- 博客(53)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 RK3588安装python3.11(ubuntu18.04)
看到rknn_toolkit_lite2更新了python3.11的安装包，马上更新一下。
2023-09-27 17:27:09
147
原创 心电常见疾病
心电图（ECG或EKG）是一种用于记录心脏电活动的常见医疗检查方法。它可以帮助医生诊断许多心脏和心血管疾病，以及一些其他与心脏有关的问题。
2023-09-26 17:27:49
17
原创 YOLOV8-DET转ONNX和RKNN
yolov8就不介绍了，详细的请见YOLOV8详细对比，本文章注重实际的使用，从拿到yolov8的pt检测模型，怎样转onnx和rknn的使用，配置好相应的环境，就可以开心的做yolov8的检测啦！！！
2023-09-26 14:32:24
517
6
原创 ONNX版本YOLOV5-DeepSort (rknn版本已经Ready)
之前一直在忙着写文档，之前一直做分类，检测和分割，现在看到跟踪算法，花了几天时间找代码调试，看了看，展示效果比单纯的检测要更加的炸裂一点。
2023-08-18 12:38:19
1062
7
原创 DCM文件的相关操作
DICOM图像的元数据包含了多个字段，用于描述和标识图像的相关信息。以下是一些常见的规则和建议，用于设置DICOM图像的患者PID、Accession Number和Study UID：pydicom请注意，DICOM标准涵盖了大量的元数据字段和规范，上述规则仅针对特定的字段进行说明。根据实际需求和使用场景，可能还需要考虑其他DICOM元数据字段的设置和处理。
2023-07-13 15:40:36
207
原创 眼底图片解读(对比图！！！)
眼底图像是通过眼底摄影等技术获取的眼底部位的影像，可以提供关于眼睛健康和疾病的重要信息。以下是眼底图像中常见的信息和相关的疾病判断：(1)视网膜：眼底图像可以显示视网膜的结构和病变。视网膜病变如黄斑变性、视网膜血管阻塞、视网膜裂孔等可以通过观察视网膜的形态和血管变化来进行判断。(2)血管：眼底图像能够清晰显示视网膜血管的形态和分布。糖尿病视网膜病变、高血压视网膜病变等可以通过观察血管的异常扩张、狭窄、渗漏等来进行判断。(3)黄斑区：黄斑区是眼底图像中重要的区域，与中心视觉功能密切相关。
2023-06-07 11:19:20
856
原创 医学全量影像（Whole Slide Imaging，WSI）
在医学中，全量影像（Whole Slide Imaging，WSI）是一种数字化的图像技术，用于获取和浏览高分辨率的组织切片图像。它是将组织切片整体数字化，以替代传统的显微镜检查。全量影像主要用于数字化的组织切片，因此在实际应用中，其主要包含患者的组织切片图像。其他类型的影像可能需要通过其他系统或技术进行获取和管理。
2023-06-07 10:50:00
925
原创 DETR模型转RKNN
RKNN出最新版本了，测试了一下，rk在transformer方面做了很多的工作，至少之前不能转的模型，现在可以在fp16上面运行了，在测试int8的时候还是有误差，以往后面优化吧，这一篇是DETR模型转rknn的fp16模型的过程。
2023-06-07 10:26:39
543
1
原创 ONNX模型推理使用多核CPU加速推理
对于嵌入式设备，将模型转成onnx后，可以方便的将pytorch或者tensorflow的模型在嵌入式设备上运行，但是onnx模型默认只调用一个CPU核心去做推理，所以有些嵌入式设备有多核的CPU，推理推理可以适当的加速。
2023-05-17 10:56:47
1798
原创 Open-pose转RKNN
之前看到openpose的时候，想pt转onnx再转rknn，但是精度总是有问题，看到原来的openpose是caffe训练的，找了找caffe的模型，尝试转了rknn，没想到成功了，现在记录一下转化时候的坑！！！有坑的！！！
2023-03-29 12:08:27
630
2
原创 ONNX模型结构的查看(Pytorch模型转onnx以及转torchscript模型)
1. 关于ONNX:不废话了，不了解的onnx的去知乎或者百度去查询(不要杠，杠就是你赢了)。2. 是不是还在烦恼模型的结构没有直观的感受，为什么别人对模型的理解这么深刻，讲道理，视觉上的感受一般比文字的感受更加深刻，所以神器在哪里？查看模型结构的神器在这里：Netronhttps://netron.app/ 主界面如下，比较简单的界面，但是功能很强大 如果担心模型被拷贝或者泄露，可以下载离线的版本(速度不行的话，请使用科学上网)GitHub - lutzroeder/...
