weixin_38353277的博客

原创 onnx 推理语义分割代码

onnx 推理语义分割算法

原创 两幅影像处理为相同地理坐标

两幅影像处理为相同地理坐标

原创 目标检测回归损失函数 IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU损失函数分析

目标检测回归损失函数 IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU损失函数分析

原创 YOLOv8算法的改进模块

YOLOv8的改进模块

原创 Kinect与TOF、双目、结构光相机比较相机国产、非国产统计参数对比分析

Kinect与TOF、双目、结构光相机比较相机国产、非国产统计参数对比分析

原创 智能门锁-手机应用相机国产、非国产统计参数对比分析

智能门锁-手机应用相机国产、非国产统计参数对比分析

原创 结构光相机国产、非国产统计参数对比分析

结构光相机国产、非国产统计参数对比分析

原创 双目相机国产、非国产统计参数对比分析

双目相机国产、非国产统计参数对比分析

原创 TOF相机国产、非国产统计参数对比分析

TOF相机国产、非国产统计参数对比分析

原创 深度学习算法数据-网络-算法总结

深度学习算法数据-网络-算法总结

转载 神经网络和深度学习(Neural Networks and Deep Learning)

神经网络和深度学习

原创 YOLOV1-YOLOV2

YOLOV1-YOLOV2-yolov3

原创 opencv-python将图片序列转成视频

yolov8 + deepsort算法

原创 常用损失函数总结（L1 loss、L2 loss、Negative Log-Likelihood loss、Cross-Entropy loss、Hinge Embedding loss、Margi）

常用损失函数总结（L1 loss、L2 loss、Negative Log-Likelihood loss、Cross-Entropy loss、Hinge Embedding loss、Margi）损失函数分类与应用场景损失函数可以分为三类：回归损失函数(Regression loss)、分类损失函数(Classification loss)和排序损失函数(Ranking loss)。应用场景：回归损失：用于预测连续的值。如预测房价、年龄等。分类损失：用于预测离散的值。如图像分类，语义分割等。

原创 AI领强算力时代，国产GPU启新场景落地

AI领强算力时代，GPU启新场景落地

原创 PASCAL VOC 数据集的标注格式

VOC数据集格式分析

原创 COCO2017数据转YOLO格数数据，语义分割

主要是针对coco格式数据转换为yolo系列目标检测与实力分割数据格式

原创 直线检测算法汇总分析

本文主要是针对直线检测算法进行总结分析

原创 Labelme json 批量转datasets 解决默认显示不同色和id问题，包含五个结果（img_png，label_png，label_viz_png，info，names）

labelme json 转为，datasets：包含五个结果（img_png，label_png，label_viz_png，info，names）经常会出现label.png相同类别显示颜色不同，且label_viz.png显示id也不同，虽然证实了不影响训练，但是还是想着修改一下。以便完美！！

原创 Visual Attention Network（VAN）算法分析

Visual Attention Network 网络结构详细解释

原创 coco 2 htht数据转换代码

# -*- coding: UTF-8 -*-__data__ = "2022.3.30"__description__ = "Convert the PIE segmentation data format to VOC or COCO " \ "or Convert the VOC/COCO segmentation data format to pie"__function__ = ["del_file", "pie_to_voc", "voc_to_pie

原创 Sequencer: Deep LSTM for Image Classification(LSTM在CV领域杀出一条血路，完美超越Swin与ConvNeXt等前沿算法)

Sequencer: Deep LSTM for Image Classification

原创 FAN(Understanding The Robustness in Vision Transformers)论文解读，鲁棒性和高效性超越ConvNeXt、Swin

FAN(Understanding The Robustness in Vision Transformers)论文解读，鲁棒性和高效性超越ConvNeXt、Swin

原创 TOF和RGB和结构光对比

TOF和RGB和结构光对比

原创 池化技术总结

池化技术总结

原创 常用损失函数总结（L1 loss、L2 loss、Negative Log-Likelihood loss、Cross-Entropy loss、Hinge Embedding loss、Margi）

常用损失函数总结（L1 loss、L2 loss、Negative Log-Likelihood loss、Cross-Entropy loss、Hinge Embedding loss、Margi）

原创 Focal Loss升级 | E-Focal Loss让Focal Loss动态化，类别极端不平衡也可以轻松解决

Focal Loss升级 | E-Focal Loss让Focal Loss动态化，类别极端不平衡也可以轻松解决1简介相关工作2.1 普通目标检测1、两阶段目标检测2、一阶段目标检测2.2 Long-Tailed 目标检测3本文方法3.1 再看Focal Loss3.2 Equalized Focal Loss1、Focusing Factor2、Weighting FactorPyTorch实现如下：尽管最近长尾目标检测取得了成功，但几乎所有的长尾目标检测器都是基于两阶段范式开发的。在实践中，一阶段检

