datawhale组队学习CV记录一

最新推荐文章于 2024-10-18 14:33:01 发布
最新推荐文章于 2024-10-18 14:33:01 发布
阅读量118 收藏
点赞数
分类专栏： CV 文章标签： 计算机视觉 人工智能
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/weixin_44333727/article/details/106242207
版权 
理解赛题背景和赛题数据
完成赛题报名和数据下载，理解赛题的解题思路

在这里插入图片描述
本次赛题的难点是需要对不定长的字符进行识别，有三种解决思路：
1）将所有图像都抽象为6个字符，对不足6个字符的进行填充，则原问题编程6字符分类问题
2）不定长字符识别
3）先检测再分类，先利用检测识别出字符位置，再对字符进行分类

有很多问题的我
关注
专栏目录
datawhale组队学习CV记录四
weixin_44333727的博客
05-30 126
模型训练与验证 1.构造验证集 模型容易出现过拟合现象，为解决过拟合需要构建一个与测试集尽可能分布一致的验证集。 1）训练集（Train Set）：模型用于训练和调整模型参数； 2）验证集（Validation Set）：用来验证模型精度和调整模型超参数； 3）测试集（Test Set）：验证模型的泛化能力。 在没有给定验证集的情况下，需要从训练集冲拆分一部分得到验证集。验证集的划分有三种方法： 1） 留出法（Hold-Out） 直接将训练集划分成两部分，得到新的训练集和验证集。有可能导致模型在验证集上过拟
datawhale组队学习CV记录五
weixin_44333727的博客
06-02 155
模型集成 1.集成学习的方法 机器学习中常见的集成学习方法有: 1)Stacking 2)Bagging 3)Boosting 在10个CNN模型可以使用如下方式进行集成： 1） 对预测的结果的概率值进行平均，然后解码为具体字符； 2） 对预测的字符进行投票，得到最终字符。 2.深度学习中的集成学习 1）Dropout： 在每个训练批次中，通过随机让一部分的节点停止工作。同时在预测的过程中让所有的节点都作用。 2）TTA（测试集数据扩增）： 数据扩增不仅可以在训练时候用，而且可以同样在预测时候进行数据扩增
datawhale组队学习CV记录三
weixin_44333727的博客
05-27 139
字符识别模型 根据大赛题目来构建一个定长字符分类模型，构建模型需要学会用pytorch框架来构建CNN模型，因此本次学习从CNN开始。 1.CNN CNN是卷积神经网络 CNN常见模型： LeNet-5(1998) AlexNet(2012) VGG-16(2014) Inception-v1 (2014) ResNet-50 (2015) 2.pytorch构建CNN模型 在Pytorch中构建CNN模型需要定义好模型的参数和正向传播，Pytorch会根据正向传播自动计算反向传播。 本次学习的是一个简单
datawhale组队学习CV记录二
weixin_44333727的博客
05-23 118
数据读取与数据扩增 1.数据读取 图像数据通常使用Pillow和OpenCV： 2.数据扩增 数据扩增可以增加训练集的样本，缓解过拟合情况也可以给模型带来更强的泛化能力。 数据扩增的方法： 本次比赛的图像数据不能进行翻转，数字一旦翻转就改变了原本的含义。 常用数据扩增库：torchvision，imgaug，albumentations 3.pytorch数据读取 在Pytorch中数据是通过Dataset进行封装，并通过DataLoder进行并行读取。 Dataset：对数据集的封装，提供索引方式的对
Datawhale CV组队学习打卡-04
QH0695的博客
05-30 277
Task4 模型训练与验证 （一）过拟合与欠拟合 在模型的训练过程中，模型只能利用训练数据来进行训练，模型并不能接触到测试集上的样本。因此模型如果将训练集学的过好，模型就会记住训练样本的细节，导致模型在测试集的泛化效果较差，这种现象称为过拟合（Overfitting）。与过拟合相对应的是欠拟合（Underfitting），即模型在训练集上的拟合效果较差。 欠拟合：根本原因是特征维度过少，模型过于简单，导致拟合的函数无法满足训练集，误差较大；解决方法：增加特征维度，增加训练数据；过拟合：根本原因是特..
202201期Datawhale组队学习——吃瓜教程
weixin_44259058的博客
01-11 698
目录前言学习路线Task00：熟悉规则（1.9）Task01：概览西瓜书+南瓜书第1、2章（1.10、1.11）Task02：详读西瓜书+南瓜书第3章（1.12-1.17）一、一元线性回归与多元线性回归（1.12、1.13）二、对数几率回归（1.14、1.15）三、线性判别分析（1.16、1.17）Task03：详读西瓜书+南瓜书第4章（1.18-1.20）Task04：详读西瓜书+南瓜书第5章（1.21-1.23）Task05：详读西瓜书+南瓜书第6章（1.24-1.27）一、支持向量机（1.24-1.2
二、预训练模型预测（Datawhale组队学习）
小刘的博客
01-18 1533
本篇文章主要介绍了用预训练模型进行图像分类预测的步骤以及三个应用场景，包括对单张图片的预测、视频文件的预测和摄像头实时画面的预测。无论是针对哪种任务，都要载入预训练好的图像分类模型、对图像进行预处理。针对单张图片的预测任务，可以利用预训练的模型得到所有类别的预测概率，从而选择概率最大的类别针对视频文件的预测任务，我们需要对视频逐帧处理（图像分类任务），再把每一帧串成视频文件摄像头实时画面预测任务，和视频文件的预测任务类似，只不过是通过摄像头得到每一帧的画面。
七、图像分类模型的部署（Datawhale组队学习）
小刘的博客
01-29 936
本文主要讲述了ONNX-ONNX Runtime部署流程，首先将训练好的Pytorch模型转ONNX模型，这样我们就可以将ONNX模型在任何安装了ONNX Runtime环境的机器上进行运行，进行单张图片的预测、调用摄像头进行实时画面的预测等。使用ONNX我们可以让模型在不同框架之间进行迁移，方便我们低成本的将模型部署到移动设备中去。
