深度学习
文章平均质量分 62
深度学习
逆风飞扬fei
这个作者很懒,什么都没留下…
展开
-
关于深度学习中的Precision和Recall的一些理解
precision和recall。这是论文中经常提及的两个概念。我们举这样的一个例子:我们现在有一个检测狗的任务,但是这个任务数据中包含了猫。那么我们这个时候就有一个问题,我们怎么描述一个物体被检测出来呢?为此,我们引入了IOU这个概念?我们规定IOU > 0.5表示物体被检测出来,否则没有。现在我们有了这个指标,我们开始跑数据。假设我们已经把网络训练好了,接着找来一张图片测试(这张图片上有四个狗和三只猫),测试结果这样的(我们的目标是找图片中的狗)标注的数字表示IOU值,我们只选择IOU转载 2021-05-24 09:56:25 · 2845 阅读 · 0 评论 -
YOLO V4论文解读
YOLO V4论文解读一、YOLOV3回顾二、YOLOV4中三、Bag of freebies数据扩充:模拟对象遮挡:结合多幅图像进行数据扩充:解决类别不平衡:label smoothingbbox:Yolov4-use:四、Bag of specials1、 enhance receptive field(扩充接受阈): SPP, ASPP, RFB2、 attention module:3、feature integration:(特征集成)4、activation function:5、post-pr原创 2020-06-23 14:27:37 · 2180 阅读 · 0 评论 -
tf2-yolov3训练自己的数据集
tf2相比于tf1来说更加的友好,支持了Eager模式,代码和keras基本相同,所以代码也很简单,下面就如何用tf2-yolov3训练自己的数据集。项目的代码包:链接: tf2-yolov3.需要自行下载至于tf2-yolov3的原理可以参考这个链接,我觉得是讲的最好一个:链接: yolov3算法的一点理解.tf2-yolov3训练自己的数据集1、配置相关的环境2、使用官方权重进行预测二级目录三级目录1、配置相关的环境我是在linux上跑的,linux上配环境比较简单,相关windows配环境可原创 2020-06-10 11:19:32 · 2768 阅读 · 17 评论 -
TensorFlow2—YOLOv2
学习yolo也有一段时间了,一直在死磕yolov3,最后想想还是先把yolov2先好好捋一遍吧,原理搞懂不难,代码实现对于我这种基础比较差的人,还是有一点难度。好了废话不多说,我们先看看yolo算法的相关原理吧。Tensorflow-YoloV21、YOLOv2论文解读2、tf2-yolov2代码实现2.1 训练数据预处理2.1.1 统一改变输入图片尺寸2.1.2 解析XML文件2.1.3 读取图片(图片数据预处理)2.1.4 真实标签格式处理(单张图片)2.1.5 真实标签格式处理(批量图片)1、YO原创 2020-06-08 21:49:43 · 921 阅读 · 1 评论 -
史上最成功安装Pytorch快速方法【亲测绝对有效,很好用很好用】
Pytorch详细安装教程1、安装Anacoda2、在Anacoda环境中新建一个pytorch环境3、按照官网的方法安装pytorch4、测试安装up在试了网上很多教程之后,一次次的都错,真的是安装了无数遍GPU版本的pytorch,使用清华源镜像但是有个巨坑,查了很多博客,终于有了点头绪顺利解决安装问题速度飞快。1、安装Anacoda链接: Anacoda下载地址.具体的安装过程,网上一堆教程,自行查看记得配置环境变量2、在Anacoda环境中新建一个pytorch环境至于为什么要新建一个原创 2020-05-19 19:00:06 · 8598 阅读 · 22 评论 -
如何通过labelme标注将json文件转为png的label
1、安装labelme1、创建一个新环境conda create -n labelme python=3.62、进入该环境,安装pyqt5和labelme,labelme要求3.3.1的版本pip install pyqt5 -i https://pypi.doubanio.com/simplepip install labelme==3.3.1 -i https://pypi.doubanio.com/simple 3、安装完成后,直接输入labelme,打开labelme软件即可la原创 2020-07-06 12:37:15 · 5506 阅读 · 12 评论 -
MobilenNet模型
MobilenNet模型深度可分离卷积MobileNet的结构1、主干模型2、Unet解码部分深度可分离卷积MobilenNet模型是一种轻量级的网络,核心思想便是深度可分离卷积(depthwise separable convolution)正常卷积:卷积参数的总数=属性的总数x卷积核的大小。深度可分离卷积:深度可分离卷积的方法有所不同。正常卷积核是对3个通道同时做卷积。也就是说,3个通道,在一次卷积后,输出一个数。深度可分离卷积分为两步:1、第一步用三个卷积对三个通道分别做卷积,这样在一次卷原创 2020-07-03 11:20:37 · 525 阅读 · 0 评论 -
Tensorflow2——图像定位
