- 博客(48)
- 收藏
- 关注
原创 【变化检测】基于HANet建筑物(LEVIR-CD)变化检测实战及ONNX推理
LEVIR-CD 由 637 个超高分辨率(VHR,0.5m/像素)谷歌地球(GE)图像块对组成,大小为 1024 × 1024 像素。这些时间跨度为 5 到 14 年的双时态图像具有显着的土地利用变化,尤其是建筑增长。LEVIR-CD涵盖别墅住宅、高层公寓、小型车库、大型仓库等各类建筑。在这里,我们关注与建筑相关的变化,包括建筑增长(从土壤/草地/硬化地面或在建建筑到新的建筑区域的变化)和建筑衰退。这些双时态图像由遥感图像解释专家使用二进制标签(1 表示变化,0 表示不变)进行注释。
2024-09-18 00:35:33 1024
原创 【变化检测】基于ChangeStar建筑物(LEVIR-CD)变化检测实战及ONNX推理
LEVIR-CD 由 637 个超高分辨率(VHR,0.5m/像素)谷歌地球(GE)图像块对组成,大小为 1024 × 1024 像素。这些时间跨度为 5 到 14 年的双时态图像具有显着的土地利用变化,尤其是建筑增长。LEVIR-CD涵盖别墅住宅、高层公寓、小型车库、大型仓库等各类建筑。在这里,我们关注与建筑相关的变化,包括建筑增长(从土壤/草地/硬化地面或在建建筑到新的建筑区域的变化)和建筑衰退。这些双时态图像由遥感图像解释专家使用二进制标签(1 表示变化,0 表示不变)进行注释。
2024-09-17 23:31:10 715
原创 【变化检测】基于STANet建筑物(LEVIR-CD)变化检测实战及ONNX推理
LEVIR-CD 由 637 个超高分辨率(VHR,0.5m/像素)谷歌地球(GE)图像块对组成,大小为 1024 × 1024 像素。这些时间跨度为 5 到 14 年的双时态图像具有显着的土地利用变化,尤其是建筑增长。LEVIR-CD涵盖别墅住宅、高层公寓、小型车库、大型仓库等各类建筑。在这里,我们关注与建筑相关的变化,包括建筑增长(从土壤/草地/硬化地面或在建建筑到新的建筑区域的变化)和建筑衰退。这些双时态图像由遥感图像解释专家使用二进制标签(1 表示变化,0 表示不变)进行注释。
2024-09-09 00:12:10 1202
原创 【变化检测】基于IFN建筑物(LEVIR-CD)变化检测实战及ONNX推理
LEVIR-CD 由 637 个超高分辨率(VHR,0.5m/像素)谷歌地球(GE)图像块对组成,大小为 1024 × 1024 像素。这些时间跨度为 5 到 14 年的双时态图像具有显着的土地利用变化,尤其是建筑增长。LEVIR-CD涵盖别墅住宅、高层公寓、小型车库、大型仓库等各类建筑。在这里,我们关注与建筑相关的变化,包括建筑增长(从土壤/草地/硬化地面或在建建筑到新的建筑区域的变化)和建筑衰退。这些双时态图像由遥感图像解释专家使用二进制标签(1 表示变化,0 表示不变)进行注释。
2024-09-08 23:59:24 1117
原创 【变化检测】基于SNUNeT建筑物(LEVIR-CD)变化检测实战及ONNX推理
LEVIR-CD 由 637 个超高分辨率(VHR,0.5m/像素)谷歌地球(GE)图像块对组成,大小为 1024 × 1024 像素。这些时间跨度为 5 到 14 年的双时态图像具有显着的土地利用变化,尤其是建筑增长。LEVIR-CD涵盖别墅住宅、高层公寓、小型车库、大型仓库等各类建筑。在这里,我们关注与建筑相关的变化,包括建筑增长(从土壤/草地/硬化地面或在建建筑到新的建筑区域的变化)和建筑衰退。这些双时态图像由遥感图像解释专家使用二进制标签(1 表示变化,0 表示不变)进行注释。
2024-09-08 23:53:08 921
原创 【变化检测】基于BiT建筑物(LEVIR-CD)变化检测实战及ONNX推理
LEVIR-CD 由 637 个超高分辨率(VHR,0.5m/像素)谷歌地球(GE)图像块对组成,大小为 1024 × 1024 像素。这些时间跨度为 5 到 14 年的双时态图像具有显着的土地利用变化,尤其是建筑增长。LEVIR-CD涵盖别墅住宅、高层公寓、小型车库、大型仓库等各类建筑。在这里,我们关注与建筑相关的变化,包括建筑增长(从土壤/草地/硬化地面或在建建筑到新的建筑区域的变化)和建筑衰退。这些双时态图像由遥感图像解释专家使用二进制标签(1 表示变化,0 表示不变)进行注释。
2024-09-08 23:42:19 1056
原创 【变化检测】基于ChangeFormer建筑物(LEVIR-CD)变化检测实战及ONNX推理
LEVIR-CD 由 637 个超高分辨率(VHR,0.5m/像素)谷歌地球(GE)图像块对组成,大小为 1024 × 1024 像素。这些时间跨度为 5 到 14 年的双时态图像具有显着的土地利用变化,尤其是建筑增长。LEVIR-CD涵盖别墅住宅、高层公寓、小型车库、大型仓库等各类建筑。在这里,我们关注与建筑相关的变化,包括建筑增长(从土壤/草地/硬化地面或在建建筑到新的建筑区域的变化)和建筑衰退。这些双时态图像由遥感图像解释专家使用二进制标签(1 表示变化,0 表示不变)进行注释。
2024-09-08 23:13:30 1014
原创 【变化检测】基于Tinycd建筑物(LEVIR-CD)变化检测实战及ONNX推理
