SSD-mobilenetv1训练过程（1）

已于 2022-03-14 17:19:18 修改
阅读量3.2k 收藏 6
点赞数 1
文章标签： 深度学习 目标检测 人工智能
于 2022-03-14 11:47:13 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sunshine1324/article/details/123467154
版权

本次训练用了SSD模型，代码为GitHub上lufficc那一版，backbone为mobilenetv1，自己试着修改的，很艰难。完了之后感觉对网络模型的理解又深了一层。在此简要叙述遇到的问题。

1.参考资料

SSD 论文详解

VGG16结构图

VGG16模型

SSD原理解读-从入门到精通

SSD的理解及应用

我要彻底搞懂SSD网络结构（2）特征提取网络

pytorch 实现SSD详细理解 （一）vgg和特征图的提取

睿智的目标检测23——Pytorch搭建SSD目标检测平台

SSD原理及Pytorch代码解读——网络架构（二）：特征提取网络及总体计算过程

pytorch-SSD在windows下训练自己的数据集

2.索引值超出范围

在这里插入图片描述
错误：索引值14超出范围，检查后发现这个索引值是按照我定义的模块来算的，比如con_bn_relu算一层而不是三层，所以self.model总共14层，索引值为0~13.
在这里插入图片描述

3.查看网络结构

想看看自己写的网络结构究竟什么样，所以用了print（model）
在这里插入图片描述

4.查看特征图大小

在这里插入图片描述
出现错误，说是输入为2×2，但卷积核为3×3，输入比卷积核小，出现错误。于是按照下图方式输出每一层的x.size()
通过type（x）得知x为tensor类型（一个多维张量或者说多维矩阵），因此可以输出其维数来查看每层的feature map大小及输出输入通道数。

pytorch中如何查看Tensor的维度
在这里插入图片描述
通过上一步操作发现，是第一层的con_bn_relu的步长设成了3，导致第一层结束后特征图减小为1/3（从320到107），后续的大小都出错了。改掉后可以正常运行。
在这里插入图片描述

5.训练迭代次数

在这里插入图片描述
在这里插入图片描述
这个代码的设置为每250次迭代就验证一次，一开始我还以为训练就结束了（loss还很高），吓我一跳，结果验证完了继续训练，虚惊一场

