- 博客(42)
- 收藏
- 关注
原创 CUDA编程之CUDA流
CUDA程序的并行层次主要有两个,一个是核函数内部的并行,一个是核函数外部的。合理使用CUDA流能实现核函数外部的并行。
2023-02-03 23:59:10
2177
1
原创 CUDA编程笔记(4)
怎么才能看出使用cuda编程,提高了程序的性能,一般都是通过比较程序运行的时间来验证。所以熟悉程序的运行时间的计时,可以查看优化的性能效果。提示:这里对文章进行总结:例如:以上就是今天要讲的内容,本文仅仅简单介绍了pandas的使用,而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
2023-01-20 00:00:33
1197
原创 CUDA编程笔记(1)
CUDA编程的学习,需要熟练的掌握C/C++编程的基础及操作系统方面的知识。CUDA编程是通往高性能计算的道路,学习掌握cuda编程,将其运用在一些计算机视觉的部署任务中是十分常见和高效的。
2023-01-13 18:33:56
492
原创 yolov5使用TensorRT进行c++部署
有了前面用c++进行opencv里dnn部署和onnxruntime部署的经验,使用TensorRT进行部署,我们只要了解tensorrt和cuda的一些相关api的使用即可方便的部署,整个部署流程都差不多。
2022-12-29 23:56:28
6704
52
原创 yolov5使用onnxruntime进行c++部署
c++单文件部署之使用onnxruntime通过代码熟悉onnxrununtime用于检测部署的整个流程,c++部署。
2022-12-25 22:04:18
6914
28
原创 yolov5使用opnecv进行c++推理部署
从模型到实际的部署,将模型的输出性能转化为实际项目和工作上去,使用c++成功部署是十分重要的。自己以前也有学过c++,还有c++的基础,正好可以运用上。版本yolov5 v6.1c++部署。
2022-12-24 00:16:21
9149
17
原创 yolov5的推理输出detect.py部分
推理阶段是整个检测模型完成后,要对模型进行测试的部分。很重要的一部分,只有了解了这个部分,才能在比赛或者项目提交中很好的输出自己模型的检测结果。同时,推理输出对模型部署在不同的环境下也是十分重要的。源码:https://github.com/ultralytics/yolov5版本yolov5 v6.1
2022-12-06 21:37:33
7746
原创 加权框融合WBF
总结下比赛中常用的加权框融合WBF加权框融合WBF相对于nms和softnms来说,速度要慢四倍的样子。更适合用在多个模型结果的融合,有点集成学习的感觉。可以用在对精度要求高,实时性要求不是很高实际项目或者比赛中。
2022-11-26 16:49:03
1240
原创 nms和softnms的代码
nms和softnms的原理及相关简单代码总结softnms相对于nms的改进,其实就是一种对原来部分加权进行一种软处理的一种方法,这种方法的思想其实在很多论文里的创新点都有看到过类似的身影。
2022-11-24 23:42:31
700
原创 yolov5使用自己的数据集相关代码
yolov5已经很成熟了,作为一个拥有发展系列的检测器,它拥有足够的精度和满足现实中实时性要求,所以许多项目和比赛都能用的上,自己也拿来参加过比赛。这里整理和分享下,自己搜集和修改的voc和coco格式转yolo格式的代码。
2022-10-25 21:47:17
1126
原创 yolov5网络结构代码解读
yolov5已经很成熟了,作为一个拥有发展系列的检测器,它拥有足够的精度和满足现实中实时性要求,所以许多项目和比赛都能用的上,自己也拿来参加过比赛。YOLOv5针对不同大小的输入和网络深度宽度,主要分成了(n, s, m, l, x)和(n6, s6, m6, l6, x6),这些都在yolov5的项目代码的配置文件中有对应。其中随着版本的更新,里面也多了好多其他模块。这里,我主要用的是v6.0版本。这里对Yolov5的网络结构部分进行了总结,后续有时间,再对其他部分做总结。
2022-10-16 22:53:54
7347
原创 mmdetection里的image_demo
image_demo检测的推理输出后测试检测结果,能够将结果可视化的部分主代码路径:demo/image_demo.py。
2022-10-02 11:42:06
1807
原创 目标检测的后处理
目标检测的后处理部分路径:mmdet/models/dense_heads/base_dense_head.py总的来说,后处理部分就是将预测输出的值转换回原图上的det_bboxes, det_labels。若要将det_bboxes, det_labels跟原图目标匹配上后面还要继续处理。整个推理输出结果过程将在讲image_demo解析。
2022-10-02 10:00:27
2067
原创 目标检测之GFL
十分优秀论文和研究工作!作者在论文后面还有些数据分析,值得阅读。并且作者后续已经发布了GFLV2,基于V1的情况下,利用学习到的bbox的分布来指导分类-质量评估的生成,能带来几乎无损涨点。后续有时间应该会介绍下GFLV2。博客里所说都是个人理解,欢迎大家进行留言讨论!
