![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
deeplearning
刀么克瑟拉莫
那温热的牛奶瓶在你手中握紧
展开
-
yolox转rknn
使用瑞芯微版本的yolox:https://github.com/airockchip/YOLOXpip install torch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 --no-cache -i https://pypi.tuna.tsinghua.edu.cn/simplepip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple --no-cache原创 2023-11-01 21:04:01 · 893 阅读 · 0 评论 -
验证onnx格式的yolox
【代码】验证onnx格式的yolox。原创 2023-09-19 16:30:34 · 224 阅读 · 0 评论 -
yolo格式转labelme格式并验证
【代码】yolo格式转labelme格式并验证。原创 2023-09-07 18:04:50 · 489 阅读 · 0 评论 -
Monodepth2和Lite-Mono准备数据集
【代码】Monodepth2和Lite-Mono准备数据集。原创 2023-08-15 15:01:36 · 484 阅读 · 2 评论 -
TopFormer中Attention的理解
【代码】TopFormer中Attention的理解。原创 2023-07-21 11:42:22 · 289 阅读 · 0 评论 -
验证onnx格式的YOLO
【代码】验证onnx格式的YOLO。原创 2023-07-04 15:45:54 · 180 阅读 · 0 评论 -
labelme点到图像外面导致崩溃的解决办法
【代码】labelme点到图像外面导致崩溃的解决办法。原创 2023-06-21 20:18:47 · 102 阅读 · 0 评论 -
darknet获取某一层的输出
【代码】darknet获取某一层的输出。原创 2023-05-25 18:32:19 · 96 阅读 · 0 评论 -
使用log_softmax而不是softmax
log_softmax计算过程原创 2023-04-10 17:00:37 · 680 阅读 · 0 评论 -
pytorch实现加权交叉熵
pytorch 加权交叉熵原创 2023-03-29 10:44:06 · 696 阅读 · 0 评论 -
PIL和numpy转换的坑
PIL numpy原创 2023-03-14 16:47:16 · 218 阅读 · 0 评论 -
yolox之SimOTA代码解析与详细注释
yolox SimOTA原创 2023-02-17 15:05:04 · 574 阅读 · 0 评论 -
C++计算AUC
C++计算AUC原创 2023-02-09 18:14:39 · 238 阅读 · 0 评论 -
colab使用记录
colab使用记录原创 2022-12-13 14:24:13 · 551 阅读 · 0 评论 -
深度学习从头训练记录
深度学习 从头训练原创 2022-08-31 16:11:03 · 385 阅读 · 0 评论 -
保姆级计算mAP的python代码
计算mAP python iou原创 2022-08-08 11:11:54 · 1560 阅读 · 0 评论 -
darknet的yolo_layer的forward_yolo_layer的注释
forward_yolo_layer的注释原创 2022-07-15 16:44:01 · 233 阅读 · 0 评论 -
ubuntu16.04使用yolox-tiny,训练自己的数据集并验证
yoloxcd YOLOXgit clone https://github.com/NVIDIA/apexconda install pytorch==1.2.0 torchvision==0.4.0 cudatoolkit=10.0 -c pytorchsudo pip3 install -v --disable-pip-version-check --no-cache-dir原创 2022-05-16 20:08:33 · 1400 阅读 · 0 评论 -
在自己的程序中使用caffe的CPU版本库
#include <caffe/caffe.hpp>#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>#include <string>#include <iostream>#include <sys/time.h>using namespace原创 2022-04-15 11:56:37 · 2555 阅读 · 0 评论 -
yolov3选取正负样本
负责预测目标网格中与ground truth的IOU最大的anchor为正样本(记住这里没有阈值的事情,否则会绕晕)与全部ground truth的IOU都小于阈值的anchor为负样本其他是忽略样本代码未完待续原创 2022-01-18 17:53:54 · 4476 阅读 · 1 评论 -
解析darknet网络配置文件用了哪些层
参考ultralytics/yolov3def parse_model_config(path): """Parses the yolo-v3 layer configuration file and returns module definitions""" file = open(path, 'r') lines = file.read().split('\n') lines = [x for x in lines if x and not x.startswith.原创 2021-12-16 15:13:51 · 228 阅读 · 0 评论 -
tensorflow实现深度可分离卷积
