- 博客(20)
- 收藏
- 关注
原创 「目标检测从0到1」——(三)YOLO-V2
YOLO-V2-Batch Normalization: 舍弃了Dropout,每次卷积后全部加入Batch Normalization 网络的每一层的输入都进行了归一化,收敛相对更容易 经过Batch Normalization处理后,网络的mAP值提高了2% YOLO-V2-更大的分辨率: V1训练时用的是224∗224224*224224∗224,测试时使用448∗448448*448448∗448 可能导致模型水土不服,V2训练时额外又进行了10次448∗448448*448448∗448的微
2024-01-23 21:34:27
1319
1
原创 「目标检测从0到1」——(一)评估指标:IOU、Precision、Recall、Map
每个预测框都有置信度,置信度代表框内有物体的概率。召回率代表物体是否漏检,漏检的程度。精度代表真实框和预测框的接近程度。
2024-01-23 15:57:45
1386
1
原创 「目标检测从0到1」——(二)YOLO- V1
经典的方法把问题转化成问题,一个即可搞定可以对视频进行检测S∗SgridcellobjectobjectBBoundingBoxesCBoundingBoxconfidenceBoundingbox5xywhconfidencexywhconfidenceboxobjectboxboxgroundtruthIoUcon。
2024-01-23 15:06:16
1226
1
原创 (十三)优化器
Module):my_module = My_Module() loss = nn . CrossEntropyLoss() # 定义损失函数optimizer = optim . SGD(params = my_module . parameters() , lr = 0.01) # 定义优化器 , 采用随机梯度下降算法。
2024-01-19 19:34:09
351
1
原创 (十)神经网络-线性层
实现下图Fully Connected的类似部分(图中数据与代码无关)Module):Linear(in_features=196608, out_features=10) # 使torchSize([10])imgs_tensor = torch.flatten(imgs) # torch.flatten()作用是将张量展平,使torch。
2024-01-18 22:06:17
418
1
原创 (五)DataLoader的使用
writer . add_images(tag = "test_loader" , img_tensor = imgs , global_step = step) # 因为batch_size = 64 , 所以使用add . images() 函数而不是add . image() step += 1 writer . close()ToTensor()])step = 0# 因为batch_size=64,所以使用add.images()函数而不是add.image()step += 1。
2024-01-17 22:59:33
507
原创 (四)torchvision中数据集的使用
1.CIFAR-10数据集介绍 2.torchvision内含数据集的下载 from torchvision import datasets from torchvision import transforms from torch.utils.tensorboard import SummaryWriter compose = transforms.Compose([ transforms.ToTensor() ]) train_dataset = datasets.CIFAR10(root=
2024-01-17 22:12:24
372
原创 (三)Transforms的使用
Compose()中的参数需要是一个列表,Python中列表的表示形式为[数据1,数据2,数据3,…在Compose中,数据需要是transforms类型,所以得到Compose([transforms参数1,transforms参数2,…
2024-01-17 19:24:35
384
原创 (二)TensorBoard的使用
tensorboard --logdir=logs – port=6007,指定端口。tensorboard --logdir=logs,logs是事件文件所在的文件夹。默认浏览器要改成Google,safari不支持。
2024-01-17 17:36:45
376
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