sunshine1324
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
人脸识别web端.rar
06-08
1.只做了张张嘴 2.传给后端的是第一张是被出来的人脸firstfaceImg 3.控制人脸识别框展示不展示的是.app-container增加或删除active类 if (navigator.mediaDevices) { console.log('当前设备可调用摄像头') $('.app-container').addClass('active') } else if (navigator.getUserMedia) { console.log('当前设备可调用摄像头') $('.app-container').addClass('active') } else { $('.app-container').removeClass('active') alert("当前设备不支持打开摄像头或无此权限！"); } 4.后端所有处理逻辑在sendImg()接口回调中 $.post('/sendImg',{ imgSrc: base64Img },(result)=>{ // TODO // 这里根据后端校验返回结果做不同的处理结果 if(result.code == '100'){ // 验证不通过 $('#tipTxt').html('验证不通过'); this.resetFun() } }) 5.运行 全局安装 http-server 或 live-server cmd命令行中运行http-server 或 live-server
SSD-Tensorflow实验记录
Biyu_csdn的博客
07-18 489
一 数据格式转换 1.从github上下载项目并解压 2.下载VOC2007数据集,并放在如下目录: 3.格式转换 首先修改datasets / pascalvoc_to_tfrecords.py中83行, r ---> rb, 如下: image_data = tf.gfile.FastGFile(filename, 'rb').read() 在VOC2007...
基于FPGA的高精度机器视觉缺陷检测方案——探秘铝片表面四种缺陷识别技术，FPGA技术实现铝片表面四种缺陷的检测，基于SSD-MobileNetV1模型识别精度高达85%以上，附源码和端测文件
最新发布
BPmRsqyL的博客
06-07 157
SSD-MobileNetV1是一种轻量级的目标检测算法，它结合了Single Shot Multibox Detector (SSD)和MobileNet的优点，能够在保证较高识别精度的同时，减少计算和内存消耗。在端测文件的设计中，我们考虑了铝片表面四种缺陷的特点，并针对性地设计了相应的检测算法和参数设置。综上所述，基于FPGA机器视觉缺陷检测的实现在铝片表面缺陷检测领域具有重要的应用价值。通过与传统的基于CPU和GPU的方法进行对比，实验结果表明我们的系统在识别精度和检测速度方面都取得了显著的优势。
mobilenet-ssd
csdnforyou的博客
06-06 1万+
网络结构 参照MobileNet-SSD(chuanqi305)的caffe模型（prototxt文件） | github，绘制出MobileNet-SSD的整体结构如下（忽略一些参数细节）： 图片中从上到下分别是MobileNet v1模型（统一输入大小为300x300）、chuanqi305的Mobilenet-SSD网络、VGG16-SSD网络。且默认都是用3x3大小的卷积核，除了Mo...
学习记录：利用预训练ssd_mobilenet_v1_coco模型实现Tensorflow物体检测
板栗的学习日常
08-11 595
COCO数据集由微软出资标注并发布的大规模数据集，它可以用于对目标检测模型的训练，同时可以用于语义分割、图像标题生成等任务。图像中的目标都经过十分准确的segmentation位置定位，COCO数据集包括90个目标标签。
MobileNet V1算法介绍记录
charles_zhang_的博客
01-05 1752
注：仅供自己学习记录 轻量化网络 从2015年开始机器的图片分类准确率超过人眼，随着逐渐发展到了2017年准确率已经很厉害，所以轻量化网络开始被关注 轻量化网络是需要部署在一些硬件设备上的模型，他不仅需要考虑识别的准确率，还要考虑搭载设备的计算量和内存等，所以要尽可能的缩减网络所需要的的计算量和参数量。例如无人驾驶、机器人、安防摄像头等本地边缘实时计算 边缘计算是部署在本地，不需要实现连接云服务器的设备，设备在本地就要进行计算和得出结果，不需要网络延迟、网络传输，也可以做到保护个人隐私。同时边.
（Tensorflow Object Detection Api）ssd-mobilenet v1 算法结构及代码介绍
热门推荐
ljyt2的博客
08-30 1万+
（Tensorflow Object detection Api）安装 （Tensorflow Object Detection Api）标注数据获取及格式转换 （Tensorflow Object Detection Api）模型训练 通过前面三次分享，基本把Object Detection Api的入门使用方式就都陈列了出来。接下来计划分享一下算法的具体结构和代码的部分，以及相关的参数调...
ssd-pytorch-master.zip
04-29
1. **源代码**：`ssd.py` - SSD架构的实现，包括基础的网络结构，如VGG16或MobileNetV2，以及SSD特有的多尺度预测层。 2. **损失函数**：`loss.py` - SSD损失函数的定义，通常包括分类损失和定位损失。 3. **数据...
TensorFlow2.0_SSD-master.zip
10-23