LEVIR-CD 由 637 个超高分辨率(VHR,0.5m/像素)谷歌地球(GE)图像块对组成,大小为 1024 × 1024 像素。这些时间跨度为 5 到 14 年的双时态图像具有显着的土地利用变化,尤其是建筑增长。LEVIR-CD涵盖别墅住宅、高层公寓、小型车库、大型仓库等各类建筑。在这里,我们关注与建筑相关的变化,包括建筑增长(从土壤/草地/硬化地面或在建建筑到新的建筑区域的变化)和建筑衰退。这些双时态图像由遥感图像解释专家使用二进制标签(1 表示变化,0 表示不变)进行注释。
2024-08-25 19:19:04 748
原创 【变化检测】基于UNet建筑物(LEVIR-CD)变化检测实战及ONNX推理
LEVIR-CD 由 637 个超高分辨率(VHR,0.5m/像素)谷歌地球(GE)图像块对组成,大小为 1024 × 1024 像素。这些时间跨度为 5 到 14 年的双时态图像具有显着的土地利用变化,尤其是建筑增长。LEVIR-CD涵盖别墅住宅、高层公寓、小型车库、大型仓库等各类建筑。在这里,我们关注与建筑相关的变化,包括建筑增长(从土壤/草地/硬化地面或在建建筑到新的建筑区域的变化)和建筑衰退。这些双时态图像由遥感图像解释专家使用二进制标签(1 表示变化,0 表示不变)进行注释。
2024-08-24 16:36:17 1053
原创 【超详细】基于YOLOv8改进1-Drone-YOLO复现
如下图,改进 3(加小目标分支)是提升最显著,为 6.8 个点,无人机小目标较多(P2 是 v8 自。改进 2:三明治结构(作者提出),相比于原先的 concat 操作,多融合了一个上层大尺度特征。(1)性能主要提升来自增加对小目标检测的 P2 层(即增加一个 160*160 的大尺度检测。如下图所示,在 yolov8-n 基础改进上,精度有所提升,参数变化不大,但是推理速度大幅。积核被合并为一个 3×3 卷积层。(2)增加 P2 分支与多支路融合虽然在模型参数方面略微增加,但推理耗时显著增加,不。
2024-05-20 23:47:59 2529 5
原创 【超详细】基于YOLOv8的PCB缺陷检测
印刷电路板(PCB)瑕疵数据集:是一个公共的合成PCB数据集,由北京大学发布,其中包含1386张图像以及6种缺陷(缺失孔,鼠标咬伤,开路,短路,杂散,伪铜),用于检测,分类和配准任务。本文我们选取了其中适用与检测任务的693张图像,随机选择593张图像作为训练集,100张图像作为验证集。
2024-05-16 00:02:05 6113 11
原创 基于Copy-paste的图像P图示例
将待P图的所有目标抠取下来(目标可进行一定的数据增强:翻转、旋转、对比度变化等)进行一定比例缩放,粘贴到待P原图设置的区间范围内。
2024-03-14 15:43:59 462
原创 YOLOv8_pose-Openvino和ONNXRuntime推理【CPU】
Openvino是由Intel开发的专门用于优化和部署人工智能推理的半开源的工具包,主要用于对深度推理做优化。Openvino内部集成了Opencv、TensorFlow模块,除此之外它还具有强大的Plugin开发框架,允许开发者在Openvino之上对推理过程做优化。Openvino整体框架为:Openvino前端→ Plugin中间层→ Backend后端。
2024-03-11 21:23:31 822
原创 YOLOv8_seg-Openvino和ONNXRuntime推理【CPU】
Openvino是由Intel开发的专门用于优化和部署人工智能推理的半开源的工具包,主要用于对深度推理做优化。Openvino内部集成了Opencv、TensorFlow模块,除此之外它还具有强大的Plugin开发框架,允许开发者在Openvino之上对推理过程做优化。Openvino整体框架为:Openvino前端→ Plugin中间层→ Backend后端。
2024-03-11 21:19:40 1430
原创 YOLOv7_pose-Openvino和ONNXRuntime推理【CPU】
Openvino是由Intel开发的专门用于优化和部署人工智能推理的半开源的工具包,主要用于对深度推理做优化。Openvino内部集成了Opencv、TensorFlow模块,除此之外它还具有强大的Plugin开发框架,允许开发者在Openvino之上对推理过程做优化。Openvino整体框架为:Openvino前端→ Plugin中间层→ Backend后端。
2024-03-11 21:12:43 691 1
原创 YOLOv5_seg-Openvino和ONNXRuntime推理【CPU】
Openvino是由Intel开发的专门用于优化和部署人工智能推理的半开源的工具包,主要用于对深度推理做优化。Openvino内部集成了Opencv、TensorFlow模块,除此之外它还具有强大的Plugin开发框架,允许开发者在Openvino之上对推理过程做优化。Openvino整体框架为:Openvino前端→ Plugin中间层→ Backend后端。
2024-03-11 21:06:48 1216
原创 YOLOv7-Openvino和ONNXRuntime推理【CPU】