数据库:MNIST,与这里对比tf.nn.depthwise_conv2d的理解看这里,主要是对卷积核参数的理解,即(高度,宽度,输入通道,每个通道得到的输出通道数)训练速度慢,收敛也慢,刚开始就像没训练的样子,只将一个卷积层改成深度可分离卷积就增加了12次迭代import tensorflow as tfimport numpy as npimport randomimport cv2,sys,osimport MyDatadata=tf.placeholder(tf.float32.原创 2021-12-10 18:01:14 · 1720 阅读 · 3 评论 -
Model Garden for TensorFlow问题集锦
1.ModuleNotFoundError: No module named ‘object_detection’export PYTHONPATH=/home/lwd/code/dl/models/research2.ImportError: cannot import name ‘anchor_generator_pb2’protoc object_detection/protos/*.proto --python_out=.3.ImportError: cannot import.原创 2021-12-07 16:23:46 · 283 阅读 · 0 评论 -
tensorflow简洁实现MNIST识别
一、MyData.py数据读取,进行了简单的归一化,即除以255.0dataset_path是保存图片路径和标签的txt的路径,每行的格式是/home/lwd/data/mnist/image/59999.png 8MNIST转化成图片看这里import osimport cv2import randomimport numpy as npimport tensorflow as tfclass Dataset(object): def __init__(self, data原创 2021-12-02 17:06:48 · 1360 阅读 · 0 评论 -
tensorflow知识点
1.TF.VARIABLE、TF.GET_VARIABLE、TF.VARIABLE_SCOPE以及TF.NAME_SCOPE关系详解tf.Variable的变量名是一个可选项,tf.get_variable必须指定变量名,因为tf.get_variable如果存在就不新建TensorFlow中通过变量名获取变量的机制主要是通过tf.get_variable和tf.variable_scope实现的。reuse=False时,tf.variable_scope创建变量;reuse=True时,tf.原创 2021-11-30 14:36:49 · 75 阅读 · 0 评论 -
tensorflow卷积层模板
在这里看的但我认为downsample部分不用自己填充,只设置步长为2就行,padding用SAME。因为filter的大小一般是奇数,padding用SAME,在卷积的时候,自动填充filters_shape[0] // 2def convolutional(input_data, filters_shape, trainable, name, downsample=False, activate=True, bn=True): with tf.variable_scope(name):.原创 2021-11-25 16:55:47 · 263 阅读 · 0 评论 -
使用python3.6编译caffe
一、前言使用snpe转换模型,调用的是python3系统是ubuntu18.04二、安装python3.6使用anaconda安装python3.6和requirements.txt中的依赖(不用写版本号,都满足)conda create -n snpe python=3.6三、修改Makefile.config0.因为是用来转换模型,所以不用GPU和opencv1.注释USE_CUDNN := 12.打开CPU_ONLY := 1和USE_OPENCV := 03.PYTHO原创 2021-11-12 17:24:23 · 3866 阅读 · 0 评论 -
mobilenetv2为什么比mobilenetv1参数少
同样是对512通道的特征图卷积v1的方式是1*1*256*512再3*3*512v2的方式是1*1*64*512再3*3*512再1*1*512*96,这里的扩张比例是8可以看到v2比v1少了1*1*96*512被卷积特征图的通道越多,参数减少越多;扩张比例越大,参数减少越多。考虑到获取的信息的有效性,扩张比例不应过大。...原创 2021-08-31 11:06:35 · 333 阅读 · 0 评论 -
softmax和sigmoid的比较
一、相同点softmax求导sigmoid求导两者的导数都有λ(1-λ),当预测结果错误且值很小时,容易导致权重更新缓慢,所以一般选择交叉熵作为损失函数,交叉熵的导数是1/λ,可以消除权重更新缓慢的影响二、不同点softmax只用于最后结果输出,因为它会增强数据之间的关联性,不适合在隐藏层使用sigmoid可用于任何层,只是用于隐藏层时,仍会有权重更新缓慢的问题,所以隐藏层激活函数多使用relusoftmax用于分类结果互斥的情况,如判断是猫是狗,只有一个可能性;原创 2021-07-07 10:37:07 · 227 阅读 · 0 评论 -
大白话解说Focal Loss
提出它是为了解决样本的类别不均衡的问题,包括正负样本不均衡和难易样本不均衡它是在交叉熵损失的基础上修改的。因为数据标签会使用one-hot的方式,所以交叉熵损失实际上是样本真实标签对应的预测值对数的相反数Focal Loss公式如下:阿尔法是负责正负样本不均衡的,下一项括号是负责难易样本不均衡的,最后一项是交叉熵损失(要加上最前面的负号)阿尔法的范围是0到1:越靠近1,正样本影响越大;越靠近0,负样本影响越大;等于0.5,这个参数等于没有因为前面说的交叉熵损失的特征,..原创 2021-06-28 11:32:10 · 167 阅读 · 0 评论 -
深度学习面试问题