最后，使用Adam优化器进行训练，并在训练过程中使用数据增强来提高模型的泛化能力。此外，还需要准备合适的 anchor boxes 和匹配策略来正确地对预测框和 ground truth 进行对齐。 **SSD模型的优势与挑战** 优势： ...
Python-Caffe在MobileNetv2上实现SSD检测从tensorflow转换而来
08-10
**Python与Caffe在MobileNetV2上的SSD检测实现** **一、SSD（Single Shot MultiBox Detector）概述** SSD（Single Shot MultiBox Detector）是一种高效的实时目标检测算法，它通过在一个单一的网络中同时进行分类...
Pytorch-SSD-And-Extension:复现SSD并改进，应用
04-01
1. **基础网络**：SSD通常基于预训练的卷积神经网络（如VGG16、MobileNetV2或ResNet），这些网络在ImageNet数据集上进行了充分的训练，可以提取强大的特征。基础网络的最后几层被替换为专为目标检测设计的层。 2. *...
MobileNet_V1_SSD网络的VOC预测模型
01-12
SSD（Single Shot MultiBox Detector）是一种基于深度学习的目标检测框架，它摒弃了传统的两阶段检测方式（如Faster R-CNN），在单个网络前向过程中同时预测物体框和类别，提高了检测速度。SSD采用了不同尺度和比例...
目标检测场景SSD-Mobilenetv1-FPN
sdw8855的博客
08-01 988
基于SSD_MobileNetV1_FPN（采用MobileNetV1网络和FPN网络作为Backbone的SSD网络)。与fasterRcnn原生模型类似，有四个输出张量，分别为目标数，置信度，坐标框和类别ID。
MobileNetV1架构解析
冲出仁川，走出马德里，故事还会再继续
08-03 751
MobileNets基于一种流线型架构，使用深度可分离卷积构建轻量级深度神经网络。我们引入了两个简单的全局超参数，可以有效地在延迟和准确性之间进行权衡。这些超参数允许模型生成器根据问题的约束为其应用程序选择适当大小的模型。我们在资源和准确性权衡方面进行了大量实验，与其他流行的ImageNet分类模型相比，我们表现出了强大的性能。然后，我们展示了MobileNet在广泛的应用和用例中的有效性，包括目标检测、精细分类、人脸属性和大规模地理定位。MobileNet模型可应用于各种识别任务，以实现高效的设备智能。.
【MindSpore功能】运行SSD-MobileNetV1 FPN样例报错
weixin_45666880的博客
08-08 695
看报错提示，是构造动态学习率的时候的total_steps设置为0了，请检查一下数据集配置等信息，看一下是否没有识别到数据集，导致总训练步数为0.1、安装MindSpore GPU版本（我的cuda是11.2，不知道是不是这个影响了），并在modelzoo下载样例，样例来源。2、在Ubunt18.04上运行按照代码readme文档进行操作，将数据集下载放到指定路径下，最后运行报错。...
第4周学习：MobileNetV1, V2, V3
weixin_44920107的博客
08-03 255
第4周学习：MobileNetV1, V2, V3
MobileNet v1-v2的理解
chenlufei_i的博客
08-21 1473
v1: （1）单片卷积 + 1x1 通道改维度； （2）宽度因子a + 分辨率因子 b ； （以最低的精度损失换取大量的参数减少） v2: （1）加入残差结构（先升维：增加信息量，再降维度：较少参数，与Resnet相反），增加梯度传播 （2)较少block最后的Relu，为lineat，减少信息破坏； （3）全卷积（减少...
使用SSD mobilenet训练自己的数据集
weixin_45817307的博客
08-02 2564
使用SSD MobileNet训练自己的数据集
【Jetson目标检测SSD-MobileNet应用实战教程】（一）训练环境：win11中配置SSD-MobileNet网络训练境搭建
拨雪寻春，烧灯续昼
08-10 3226
基于TensorFlow-Object-Detection-API搭建在win11上的MobileNet网络模型训练环境。
路径正确，没用electron时可以用，用了electron后GET file:///C:/models/ssd_mobilenetv1_model-weights_manifest.json net::ERR_FILE_NOT_FOUND
06-10
在使用Electron时，你需要注意到Electron的安全策略会限制你的应用程序从本地文件系统中加载文件。这是为了防止恶意代码的执行。为了解决这个问题，你需要在Electron中使用Node.js的内置模块来读取本地文件。例如，你可以使用fs模块来读取JSON文件，然后将其解析为JavaScript对象。 以下是一个使用fs模块读取本地JSON文件的示例代码： ```javascript const fs = require('fs'); fs.readFile('C:/models/ssd_mobilenetv1_model-weights_manifest.json', 'utf8', (err, data) => { if (err) throw err; const modelWeightsManifest = JSON.parse(data); // do something with the modelWeightsManifest object }); ``` 注意，这里的文件路径应该是相对于你的Electron应用程序的根目录的相对路径。如果你想使用绝对路径，你可以使用Electron的app模块来获取你的应用程序的根目录，然后将绝对路径与根目录拼接起来。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值