![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 65
云端一散仙
主要在做图像,点云方向,欢迎讨论~
展开
-
PaddlePaddle初使用
*注意:**如果是在自己的数据集上训练的模型,并且调整了中文字符的字典文件,请注意修改配置文件中的character_dict_path为自定义字典文件。如果训练时修改了文本的字典,在使用inference模型预测时,需要通过–rec_char_dict_path指定使用的字典路径。原创 2024-01-03 13:19:53 · 863 阅读 · 0 评论 -
实例分割数据格式转换
将标注文本转化为图片实例数据(二值图),一个实例类别对应一张图片,代码如下:生成图片后,将图片和标注信息转为coco格式原创 2022-07-05 13:59:24 · 257 阅读 · 0 评论 -
yolov5笔记
yaml文件解析yolov5使用yaml文件,通过./models/yolo.py解析nc:类别数量depth_multiple:控制子模块数量,模型的深度width_multiple:控制卷积核数量假如yolov5设置为训练命令:cfg 设置网络结构的配置文件(如果有.pt,可以忽略)python train.py --img 640 --batch 32 --epochs 81 --data data/head_tail.yaml --weights yolov5n.pt --de原创 2022-05-20 10:18:57 · 759 阅读 · 0 评论 -
second学习记录
代码:second论文:papersecond部分代码流程:原创 2022-02-07 13:31:34 · 440 阅读 · 0 评论 -
Fast-reid初使用
Fast-reid初使用参数修改模型加载加载数据集模型trainforward LossTrainingEvaluationdemoGithub:完整代码参数修改根据加载的config-file文件,找到_BASE_的文件后,根据需要修改参数例如可以修改NUM_WORKERS,IMS_PER_BATCH等等还有一部分参数在config/defaults文件中,该文件中有对参数详细的注释模型加载cfg.MODEL.META_ARCHITECTURE: BaselineBACKBONE:原创 2021-12-08 13:24:46 · 2929 阅读 · 3 评论 -
cv中的注意力机制
cv中的注意力机制SENetNon-local Neural NetworksCBAMDANet注意力机制(attention)的基本思想就是想让系统学会注意力——能够忽略无关信息而关注重点信息SENet作用在Channel尺度上,给不同通道特征加权,学习了channel之间的相关性,筛选出了针对通道的注意力Squeeze操作(对应SE block结构图中的Fsq操作),就是一个global average pooling,使其具有全局的感受野,使得网络低层也能利用全局信息Excitatio原创 2021-10-21 16:26:57 · 4014 阅读 · 0 评论 -
公开数据集
Cityscapes像素级分割一个很常用的数据集,原图存放在leftImg8bit文件夹中,精细标注的数据存放在gtFine (gt : ground truth) 文件夹中 ,训练集(train)2975张,验证集(val)500张,测试集(test)1525张,都是有相应的标签的,其中,训练集和验证集有label,测试集没有label,只能去官网提交得到指标leftImg8bit/的文件结构:gtFine/的文件结构,gtFine中train,test的子目录为城市名:参考博客:Citys原创 2021-08-27 15:59:48 · 2518 阅读 · 0 评论 -
TensorRT
TensorRT Python API ReferenceTorth转为ONNXmodel = model.cuda()model.eval()_, c, h, w = input_sizedummy_input = torch.randn(MAX_BATCH_SIZE, c, h, w, device='cuda')torch.onnx.export(model, dummy_input, "model.onnx", verbose=True, input_names=["input"], o原创 2021-08-26 09:41:54 · 538 阅读 · 0 评论 -
Scaled-yolov4 安装mish-cuda
git clone https://github.com/thomasbrandon/mish-cudacd mish-cudacp external/CUDAApplyUtils.cuh csrc # cuda >= 11.0python setup.py build install作者给出的安装方式git clone https://github.com/JunnYu/mish-cudacd mish-cudapython setup.py build install...原创 2021-05-31 09:53:36 · 2252 阅读 · 1 评论 -
基于EfficientDet训练自己的数据集
github:Zylo使用的torch和torchvision版本,torch和torchvision的版本要对应,cuda版本一致数据集修改train.py中的原创 2021-05-19 13:31:29 · 753 阅读 · 1 评论 -
基于mmdetection训练Swin Transformer Object Detection
环境搭建docker找了一个torch版本为1.5.1+cu101的docker环境,然后安装mmdetection环境pip install mmcv-fullgit clone https://github.com/SwinTransformer/Swin-Transformer-Object-Detectioncd Swin-Transformer-Object-Detection-masterpip install -r requirements/build.txtpip instal原创 2021-04-26 14:55:12 · 9848 阅读 · 32 评论 -
