-
openmmlab框架
底层基于pytorch 进行开发,支持训练部署一体化,有一个专门的算法库,叫做mmdeploy,训练好的模型用mmdeploy部署,转成各种各样硬件厂商支持的格式,如图所示:
-
计算机视觉的三大任务
-
机器学习
(一)特征提取
(二)分类器 ![5ffa9ee925264ad9a33808dc58653c8a.png](https://img-blog.csdnimg.cn/5ffa9ee925264ad9a33808dc58653c8a.png)
-
深度学习
(一)神经元
(二)多层感知机
(三)输出概率
-
训练
(一)损失函数
(二)寻找损失函数最低点
(三)反向传播更新参数
(四)优化器
(五)训练总体流程
(六)举例:图像分类任务
图像分类是根据图像的语义信息对不同类别图像进行区分,是计算机视觉的核心,是物体检测、图像分割、物体跟踪、行为分析、人脸识别等其他高层次视觉任务的基础。 图像分类在许多领域都有着广泛的应用按照被提出的时间顺序,涵盖如下卷积神经网络:
- LeNet:Yan LeCun等人于1998年第一次将卷积神经网络应用到图像分类任务上,在手写数字识别任务上取得了巨大成功。
- AlexNet:Alex Krizhevsky等人在2012年提出了AlexNet, 并应用在大尺寸图片数据集ImageNet上,获得了2012年ImageNet比赛冠军(ImageNet Large Scale Visual Recognition Challenge,ILSVRC)。
- VGG:Simonyan和Zisserman于2014年提出了VGG网络结构,是当前最流行的卷积神经网络之一,由于其结构简单、应用性极强而深受广大研究者欢迎。
- GoogLeNet:Christian Szegedy等人在2014提出了GoogLeNet,并取得了2014年ImageNet比赛冠军。
- ResNet:Kaiming He等人在2015年提出了ResNet,通过引入残差模块加深网络层数,在ImagNet数据集上的错误率降低到3.6%,超越了人眼识别水平。ResNet的设计思想深刻地影响了后来的深度神经网络的设计。