原创 手把手教你使用Segformer训练自己的数据

SegFormer 基于Swin transformer 修改

原创 使用Swin-Transformer-Semantic-Segmentation训练自己的数据（语义分割，自己做数据）

Swin transformer 模型训练

翻译 Jetson_build Jetson平台编译PaadlePalddle

Jetson平台编译指南说明NVIDIA Jetson设备是具有NVIDIA GPU的嵌入式设备，可以将目标检测算法部署到该设备上。本文档是在Jetson硬件上部署PaddleDetection模型的教程。本文档以Jetson TX2硬件、JetPack 4.3版本为例进行说明。Jetson平台的开发指南请参考NVIDIA Jetson Linux Developer Guide.Jetson环境搭建Jetson系统软件安装，请参考NVIDIA Jetson Linux Developer Gu

原创 自动调参NNI nnictl 支持的命令

nnictl 介绍nnictl是一个命令行工具，用来控制 NNI Experiment，如启动、停止、继续 Experiment，启动、停止 NNIBoard 等等。命令nnictl 支持的命令：nnictl creatennictl resumennictl viewnnictl stopnnictl updatennictl trialnnictl topnnictl experimentnnictl platf ormnnictl confi gnnictl lognn

原创 NNI搜索空间配置

原创 自动调参NNI 模型设置与log信息设置

Experiment 配置创建 Experiment 所需要的配置文件。 本文介绍了配置文件的内容。注解此文档的字段使用 camelCase 法命名。 对于 Python 库 nni.experiment，需要转换成 snake_case形式。 在此文档中，字段类型被格式化为 Python 类型提示。 因此，JSON 对象被称为 dict，数组被称为 list。一些字段采用文件或目录的路径， 除特别说明，均支持绝对路径和相对路径，~ 将扩展到 home 目录。 在写入 YAML文件时，相对路径

原创 Dockfile 安装tensorflow gdal遥感领域

# 基础镜像， cuda为10.2.0/10.1.0，ubuntu18.04FROM nvidia/cuda:10.0-cudnn7-devel-ubuntu18.04# 配置程序依赖环境RUN apt-get update && apt-get install -y --no-install-recommends \ build-essential \ cmake \ curl \ wget \ ca-

原创 YOLOV5 参数关键部分含义指示

parser = argparse.ArgumentParser() parser.add_argument('--cfg', type=str, default='models/yolov5x.yaml', help='opt.cfg 模型配置和网络结构的yaml文件路径') parser.add_argument('--data', type=str, default='data/test.yaml', ...

原创 labelme json 生成coco2017标准数据集格式代码

# -*- coding:utf-8 -*-# !/usr/bin/env pythonimport argparseimport jsonimport randomimport matplotlib.pyplot as pltimport skimage.io as ioimport cv2from labelme import utilsimport numpy as npimport globimport PIL.Imagefrom PIL import Imagefrom

原创 遥感领域划窗裁剪数据空白数据剔除，语义分割

# -*- coding: utf-8 -*-"""Created on Wed Sep 1 14:53:32 2021@author: Administrator"""from glob import globimport cv2import osfile = glob(r'C:/Users/Administrator/Desktop/datasets/imgs/*.tif')label_path = 'C:/Users/Administrator/Desktop/datasets

原创 数据集测试与训练集按照比例分配代码

# -*- coding: utf-8 -*-"""Created on Wed Sep 1 14:53:32 2021@author: Administrator"""from glob import globimport cv2import osimport randomrate_val_train = 0.2file = glob(r'C:/Users/Administrator/Desktop/wuxi_datasets/images/*.tif')label_path

原创 YOLOX训练自己的数据集（包含自己数据集，预训练模型，代码公开），踩扁很多细节坑全部补充

首先 看下作者给的性能对比图YOLOX 是旷视开源的高性能检测器。旷视的研究者将解耦头、数据增强、无锚点以及标签分类等目标检测领域的优秀进展与 YOLO 进行了巧妙的集成组合，提出了 YOLOX，不仅实现了超越 YOLOv3、YOLOv4 和 YOLOv5 的 AP，而且取得了极具竞争力的推理速度。YOLOX: Exceeding YOLO Series in 2021作者单位：旷视科技代 码：https://github.com/Megvii-BaseDetection/YOLO

原创 labelme2VOC2007数据格式代码

原始数据是jpg和json。jpg可自行修改。2012数据集修改日期即可import osimport numpy as npimport codecsimport jsonfrom glob import globimport cv2import shutilfrom sklearn.model_selection import train_test_split#1.标签路径labelme_path = "./" #原始labelme标注数据路径saved_