四、新图片、新视频预测（Datawhale组队学习）
小刘的博客
01-25 1112
本篇文章主要讲述了如何利用上次[三、利用迁移学习进行模型微调（Datawhale组队学习）](https://blog.csdn.net/qq_46378251/article/details/128751646?spm=1001.2014.3001.5501)得到的图像分类模型，分别在新的图像文件、新的视频文件和摄像头实时画面上进行预测。 ！！！注意：如果之前的图像分类模型是在CPU上训练得到的，这里用GPU版的pytorch导入模型的时候可能会出错，大家一定要注意版本的统一。
Pytorch图像分类实战笔记Task01-Task07|Datawhale组队学习
weixin_45480097的博客
01-17 891
将数据集统一命名为数字-->获得文件名列表full_dataset-->打乱列表random_dataset-->set train_rate = 0.8,train_dataset = random_dataset[:int(full_dataset)*0.8],test_dataset =random_dataset[int(full_dataset)*0.8:] -->移动文件。文件：gif格式的、非三通道图片（三通道图可以是彩色图，可以是灰度模式的图像。第一步，导入所需要的库。
Datawhale炼丹之Object Detetion（1）colab环境配置+数据集导入+目标检测的基本概念
weixin_45561472的博客
12-16 486
文章目录前言一、关于环境二、Colab环境和数据集导入1.挂载Google Drive2.导入数据集总结欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 前言 一时兴起和好朋友一起组队参加了
1st Competition of Datawhale: the car price prediction
foolloof的博客
03-24 1428
1st Competition of Datawhale: the car price prediction 这里将作为整个赛程的总结。其中会遇到很多沟沟坎坎。望努力，最后通关，自己得到提升。 Task1 参赛组队 第一步就是参加比赛，组成队伍，确定队名我自己的编号。 我在3群，编号113。 队长队友都很好，早早就把baseline贴出来了。但是无奈信息对于我这个新手来说还是太多了。 Task...
python机器学习参数调优
qq_40680151的博客
08-03 2210
前言 此系列文章旨在记录本人学习python过程中遇到的一些值得总结，方便之后及时复习的内容。 本篇博客介绍机器学习中参数调优的一些知识，即网格搜索，随即搜索等，以及一些pipeline的知识。 基础知识 有监督学习中根据因变量的连续与否，可以分为回归和分类问题： 回归：因变量是连续型变量，如：房价，体重等。 分类：因变量是离散型变量，如：是否患癌症，西瓜是好瓜还是坏瓜等。 为了更好地叙述后面的内容，我们对数据的形式作出如下约定： 第iii个样本：xi=(xi1,xi2,...,xip,yi)T,i=1
CV之Transformer第一周
catseeking的博客
10-17 472
CV之Transformer第一周：Hello Transformer1.模型结构2.模型输入Embedding层功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 第一周：Hello Transformer Datawhale 10
【AI前沿】计算机视觉的10个突破性进展:实际应用、挑战与方向
阿旭的博客
10-15 1360
【AI前沿】计算机视觉的10个突破性进展:实际应用、挑战与方向
YOLOv11改进策略【卷积层】| ECCV-2024 小波卷积WTConv 增大感受野，降低参数量计算量，独家创新助力涨点
最新发布
qq_42591591的博客
10-18 165
本文记录的是利用模块优化的目标检测网络模型。WTConv的目的是在不出现过参数化的情况下有效地增加卷积的感受野，从而解决了在感受野扩展中的参数膨胀问题。本文将其加入到深度可分离卷积中，有效降低模型参数量和计算量，并二次创新C3k2，使模块更好地捕捉低频特征，增强网络性能。Wavelet Convolutions for Large Receptive Fields小波卷积及其改进的实现代码如下： 四、创新模块 4.1 改进点1⭐ 模块改进方法：加入（第五节讲解添加步骤）。添加后如下：基于的深度可分离模块。
《OpenCV计算机视觉》—— 使用DNN模块实现图片风格迁移
weixin_73504499的博客
10-15 1226
使用DNN模块实现图片风格迁移
Opencv：EignFace算法实现人脸识别
qq_61600833的博客
10-15 534
EigenFace算法是人脸识别领域中的一种经典算法，它基于主成分分析（PCA）的原理，通过对人脸图像进行特征提取和降维，从而实现对人脸的有效识别。EigenFace算法的核心思想是将人脸图像从原始的像素空间转换到一个由特征向量构成的新空间，在这个新空间中，不同的人脸图像可以根据其特征向量被有效地区分开来。这种转换使得同一类别的图像在特征空间中更加紧凑，不同类别的图像则相隔较远。
OpenCV打开摄像头或视频
保持分享欲
10-12 1089
cv2.CAP_DSHOW 参数含义： 当你将cv2.CAP_DSHOW 与摄像头编号相加时，实际上是告诉OpenCV使用DirectShow框架来打开并操作指定的摄像头设备。DirectShow是Windows操作系统中用于处理音/视频流的一种API集合，它可以动态构建数据源到渲染器之间的过滤器链，支持多种音频和视频格式，并具有一定的硬件加速能力。使用外设摄像头时，cv2.CAP_DSHOW设置后，初始加载比较快，但帧率下降了，另外也不能设置图像大小。另外，查看网上也有人遇到相同的问题。
评论
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