Openvino是由Intel开发的专门用于优化和部署人工智能推理的半开源的工具包,主要用于对深度推理做优化。Openvino内部集成了Opencv、TensorFlow模块,除此之外它还具有强大的Plugin开发框架,允许开发者在Openvino之上对推理过程做优化。Openvino整体框架为:Openvino前端→ Plugin中间层→ Backend后端。
2024-03-11 20:59:36 1276
原创 YOLOv5/6/7-Openvino-ByteTrack【CPU】
Openvino是由Intel开发的专门用于优化和部署人工智能推理的半开源的工具包,主要用于对深度推理做优化。Openvino内部集成了Opencv、TensorFlow模块,除此之外它还具有强大的Plugin开发框架,允许开发者在Openvino之上对推理过程做优化。Openvino整体框架为:Openvino前端→ Plugin中间层→ Backend后端。
2024-03-05 15:54:29 1313
原创 YOLOv8/9-Openvino-ByteTrack【CPU】
Openvino是由Intel开发的专门用于优化和部署人工智能推理的半开源的工具包,主要用于对深度推理做优化。Openvino内部集成了Opencv、TensorFlow模块,除此之外它还具有强大的Plugin开发框架,允许开发者在Openvino之上对推理过程做优化。Openvino整体框架为:Openvino前端→ Plugin中间层→ Backend后端。
2024-03-05 11:39:28 1456
原创 YOLOv5-Openvino和ONNXRuntime推理【CPU】
Openvino是由Intel开发的专门用于优化和部署人工智能推理的半开源的工具包,主要用于对深度推理做优化。Openvino内部集成了Opencv、TensorFlow模块,除此之外它还具有强大的Plugin开发框架,允许开发者在Openvino之上对推理过程做优化。Openvino整体框架为:Openvino前端→ Plugin中间层→ Backend后端。
2024-02-27 15:22:35 1449
原创 YOLOv6-Openvino和ONNXRuntime推理【CPU】
Openvino是由Intel开发的专门用于优化和部署人工智能推理的半开源的工具包,主要用于对深度推理做优化。Openvino内部集成了Opencv、TensorFlow模块,除此之外它还具有强大的Plugin开发框架,允许开发者在Openvino之上对推理过程做优化。Openvino整体框架为:Openvino前端→ Plugin中间层→ Backend后端。
2024-02-27 14:59:10 1468
原创 YOLOv9-Openvino和ONNXRuntime推理【CPU】
Openvino是由Intel开发的专门用于优化和部署人工智能推理的半开源的工具包,主要用于对深度推理做优化。Openvino内部集成了Opencv、TensorFlow模块,除此之外它还具有强大的Plugin开发框架,允许开发者在Openvino之上对推理过程做优化。Openvino整体框架为:Openvino前端→ Plugin中间层→ Backend后端。
2024-02-26 20:10:12 2299
原创 YOLOv8-Openvino和ONNXRuntime推理【CPU】
Openvino是由Intel开发的专门用于优化和部署人工智能推理的半开源的工具包,主要用于对深度推理做优化。Openvino内部集成了Opencv、TensorFlow模块,除此之外它还具有强大的Plugin开发框架,允许开发者在Openvino之上对推理过程做优化。Openvino整体框架为:Openvino前端→ Plugin中间层→ Backend后端。
2024-02-19 11:26:55 2743 2
原创 YOLOX改进之模型轻量化(Lite)
文章内容:给YOLOv5-Lite系列轻量级模型换上YOLOX头部环境:pytorch1.7+cuda11.0注意:YOLOv5版本为5.0,可以匹配YOLOX的主干网络与neck部分一、参考资料参考资料1:YOLOv5-Lite:代码链接:https://github.com/ppogg/YOLOv5-Lite文章链接:https://blog.csdn.net/weixin_45829462/article/details/119767896?spm=1001.2014.3001.5502
2022-03-13 23:54:31 14959 39
原创 YOLOX训练C盘爆满解决方案
0. 问题描述:COCO数据集训练到一半突然中断,看C盘显示红色,已经没多少内存了(训练时,生成在AppData/Temp中的临时文件太多)如图所示:随着epoch的增加,文件越来越大(图中还是yolox-tiny),如果采用yolox-x,C盘不大的一下爆了!!1. 问题原因:YOLOX-main/yolox/evaluators/coco_evaluator.py中203行左右**tempfile.mkstemp()**创建文件后,没有进行close()和remove()操作如下图:2.