深度学习面试原创 2021-06-16 18:42:04 · 123 阅读 · 0 评论 -
深度可分离卷积计算量分析
如图所示,红框圈住的上面图是一般卷积的情形,下面是深度可分离卷积的情形,最下面是两者计算量的比较正常卷积计算量T1是输出特征图的高度、宽度、卷积核的高度、宽度、输入维度、输出维度的乘积深度可分离卷积第一步计算量比T1少了输出维度,第二步比T1少了卷积核的高度、宽度...原创 2021-06-09 16:07:14 · 375 阅读 · 0 评论 -
tensorflow报错:Could not create cudnn handle: CUDNN_STATUS_INTERNAL_ERROR
1.确认tensorflow是否与cuda,cudnn对应,在这里查看2.修改设置os.environ['CUDA_VISIBLE_DEVICES']='0,1'# tf 1.13config = tf.ConfigProto()config.gpu_options.allow_growth=Truesess = tf.Session(config=config)sess.run(tf.global_variables_initializer())# tf 2.0# gpu = tf.原创 2021-06-07 14:30:42 · 169 阅读 · 0 评论 -
Inception系列
看了好多文章,这篇最棒啦总结以下几点:1.Inception Module提高了参数的利用率2.卷积层提高表达能力,主要靠增加输出通道3.大量使用1*1卷积,因为性价比高4.相关度高的节点聚类在一起5.网络靠后部分应增加3×3和5×5的比例上面的文章只说到v3,Inception v4还是沿袭了之前的结构。Inception-ResNet是结合了resnet,同时Inception Module可以更简单。...原创 2021-05-27 16:17:14 · 69 阅读 · 0 评论 -
ubuntu深度学习框架百度飞桨PaddlePaddle安装和使用
1.安装强烈建议使用anaconda管理python,参考,我使用python3.6的虚拟环境先检查平台,一般没问题:python3 -c "import platform;print(platform.architecture()[0]);print(platform.machine())"第一行输出的是”64bit”,第二行输出的是”x86_64”、”x64”或”AMD64”即可安装cuda10.0版本的PaddlePaddle:python -m pip install paddle原创 2021-05-18 18:28:27 · 613 阅读 · 0 评论 -
caffe使用训练好的模型识别代码
54行可改图像均值81行可改图像放缩109行为识别阈值#include <caffe/caffe.hpp>#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>#include <string>using namespace caffe;// using names.原创 2021-05-11 16:02:56 · 153 阅读 · 0 评论 -
darknet转caffemodel
不知道什么时候把这个仓库克隆、编译好了,直接就能用如果编译有问题,可以看看它的wikigit clone https://github.com/eric612/MobileNet-YOLO.gitcd MobileNet-YOLOmkdir buildcd buildcmake ..makecd ../models/darknet_yolov3python darknet2caffe.py yolov3.cfg yolov3.weights yolov3.prototxt lwd.ca.原创 2021-05-11 15:39:48 · 158 阅读 · 0 评论 -
使用demo.py测试MobileNet-SSD报错:Check failed: target_blobs.size() == source_layer.blobs_size() (2 vs. 1)
测试使用的网络配置文件和训练时的不一样,因为作者提供的就不一样把MobileNetSSD_train.prototxt复制一份,根据MobileNetSSD_deploy.prototxt把输入和输出改了就行最终内容如下name: "MobileNet-SSD"input: "data"input_shape { dim: 1 dim: 3 dim: 300 dim: 300}layer { name: "conv0" type: "Convolution" b.原创 2021-04-29 10:59:12 · 227 阅读 · 0 评论 -
openvino部署YOLOv3
#include <inference_engine.hpp>#include <samples/ocv_common.hpp> // OpenCV库及matU8ToBlob函数定义#include <ngraph/ngraph.hpp>#include <string>#include <sys/time.h>#include <iostream>using namespace InferenceEngine;usin原创 2021-04-26 15:31:29 · 635 阅读 · 0 评论 -
caffe用自己的数据生成lmdb并训练MobileNet-SSD
0. 前言git克隆这个仓库,并切换点ssd分支1. 创建lmdb在caffe路径下执行cd datamkdir -p mydata/MobileNet-SSDcd mydata/MobileNet-SSDmkdir Annotations ImageSets JPEGImagescd ImageSetsmkdir Maincd ../..cp ../VOC0712/* . #coco_voc_map.txt用不着,只是为了省事,一起复制过来将图片复制到JPEGIma原创 2021-04-23 18:52:10 · 111 阅读 · 0 评论