神经网络参数初始化为0
正向传播:a3=g(W13×a1+W23×a2+b1)a4=g(W14×a1+W24×a2+b2)a5=g(W35×a3+W45×a4+b3)a_3 = g(W_{13}\times a_1+W_{23}\times a_2+b_1)\\a_4 = g(W_{14}\times a_1+W_{24}\times a_2+b_2)\\a_5 = g(W_{35}\times a_3+W_{45}\times a_4+b_3)a3=g(W13×a1+W23×a2+b1)a4=g(W..原创 2020-09-15 14:42:39 · 1131 阅读 · 1 评论 -
YOLOv3小结(上)
最近把YOLO系列的论文,还有YOLOv3的源码又回顾了一下,感觉有一些是之前没注意到的,稍微总结下最近的工作。V3的Pytorch源码,我看的是这个版本:ayooshkathuria/YOLO_v3_tutorial_from_scratch这个是关于源码的一些解释说明:How to implement a YOLO (v3) object detector from scratch in PyTorch解释说明中文版:上半部分下半部分v3的论文相比较与v1,v2的论文,不去看原创 2020-09-11 15:02:55 · 383 阅读 · 0 评论 -
Paper Reading-YOLOv4
paper:YOLOv4github:Darknet个人感觉,这篇论文更像是一种好多方法的总结之类的论文,最近公司要做一个分享,做一下阅读笔记标题传统的物体检测大概是由以下几个部分组成的(借用作者的原话):对于YOLOv4:Backbone的作用是提取图像的特征,作者比较了CSPResNext50和CSPDarknet53后,选择了后者,原话是:our numerous studies demonstrate that the CSPResNext50 is considerably原创 2020-08-27 18:38:17 · 462 阅读 · 0 评论 -
yolov4调整网络结构
最近在用Yolov4跑车辆,行人等9种类别的检测,尝试修改网络结构,记录下遇到的一些问题…结合Netron,更清晰解析网络结构:def parse_model_cfg(path): # Parses the yolo-v3 layer configuration file and returns module definitions file = open(path, 'r') lines = file.read().split('\n') lines = [x f原创 2020-08-19 14:21:01 · 2496 阅读 · 1 评论 -
NMS-IOU
non_max_suppression:自己写的差点意思,记录下别人的def bbox_iou(box1, box2, x1y1x2y2=True, GIoU=False): # Returns the IoU of box1 to box2. box1 is 4, box2 is nx4 box2 = box2.t() # Get the coordinates of bounding boxes if x1y1x2y2: # x1, y1, x2,.原创 2020-08-18 20:02:49 · 326 阅读 · 0 评论 -
running_mean和running_var
最近在看yolov4的pytorch源码,下面的这段代码,有些疑问,涉及到了running_mean和running_vardef load_conv_bn(buf, start, conv_model, bn_model): num_w = conv_model.weight.numel() num_b = bn_model.bias.numel() bn_model.bias.data.copy_(torch.from_numpy(buf[start:start + num_b原创 2020-08-13 14:26:31 · 7936 阅读 · 4 评论 -
数据转为YOLO的txt数据格式
通过两个类来转换import osfrom xml.etree.ElementTree import dumpimport jsonimport pprintimport sysimport argparseimport xml.etree.ElementTree as Etfrom xml.etree.ElementTree import Element, ElementTreeimport cv2class VOC: """ Handler Class for VO原创 2020-07-29 16:40:23 · 724 阅读 · 0 评论 -
激活函数
什么是激活函数神经网络中的每个神经元节点接受上一层神经元的输出值作为本神经元的输入值,并将输入值传递给下一层,输入层神经元节点会将输入属性值直接传递给下一层(隐层或输出层)。在多层神经网络中,上层节点的输出和下层节点的输入之间具有一个函数关系,这个函数称为激活函数(又称激励函数)。为什么使用激活函数如果不用激活函数(其实相当于激励函数是f(x)=xf(x) = xf(x)=x),每一层节点的输入都是上层输出的线性函数,无论神经网络有多少层,输出都是输入的线性组合,这种就是最原始的感知机(Per.原创 2020-07-23 15:38:24 · 321 阅读 · 0 评论 -
Batch Normalization
BN是为了解决深度学习中的 Internal Covariate Shift 问题及其影响,ICS产生的原因是由于参数更新带来的网络中每一层输入值分布的改变,并且随着网络层数的加深而变得更加严重,这就使得高层需要不断去重新适应底层的参数更新,因此我们可以通过固定每一层网络输入值的分布来对减缓ICS问题。在BN之前,白化(whitening)是一个重要的数据预处理步骤,包含两个目的:1.使得所有特征具有相同的均值和方差,即同分布,PCA白化保证了所有特征分布均值为0,方差为1;而ZCA白化则保证了所有特征原创 2020-07-13 19:02:54 · 901 阅读 · 0 评论