![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
cv
黄小黄i
一个双鱼座的程序猿
展开
-
python 设置文件自启动
from win32comext.shell import shellimport osimport pythoncomdef set_shortcut(): # 如无需特别设置图标,则可去掉iconname参数 try: # 要创建快捷方式的文件的完整路径 cur_path = os.getcwd().replace('\\', '/') filename = cur_path + '/.exe' # 将要在此路径创建快原创 2021-09-10 14:22:20 · 344 阅读 · 0 评论 -
pyinstaller 打包openvino
我又来了,在经历过前面的一系列的操作,最终迎来了最后一步打包部署。但似乎每一步走的都是那么艰难,回头看也就那样。openvino官方说是不支持pyinstaller的打包,但是可以使用他们的管理工具。下面就说一下我遇到的问题吧,不那么详细介绍每一步的流程,想知道每一步的具体流程可以去看一下我之前的文章。按照之前的方式进行打包,只处理解决bug:(注:此次打包是打包为一个文件夹即(-D),是有这方面的需求,(-F)我想会比这更难)1、缺少scipy`Traceback (most recent c原创 2021-08-24 14:35:50 · 1113 阅读 · 15 评论 -
unet++ pytorch模型转换为onnx模型并实际测试
书接上回,上次在安装好openvino环境之后,以及自己在了解完其相关的处理流程之后,现在将自己的模型转换为onnx格式以便后续转换为openvino的中间件。直接上代码:import osimport cv2import onnxruntimeimport torchfrom albumentations import Composefrom albumentations.augmentations import transformsfrom torch.utils.data import原创 2021-08-13 15:04:50 · 2132 阅读 · 4 评论 -
yolox+openvino
接上一次搭建的yolox 的环境,这次要使用openvino对其进行python推理加速。本文的前提是已经实现在本地配置好openvino环境,可去openvino专栏查看。推理的代码如下:import argparseimport logging as logimport osimport sysimport cv2import numpy as npfrom openvino.inference_engine import IECorefrom yolox_x.yolox.data.原创 2021-08-09 17:19:49 · 667 阅读 · 0 评论 -
win10 安装openvino
最近要在cpu的设备上进行推理加速,故而要学习openvino,奈何自己是个小菜鸡,只能以此记录,防止后人出错。一、安装软件1、下载openvino下载地址:https://software.intel.com/content/www/us/en/develop/tools/openvino-toolkit/download.html下载自己所需要的版本即可2、安装visual studio3、安装cmake二、配置环境1、第一中方式只能在指定的的窗口进行cd C:\Program Fi原创 2021-08-07 23:02:49 · 661 阅读 · 0 评论 -
解决opencv-python 读取中文路径下的图片
在正常情况下opencv-python是无法从带有中文路径的目录下读取图片,解决方法:首先利用np.fromfile()读取为np.uint8格式,再使用cv2.imdecode()解码,使用代码如下:image = cv2.imdecode(np.fromfile(origin_image_path, dtype=np.uint8), -1)cv2.imshow('1', image)cv2.waitKey(0)...原创 2021-08-04 18:22:25 · 953 阅读 · 0 评论 -
目标检测总结
写在前面的话:在前段时间自己开启了找工作的阶段,对于自己所接触的目标检测总体进行了一段总结,自己是写在笔记中上传到这无法显示图片,就直接分享笔记连接,又想看的就去看一下吧。以及下面是常问到的知识:1、roi pooling和roi algin的区别2、F1 scorep: tp/(tp+fp)r:tp/(tp+FN)F1-score : 2(PR)/(P+R)3、优化器4、网络结构:Faster Rcnninception5、dropout和BN6、传统图像处理对于下面的总结全部来原创 2021-04-20 09:44:47 · 1595 阅读 · 0 评论 -
coco2voc
详细代码地址:https://github.com/huangxiaohuangi/coco2voc我这边的数据格式是每个图片对应一个json文件,1、首先利用xml2coco.py将所有的单个json文件整合成一个json文件2、利用json2xml.py将这个json文件分离为每个图片对应的xml文件3、readfilename.py为读取文件夹下的文件名称...原创 2021-01-21 14:46:39 · 332 阅读 · 0 评论 -
yolo数据集制作
操作的代码在https://github.com/huangxiaohuangi/createyolodataset1、首先将json格式的数据标注转换为voc数据的xml格式convert_to_voc.py #先将原始数据转为VOC格式的标注注意在改代码中换成自己的classes2、如果有需要对图片进行线下裁剪的的话,进行make_slice_voc.py#将大图切为小图,重新制作为voc.不需要则进行第三步3、convert_voc_to_v5txt.py #将voc标注转换为yolov原创 2021-01-21 10:58:36 · 390 阅读 · 0 评论 -
mmdetection环境搭建以及使用自己的数据集测试