2022-09-24 10:02:40
2689
2
原创 目标检测之DetectoRS
DetectoRS提出了将FPN输出特征进行反馈利用的思想(RFP)和在特征提取时自适应选择不同感受野大小进行卷积的操作(SAC)。级联目标检测器设计理念的成功,促使作者在目标检测的神经网络主干设计中探索它。提出的RFP实现了一个反复查看和思考的顺序设计,其中自下而上的主干和FPN多次运行。这是一个不是为了针对解决什么问题的创新,而是通过观察和启发式的创新!实验做的很充分,一些实验代码细节也在论文中能找到。............
2022-08-10 16:50:22
2298
原创 特征提取网络之mobilenet
MobileNet网络是由google团队在2017年提出的,专注于移动端或者嵌入式设备中的轻量级CNN网络。相比传统卷积神经网络,在准确率小幅降低的前提下大大减少模型参数与运算量。(相比VGG16准确率减少了0.9%,但模型参数只有VGG的1/32)。主要创新点在于深度可分离卷积,而整个网络实际上也是深度可分离模块的堆叠。...
2022-07-26 21:02:46
1569
原创 mmdetection里进行特征图可视化
在mmdetection里实现简单的特征可视化代码,不是像Grad-CAM算法那样对分类或检测进行可视化,而是就特征层里的最大像数值,我们认为是重要的,将其可视化出来。一般测试的时候用,能够可视化模型的预测效果。训练阶段可以看看,但没太大效果。..................
2022-06-26 22:21:36
7674
17
原创 目标检测之AugFPN
整理下以前学习的Aug-FPN代码理解思路。论文链接:https://arxiv.org/abs/1912.05384代码链接:https://github.com/Gus-Guo/AugFPNAug-FPN的网络结构部分比较容易理解,这里主要看看一致性监督的代码。代码是利用的mmdetection平台写的。我主要讲讲自己学习中感觉需要理解的代码,可能自己也有理解不到位的地方,对新手不太友好。总之,欢迎相互交流!把retinanet_r50_augfpn_1x作为例子,这里主要理解下他的一致性监督的创
2022-06-21 23:15:13
970
1
原创 目标检测正负样本分配之MaxIoUAssigner
记录下目标检测正负样本的分配方法匹配规则这篇文章写的很清楚,整理如下:(1) 初始化所有 anchor 为忽略样本,假设每个anchor的mask都是-1,表示都是忽略anchor(2) 计算背景样本,将每个anchor和所有gt的iou的最大Iou小于neg_iou_thr的anchor的mask设置为0,表示是负样本(背景样本)(3) 计算高质量正样本,对于每个anchor,计算其和所有gt的iou,选取最大的iou对应的..................
2022-06-17 22:34:22
1180
原创 mmdetection的训练、调试和测试
mmdetection的训练、调试和测试操作在相应的虚拟环境中训练,先找到train.py,看下里面的操作。在parse_args()里会有很多操作指令,训练自己看着加。
2022-06-08 23:54:57
3759
6
原创 mmdetection的文件内容
了解我们能从代码文件里获取什么tutorials:这里面有各种我们使用mmdetection构建整个模型时的操作说明。(十分有用)后面的大家看英文名字也猜的出来干嘛的了,我就不一一细说了。(好累啊)整个就是个说明书,可以说看懂了这些,就能熟练使用它了。(包括下面要介绍的一些文件夹里的内容都有介绍)里面就是一些模块的文件夹,都给你分好类了 这里就是一些操作,单GPU,多GPU和跨GPU的训练...
2022-06-08 21:42:25
359
原创 ubuntu深度学习服务器安装流程
作为研究深度学习的一份子,拿到一台用来进行深度学习使用的服务器,可能会苦恼怎么进行一些基础环境的搭建和软件的安装,这里我将把我当时的一整套基本流程分享给大家,亲测有效,不走弯路!............
2022-06-08 00:14:43
713
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人