2022-03-15 21:49:08
7369
1
原创 经典CNN网络：MobileNet V1
前言 关于深度学习中的CNN网络结构，前期能够解决问题是第一步，随着计算机技术的发展，移动设备和嵌入式设备随处可见，让移动设备也使用深度学习中的CNN网络结构自然成为一个关注点，由于CNN网络结构的参数多，模型比较大，训练的模型几乎都是几百M的，很难在移动设备运行，所以为了使CNN的网络结构在cpu也能达到理想的速度，轻量化的CNN模型应运而生。 关于轻量化的CNN模型的设计思路有两种：对训练好的浮点模型积进行模型的压缩得到小的模型(通常说的模型量化) 直接设计小...
2021-07-01 12:53:08
281
原创 目标检测：R-CNN系列
前言之前已经介绍过分类算法了，输入一张图片，通过卷积-池化-全连接基本模块，可以对图片进行区分。但实际的生活中，并不是对一张图片进行分类就够了，或者说分类已经无法满洲
2021-06-21 10:38:17
170
原创 3.2分类训练之AlexNet网络构建(Pytorch)
前言 之前的文章介绍过AlexNet的网络结构，今天通过pytorch框架实现一下跳连结构的Resnet18网络结构。具体的代码是下面这个链接博主写的，我是进行注释一下，代码不是原创。
2021-06-17 10:05:20
161
原创 经典CNN网络：DenseNet
前言 DenseNet和ResNet的思路类似，目的都是减轻梯度消失等深度学习中常见的一些问题。论文中写出DenseNet采用的是密集连接的方式，初次看还不太能理解，但是又感觉有点熟悉(突然想到了RNN中的LSTM结构)，我认为密集连接通俗一点讲，就是联系上下文(英语考试中遇到不认识的单词，可以联系上下文进行猜测，应该是类似的)。...
2021-06-16 15:40:30
542
原创 经典CNN网络：GoogleNet
GoogleNet的基本Inception单元结构主要思想是利用不同大小的卷积核实现不同尺度的感知，网络结构如下图所示
2021-06-16 12:15:07
258
原创 经典CNN网络：LeNet和AlexNet网络
前言经典的cnn模型，用于手写数字识别的lenet5，现在看起来，结构是比较简单的，但是奠定了之后，在卷积神经网络中相当长时间的(卷积+池化+全连接)的思路。Lenet5网络结构现在看一下网络架构吧。输入是32*32*1，包括了3层卷积，2层池化，2层全连接层...
2021-06-16 11:11:14
260
原创 3.1分类训练之Resnet网络构建(Pytorch)
前言 之前的文章介绍过VGG16的网络结构，今天通过pytorch框架实现一下串联的VGGNET网络结构。
2021-06-15 17:57:36
621
4
原创 经典CNN网络：Resnet18网络结构输入和输出
前言 每当看到一个新的网络，总会思考，这个网络提出来有什么意义，解决了什么问题？Resnet18的提出，解决
2021-06-15 17:37:00
69171
原创 4.分类训练之训练脚本(Pytorch)
import torchimport torch.nn as nnimport torchvisionfrom vggnet import VGGNetfrom load_cifar10 import train_loader, test_loaderimport os# 是否使用GPUdevice = torch.device("cuda" if torch.cuda.is_available() else "cpu")# 遍历样本200次epoch_num =...
2021-06-10 17:48:06
972
2
原创 3.分类训练之VGGNET网络构建(Pytorch)
import torch# 进行卷积import torch.nn as nn# 进行softmaximport torch.nn.functional as Ffrom torchsummary import summaryclass VGGbase(nn.Module): # 初始化函数 def __init__(self): # 初始化类 super(VGGbase, self).__init__() # 定义算子 .
2021-06-10 14:59:52
429
原创 2.分类训练之数据准备-自定义数据集(CIFAR10数据加载)
前言 pytorch中有许多公开的数据集可以加载，但是换成自己数据集，想训练自己定义的类别怎样做？这里以CIFAR10解析出来的图片数据为例。
2021-06-10 13:50:41
1111
原创 1.分类训练之数据准备-CIFAR10数据解析
CIFAR10数据介绍 该数据集共有60000张彩色图像，这些图像是32*32，分为10个类，每类6000张图。这里面有50000张用于训练，构成了5个训练批，每一批10000张图；另外10000用于测试，单独构成一批。测试批的数据里，取自10类中的每一类，每一类随机取1000张。抽剩下的就随机排列组成了训练批。注意一个训练批中的各类图像并不一定数量相同，总的来看训练批，每一类都有5000张图。...
2021-06-10 11:30:57
455
3
原创 基于VGG网络的SSD算法
前言关于目标检测算法，可以分成两类，目标检测目前有 one-stage 和 two-stage 两种，two-stage 指的是检测算法需要分两步完成，首先需要获取候选区域，然后进行分类，比如R-CNN系列；与之相对的是 one-stage 检测，可以理解为一步到位，不需要单独寻找候选区域，典型的有SSD/YOLO。作者：HRain链接：https://www.jianshu.com/p/468e08f739bd来源：简书著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处
2021-06-09 12:18:46
1691
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人