错解决方法sudo apt-get install patchelf编译及部署可参考我的其他博客:Paddle-Lite——在树莓派4B端(Raspi OS)基于python API部署Paddle模型Paddle-Lite——在树莓派4B端(Ubuntu18.04)源码编译并基于python API部署Paddle模型...原创 2021-03-09 00:15:46 · 2018 阅读 · 0 评论 -
PaddleHub——快速白嫖海量预训练模型并实现轻量代码部署
文章目录1.快速安装paddlehub2.在模型库中物色心仪的模型PaddleHub模型库3.一键搞到模型4.轻量级部署(1)X86端(Windows或者Linux)(2)arm端(树莓派4B等)PaddleHub直击白嫖党的内心!快来试试哇!1.快速安装paddlehubpip install --upgrade paddlepaddle -i https://mirror.baidu.com/pypi/simplepip install --upgrade paddlehub -i http原创 2021-03-09 00:14:45 · 1695 阅读 · 0 评论 -
Jetson Nano——基于python API部署Paddle Infence预测库(2.0.0)
环境准备和编译拉取最新代码git clone https://github.com/paddlepaddle/Paddlecd Paddle# 建议使用git checkout切换到Paddle稳定的版本,如:git checkout release/2.0增加swap空间sudo fallocate -l 5G /var/swapfilesudo chmod 600 /var/swapfilesudo mkswap /var/swapfilesudo swapon /var/swap原创 2021-03-06 12:31:16 · 791 阅读 · 7 评论 -
Paddle Inference——基于python API实现Windows端模型部署图像分类
文章目录部署环境准备python环境准备(1)PaddlePaddle(2)opencv模型文件准备python API预测部署环境准备python环境准备(1)PaddlePaddle请参考飞桨官网安装2.0及以上版本的paddlepaddle-gpu。需要按照自己cuda的版本进行不同命令安装。(2)opencvpip install opencv-python模型文件准备首先你得有 图像分类 / 目标检测的分类模型,模型文件一般为两种,如图所示:模型格式一: __model__原创 2021-02-24 13:06:06 · 864 阅读 · 3 评论 -
PaddlePaddle——高层API建立模型
paddlepaddle2.0极大地简化了模型的搭建、训练、评估等过程,较前些版本有极大的简化,易于上手。文章目录高层API搭建模型的步骤1.准备数据(1)导入库(2)数据预处理(3)加载训练和测试数据集2.网络配置(1)搭建网络结构(2)定义损失函数(3)定义优化函数3.模型训练和评估4.模型预测高层API搭建模型的步骤1.准备数据(1)导入库因为paddle直接操作的对象就是张量,而在建立一些数据时需要先建立矩阵,再通过paddle.to_tensor()方法转换成张量,所以这里需要使用n.原创 2021-02-02 13:24:52 · 721 阅读 · 0 评论 -
Paddle-Lite——基于python API部署PaddlePaddle的自定义模型并实现视频流和单张图片的预测
因为全网几乎都搜不到有关paddlelite基于python API的完整部署项目,只有一些资料极不全,也跑不通的别人的代码,所以这篇博客可以说是全网第一个基于python API部署PaddlePaddle的自定义模型并实现视频流和单张图片完整预测的demo教程。经过了三天的努力和挣扎,在大佬们的帮助下,同时借鉴了网上有个基于20年智能车人工智能组别的小车标志物识别的代码,最终终于跑通了基于python API的模型部署工作,同时实现了视频流和单张图片的预测功能。需要注意的是,本文目前只实现了Wind.原创 2021-01-03 22:11:16 · 5447 阅读 · 41 评论 -
PaddleClas——训练自定义数据集的分类模型并部署在Windows端