一、环境ubuntu 18.04cuda 10.1pytorch 1.6二、安装mmcv安装mmcv-full。mmdetection依赖于mmcv,并且要安装pytorch对应的版本,就像torchvision一样,各版本下载链接在https://openmmlab.oss-accelerate.aliyuncs.com/mmcv/dist/index.html注意:一定要选择适合自己的版本否则会报错:Not compiled with GPU support亲身尝试过。。。。三、安装原创 2020-12-29 16:02:31 · 1193 阅读 · 1 评论 -
深度学习总结
入职学习了一段时间也该有个总结了吧。深度学习一、深度学习框架TensorFlow、Pytorch、Caffe、Paddle、MXNet、Kera二、网络层级结构卷积神经网络只是针对图像起到一个特征提取器的作用。1、输入层2、卷积层卷积层是卷积神经网络的核心,而卷积又是卷积层的核心。卷积我们可以直观的理解为两个函数的一种运算,这种运算称为卷积运算。输入和卷积核都是张量,卷积运算就是用卷积分别乘以输入张量中的每个元素,然后输出一个代表每个输入信息的张量。其中卷积核又被称为权重过滤器,也可以称为原创 2020-12-11 09:24:13 · 4220 阅读 · 2 评论 -
coco数据集
一、coco数据集字段1、info字段:包括一下字段2、licenses:里面集合了不同类型的licenses,并在images中按照id号被应用,基本不参与数据解析的过程中。3、images:对应每张图片的详细信息,其中的id号是分配的唯一id4、categories:其中supercategory是父类,name是子类,id是类别id(按照子类统计)5:annotation:category_id:该注释的类别idid:当前注释的idimage_id:该注释所在的图片的id号a原创 2020-11-06 15:37:05 · 990 阅读 · 0 评论 -
SSD
目前主流的目标检测算法有两个类型一个是tow-stage另一个就是one-stage。one-stage主要的思想就是均匀的在图片的不同位置进行密集采样,在抽样的时候可以采用不同尺度和长宽比,然后利用CNN提取特征后直接进行分类和回归,整个过程只需要一步,代表SSD和YOLO。均匀的密集采样的一个重要缺点就是训练比较困难,这主要是因为正样本与负样本非常不平衡,导致模型准确度比较低。SSD(Single Shot MultiBox Detector),single shot是指SSD算法是属于one-原创 2020-10-29 11:13:06 · 206 阅读 · 0 评论 -
利用SSD模型训练自己的数据集
一、运行环境windows10cuda==10.1python=3.7.x二、步骤1、下载SSD代码SSD-pytorch 代码下载地址: https://github.com/amdegroot/ssd.pytorch如果觉得下载比较慢可以参考https://blog.csdn.net/weixin_43218120/article/details/1082530252、准备数据集(1)想先测试的情况下可以使用VOC或者COCO数据集,数据集下载:链接:https://pan.baid原创 2020-10-28 20:59:04 · 2556 阅读 · 0 评论 -
计算机视觉之非极大值抑制(NMS)以及各种变形
NMS:Non-Maximum SuppressionNMS,称为非极大值抑制,是目标检测框架中的后处理模块,主要用于删除高度冗余的bbox。在目标检测的过程中,对于每个obj在检测的时候回产生多个bbox,NMS的本质就是对每个obj的多个bbox去冗余,得到最终的检测结果。对于检测任务,NMS是一个必需的部件,其为对检测结果进行冗余去除操作的后处理算法。标准的NMS为手工设计的,基于一个固定的距离阈值进行贪婪聚类,(greedily accepting local maxima and disca原创 2020-10-22 15:23:26 · 878 阅读 · 0 评论 -
计算机视觉之正负样本不均衡问题
Anchor-based的目标检测器通过Anchor来得到一系列密集的候选框,然后按照一定阈值将候选框分成真样本(前景)和负样本(背景),最后按照一定的采样策略来进行训练。目标检测中广泛采用的采样策略是随机采样(正样本和负样本按照一定比例随机采样),然而随机采样并不能保证能够选取得到更有价值的样本(使检测器更鲁棒)。在探索更有效的采样策略的过程中,产生了两类方法:Hard Sampling:从所有候选样本中选择子集来训练模型。(包含hard negative mining、OHEM、IoU-balanc原创 2020-10-21 14:04:08 · 2787 阅读 · 1 评论 -
计算机视觉基础之mAP
## mAPmAP定义及相关概念mAP:mean Average Precision,即各类别AP的平均值AP:PR曲线下面积PR曲线:Precision-Recall曲线Precision:TP/(TP+FP)Recall:TP/(TP+FN)TP:IoU>0.5的检测框数量(同一Ground Truth只计算一次)FP:IoU <=0.5的检测框,或者是检测到同一个GT的多余检测框的数量FN:没有检测到的GT的数量图像检索mAP图像检索中的mAP和目标检测中的mAP原创 2020-10-15 10:39:52 · 3334 阅读 · 0 评论 -
计算机视觉基础之IoU和mIoU
IoUIoU(Intersection over Union),又称重叠度/交并比。1、NMS:当在图像中预测多个proposals、pred bboxes时,由于预测的结果间可能存在高冗余(即同一个目标可能被预测多个矩形框),因此可以过滤掉一些彼此间高重合度的结果;具体操作就是根据各个bbox的score降序排序,剔除与高score bbox有较高重合度的低score bbox,其中重合度的度量指标就是IoU2、mAP:得到检测算法的预测结果后,需要对pred bbox与gt bbox一起评估检测算原创 2020-10-10 10:53:12 · 11964 阅读 · 0 评论 -
利用yolo5官方模型训练自己的数据集
利用yolov5官方模型权重训练自己的数据集一、运行环境Cuda = 10.1python=3.7.xtorch =1.6.0cython = 0.29.21numpy = 1.19.1opencv-python = 4.3.0.38matplotlib = 3.3.0pillow = 7.2.0tensorboard = 2.2.0pyYAML = 5.3.1torchvision = 0.7.0scipy = 1.5.2tqdm = 4.48.2二、yolov5文件数据集原创 2020-08-19 15:01:15 · 4585 阅读 · 19 评论