Datawhale学习
shijun0525
这个作者很懒,什么都没留下…
展开
-
目标检测(四)训练与测试
目标检测(四)训练与测试开始一· 模型训练二· 后处理三·预测推理总结开始内容参考:Datawhale Task04:不讲武德-炼丹与品尝 终于,神功初成,可以开始施展拳脚了一· 模型训练目标检测网络的训练大致是如下的流程:设置各种超参数定义数据加载模块定义网络模型定义损失函数定义优化器遍历训练数据,预测-计算损失-反向传播首先,引入必要的库,然后设定各种超参数整体代码为:import timeimport torch.backends.cudnn as cudnnimport原创 2020-12-27 20:35:36 · 826 阅读 · 0 评论 -
目标检测(三)损失函数
目标检测(三)损失函数开始一· 匹配策略二· 损失函数三·Hard negative mining:总结开始内容参考:Datawhale Task03: 化劲儿-损失函数设计一· 匹配策略我们要想让其预测类别和目标框信息,我们先要知道每个prior bbox和哪个目标对应,从而才能判断预测的是否准确,从而将训练进行下去。不同方法 ground truth boxes 与 prior bboxes 的匹配策略大致都是类似的,但是细节会有所不同。这里我们采用SSD中的匹配策略,具体如下:第一个原则:从原创 2020-12-22 19:44:44 · 834 阅读 · 0 评论 -
目标检测(二)先验框与锚框
目标检测(二)先验框与锚框开始一· 先验框二· 生成先验框总结开始内容参考:Datawhale Task02: 练死劲儿-网络设计一· 先验框关于先验框,有的paper(如Faster RCNN)中称之为anchor(锚点),有的paper(如SSD)称之为prior bounding box(先验框),实际上是一个概念。通常,为了覆盖更多可能的情况,在图中的同一个位置,我们会设置几个不同尺度的先验框。这里所说的不同尺度,不单单指大小,还有长宽比。二· 生成先验框我们铺设了很多的先验框,我们先原创 2020-12-19 20:35:57 · 3027 阅读 · 1 评论 -
目标检测(一)数据集处理与读取
目标检测(一)数据集处理与读取开始一· VOC数据集简介二· Dataloader的构建1.对于pytorch自带的数据集2.需要自己构建的数据集数据集准备构建dataloader总结开始账号注册的比较晚,本来准备好好记录平时的一些有价值的问题,结果一直没写,这次为了督促自己学习,报名参加了Datawhale12月组队学习,以后会开始坚持记录,这几篇虽是打卡但尽量不限于组队学习的内容内容参考:Datawhale Task01: 两个年轻人-目标检测基础和VOC数据集一· VOC数据集简介做深度学习原创 2020-12-19 17:29:52 · 2779 阅读 · 3 评论