文章目录在AI studio端训练模型配置环境数据集准备配置模型超参数训练模型生成可预测的模型文件模型评估预测Windows端部署环境准备预测预测效果因为在做机器学习的结课大作业,在分别尝试了Keras、pytorch等框架后,因为本地训练真的巨慢,而且前两个API真的对刚接触新框架的同学不友好,同时,百度的分类模型中方便地提供了超参数的配置文件,同时提供了超大规模的分类预训练模型,可以极大地提高模型的拟合效果,所以最终采用了Paddle来做本次作业。在AI studio端训练模型配置环境拉取P原创 2021-01-03 15:26:56 · 1520 阅读 · 1 评论 -
Paddle-Lite——在树莓派4B端(Raspi OS)基于python API部署Paddle模型
文章目录Paddle Lite环境准备硬件准备基本软件环境准备摄像头准备编译库准备下载Paddle-Lite编译编译的可选项安装编译生成的python paddle-lite包运行基于python API的demo程序准备模型文件运行模型Paddle Lite环境准备硬件准备树莓派4Busb摄像头装好Buster的镜像源的SD卡基本软件环境准备摄像头准备参考文章:树莓派摄像头的安装、配置与验证编译库准备完成gcc、g++、opencv、cmake的安装:sudo apt-get u原创 2020-12-31 17:38:35 · 3540 阅读 · 8 评论 -
PaddleHub——Windows端用轻量代码实现调用预训练模型实现目标检测
因为需要做单片机课设,题目是智能风扇,试了很多传感器,都感觉风扇不够智能,所以想直接用一个人脸检测或行人检测的AI模型进行检测人的位置,然后实现风扇对人吹,如果人不在则自动关闭,实现风扇的智能化。因为AI模型不是项目的重点,所以我不想浪费过多时间在训练模型上,所以选择了paddlehub模型库里的预训练模型完成功能。安装PaddleHubpip3 install paddlehub去官网选择合适的模型PaddleHub模型库在本次课设中,考虑到树莓派算力有限,且对识别精度要求不是特别高,所.原创 2020-11-29 14:00:06 · 1143 阅读 · 0 评论 -
Paddle Lite——报错解决:基于Paddle Lite Demo运行run.sh编译报错无法运行
run.sh报错问题一:错误分析聚合‘std::ifstream inFile’类型不完全,无法被定义。是头文件的关系。解决方法在代码中添加:#include <fstream>using namespace std;问题二:错误分析demo中的CV代码是基于低版本的opencv,而我们的板子上装的是高版本的CV,所以需要把这些CV_XXX改成cv::COLOR_BGRA2RGB即可。例如我这里就是4.4.0版本的。解决方法需要把这些CV_XXX改成cv::原创 2020-11-21 21:24:08 · 1144 阅读 · 4 评论 -
PaddlePaddle——基于PaddleDection和PaddleOCR在Windows端实现公交车车牌的检测和具体车牌内容的识别
本项目基于PaddleDetection实现公交车车牌的检测和定位,在识别后使用OPENCV对识别区域的进行图像处理,最后采用PaddleOCR实现对数字的具体识别,完成本项目的预期功能。基于PaddleDection实现公交车牌的检测定位效果图:制作VOC数据集数据集采集和标注修改PD中相应模型配置文件参数模型训练Windows本地部署PD模型实现视频流实时检测PaddleDetection环境准备安装PaddlePaddle环境下载PaddleDetection部署预测代码.原创 2020-10-31 17:13:45 · 1498 阅读 · 3 评论 -
机器学习——神经网络基础与手写数字识别(MNIST)学习记录
文章目录学习文档报错解决(1)CUDA缺少文件解决方法(2)tensorflow更新后库文件被删除导致无法导入解决方法机器学习学习心得线性回归问题线性回归方程评价指标模型训练总结非线性回归问题总结人工神经网络 (ANN)卷积神经网络 (CNN)Conv2DMaxpoolingReluDropoutFlattenDenseSoftmax学习文档RT-Thread 卷积神经网络(CNN) 手写体识别 (MNIST)报错解决(1)CUDA缺少文件解决方法解决tensorflow-gpu 2.1出现错原创 2020-10-06 15:02:09 · 822 阅读 · 0 评论 -