图像定位1、单张图片图像定位2、随意尺度图片定位3、批量图片定位一级目录给定一副图片,我们要输出四个数字(x,y,w,h),图像中某一个点的坐标(x,y),以及图像的宽度和高度,有了这四个数字,我们可以很容易的找到物体的边框。1、单张图片图像定位import tensorflow as tfimport matplotlib.pyplot as plt%matplotlib inlineimport numpy as npfrom lxml import etreeimport globf原创 2020-06-02 07:35:48 · 2067 阅读 · 1 评论 -
Tensorflow2——模型的保存和恢复
模型的保存和恢复1、保存整个模型2、仅仅保存模型的架构(框架)3、仅仅保存模型的权重4、在训练期间保存检查点1、保存整个模型1)整个模型保存到一个文件中,其中包含权重值,模型配置以及优化器的配置,这样,您就可以为模型设置检查点,并稍后从完全相同的状态进行训练,而无需访问原始代码2)在keras中保存完全可以正常的使用模型非常有用,您可以在tensorflow.js中加载他们,然后在网络浏览器中训练和运行它们3)keras中使用HDF5标准提供基本的保存格式import tensorflow as原创 2020-05-31 10:19:23 · 1063 阅读 · 0 评论 -
Tensorflow2——使用预训练网络进行迁移学习(Vgg16)
想要将深度学习应用于小型图像数据集,使用预训练网络就是一种常用且高效的方法。预训练网络就是一个保存好的网络,之前已在大型数据集上训练(通常是大规模图像分类任务)。如果训练的原始数据集足够大且足够通用(如imagenet数据集),那么预训练网络学到的特征的空间层次结构可以有效的作为视觉世界的通用模型,因此这些特征可用于不同的计算机视觉问题。这种学习到的特征在不同问题之间的可移植性,也是深度学习与其他浅层方法相比的重要优势。使用预训练网络有两种方法,特征提取和微调模型。微调模型是用于特征提取的冻结的卷积基,将原创 2020-05-20 18:21:51 · 2802 阅读 · 0 评论 -
Tensorflow2——tensorboard可视化
下面通过手写数字数据集来介绍如何使用tensorboard可视化可以两种方法,一种是再notebook里,还有一种是网页打开。jupyter notebook 调试import tensorflow as tf import numpy as npimport datetimeimport osfrom tensorflow.compat.v1 import ConfigProtofrom tensorflow.compat.v1 import InteractiveSessioncon原创 2020-05-14 18:31:36 · 1052 阅读 · 0 评论 -
Tensorflow2——Eager模式简介以及运用
Eager模式简介以及运用1、什么是Eager模式?2、Eager模式下的基本运算1)基本运算2)当做python运算的时候,tensor自动的变成一个python对象去参与运算3)有关于变量的相关操作3、如何自动求解微分1)对于变量情况:2)对于常量来说:3)对于多次微分:3、自定义训练1)导入数据,创建Dataset2)创建模型3)自定义训练1、什么是Eager模式?使用过TensorFlow的大家都会知道, TF通过计算图将计算的定义和执行分隔开, 这是一种声明式(declaretive)的编程模原创 2020-05-13 12:08:19 · 6126 阅读 · 0 评论 -
Tensorflow2——卷积神经网络之猫狗识别
今天复习了一下卷积神经网络的猫狗识别部分,主要还是加强了数据的读取和数据的预处理这一部分。学会用tf.data去创建数据集,用tf.keras来创建模型,直接上代码。这里写目录标题1、卷积神经网络之猫狗识别1)数据集的创建2)图片数据预处理3)模型的创建与训练4)绘图展示1、卷积神经网络之猫狗识别1)数据集的创建lambda的详情可参考:链接: 关于Python中的lambda,这篇阅读量10万+的文章可能是你见过的最完整的讲解.import tensorflow as tf from ten原创 2020-05-12 08:26:13 · 3395 阅读 · 0 评论 -
Tensorflow2——卷积神经网络的搭建
Tensorflow2卷积神经网络的搭建卷积神经网络Fasion_minst识别卷积神经网络搭建代码卷积神经网络1、卷积神经网络CNN最大的特点就是在于卷积的权值共享,利用空间结构减少学习的参数量,防止过拟合的同时减少计算量。在卷积神经网络中,第一个卷积层直接接受图像像素级的输入,卷积之后传给后面的网络,每一层的卷积操作相当于滤波器,对图像进行特征提取,原则上可保证尺度,平移和旋转不变性。一般的卷积网络包含一下操作:(1)卷积。图像通过不同卷积核卷积并且加偏置(bias),提取局部特征,每一个卷积原创 2020-05-09 17:18:44 · 2231 阅读 · 2 评论 -
TensorFlow2学习——tf.data模块
tf.data API的使用tf.data.Dataset:表示一系列元素,其中每个元素包含一个或多个 Tensor 对象。例如,在图片管道中,一个元素可能是单个训练样本,具有一对表示图片数据和标签的张量。可以通过两种不同的方式来创建数据集。直接从 Tensor 创建 Dataset(例如 Dataset.from_tensor_slices());当然 Numpy 也是可以的,TensorFlow 会自动将其转换为 Tensor。通过对一个或多个 tf.data.Dataset 对象来使用变换(例如原创 2020-05-08 21:33:49 · 746 阅读 · 0 评论