PaddleDetection——使用自己制作的VOC数据集进行模型训练的避坑指南
文章目录问题及解决方案问题一解决方法问题二解决方法注意问题及解决方案问题一creat_list.py执行后,生成的trainval.txt和test.txt为空文件夹解决方法creat_list文件本身就是将数据集作以划分,方便训练,但在制作数据集时应该会自动进行划分,所以可以直接使用数据集中main文件夹中划分好的test.txt文件。问题二执行train.py报错:该报错说明该函数本应该接收到2个参数,但只接收到一个参数,所以我们需要找到该参数,给该参数进行赋值即可。查看报错函数:原创 2020-07-15 00:15:39 · 2183 阅读 · 6 评论 -
Paddle Lite——将自己的模型部署在树莓派端
文章目录准备模型文件在Paddle-Detection项目中转换模型跑通Paddle-Lite demo部署自己的模型部署模型.nb文件运行模型准备模型文件此处仅演示用Paddle Detection模型直接转换为paddle-Lite支持的.nb模型文件,其他类型的模型文件使用paddlepaddle的相应功能套件进行模型转换。在Paddle-Detection项目中转换模型在模型训练完成,使用opt模型转换工具实现模型的转换:#下载opt文件!wget https://github.com/原创 2020-06-12 15:38:40 · 7190 阅读 · 38 评论 -
Paddle Lite——树莓派端部署实现实时视频流目标检测demo
文章目录Paddle Lite环境准备硬件准备其他软件环境准备摄像头准备编译库准备Paddle Lite的安装模型和预测库下载Demo的编译(1)图像分类Demo的编译(2)目标检测Demo的编译Demo的运行参考Paddle Lite官方文档:https://github.com/PaddlePaddle/Paddle-Lite-DemoPaddle Lite环境准备硬件准备树莓派4Busb摄像头装好Buster的镜像源的SD卡其他软件环境准备摄像头准备参考文章:树莓派摄像头的安装、原创 2020-05-17 00:09:06 · 6552 阅读 · 22 评论 -
PaddleDetecion——红绿灯检测:PaddleDetection-SSD_Mobilenet-VOCdataset
最近在做智能车人工智能组的线上赛,赛题分为两个:一个是人流密度检测,另一个是红绿灯识别,我在小队中的任务是做第二部分,红绿灯识别。一开始的时候建立模型的时选用的是SSD_Mobilenet_v1模型,权重也是预训练好的默认权重,我们只需要直接在预训练的基础上训练自己的数据集,得到新的权重,然后用该权重进行预测即可。文章目录PaddleDetection数据集准备基于PaddleDetction模型的运行配置项目准备基于AI Studio的PaddleDetction基础运行操作解压数据集和环境资源配置.原创 2020-05-11 15:47:25 · 5012 阅读 · 14 评论 -
PaddleDetection——使用(jpg + xml)制作VOC数据集并建立PD包
因为模型需要VOC训练集,而数据集只有图片和已制作好的xml文件,那么只能自己进行VOC数据集的再加工,好,开工!文章目录构架VOC数据集文件夹利用程序生成Main下的四个txt文件构架VOC数据集文件夹文件夹目录如图所示:---VOC2007 ------Annotations ---------n个xml文件 ------ImagesSet ---------Action ---------Layout ---------Seg.原创 2020-05-10 10:08:48 · 2800 阅读 · 7 评论 -
深度学习简述
意外在网上看到了有读者推荐这本书,评价也非常棒,总体来说,书的内容通俗易懂,且实用性极强,手把手教从TensorFlow的下载到配置都很全面,但是博主近期在做基于paddle的AI人工智能智能车比赛,所以暂时还没有按照操作进行实际上手操作,但博主还是仔细看过了每个步骤,讲的很清晰,详尽,所以特地记录下本书的主要内容。【读书总结】深度学习图像识别技术——基于TenseorFlow Object...原创 2020-04-27 18:43:40 · 594 阅读 · 0 评论