2022-03-03 22:16:51 9117 9
原创 YOLOX之绘制AP图与损失曲线
文章内容:如何在YOLOX官网代码中绘制AP图与损失曲线环境:pytorch1.8注意:只能利用运行结果”YOLOX_outputs/outputs/train_log.txt“文件绘制图的格式:自己可以进一步修改,已经是新罗马字体代码如下:1、绘制AP图使用:在YOLOX-main中创建AP.py文件即可代码修改:文件路径+epoch次数(默认每次epoch评估)import matplotlib.pyplot as pltfrom matplotlib.pyplot import Mu
2022-01-08 14:40:45 8101 47
原创 YOLOX改进之添加ASFF
文章内容:如何在YOLOX官网代码中添加ASFF模块环境:pytorch1.8修改内容:(1)在PAFPN尾部添加ASFF模块(YOLOX-s等版本)(2)在FPN尾部添加ASFF模块(YOLOX-Darknet53版本)参考链接:论文链接:https://arxiv.org/pdf/1911.09516v2.pdfASFF原理及代码参考:https://blog.csdn.net/weixin_44119362/article/details/114289607示意图如下:使用方法:直
2022-01-06 22:49:52 23639 54
原创 YOLOX改进之损失函数修改(下)
文章内容:如何在YOLOX官网代码中修改定位损失环境:pytorch1.8修改内容:(1)置信度预测损失更换:二元交叉熵损失替换为FocalLoss或者VariFocalLoss(2)定位损失更换:IOU损失替换为GIOU、CIOU、EIOU以及a-IOU系列提示:使用之前可以先了解YOLOX及上述损失函数原理参考链接:YOLOX官网链接:https://github.com/Megvii-BaseDetection/YOLOXYOLOX原理解析(Bubbliiiing大佬版):https:
2022-01-06 16:45:15 11975 25
原创 YOLOX改进之损失函数修改(上)
文章内容:如何在YOLOX官网代码中修改置信度预测损失环境:pytorch1.8损失函数修改内容:(1)置信度预测损失更换:二元交叉熵损失替换为FocalLoss或者VariFocalLoss(2)定位损失更换:IOU损失替换为GIOU、CIOU、EIOU以及a-IOU系列提示:使用之前可以先了解YOLOX及上述损失函数原理参考链接:YOLOX官网链接:https://github.com/Megvii-BaseDetection/YOLOXYOLOX原理解析(Bubbliiiing大佬版)
2022-01-06 15:18:00 25842 76
原创 YOLOX改进之插入注意力机制SE、CBAM
文章内容:如何在YOLOX官网代码中插入注意力机制环境:pytorch1.8提醒:使用之前先了解YOLOX及注意力机制原理更好参考链接:YOLOX官网链接:https://github.com/Megvii-BaseDetection/YOLOXYOLOX原理解析(Bubbliiiing大佬版):https://blog.csdn.net/weixin_44791964/article/details/120476949SE注意力机制解析:https://blog.csdn.net/mrjkzh
2022-01-06 11:27:02 18674 68
原创 运行mmdetection的benchmark.py报错:RuntimeError: Distributed package doesn‘t have NCCL built in
**起因:**利用mmdetection的tools/benchmark.py计算FPS时报错。错误内容如下:Traceback (most recent call last): File "tools/analysis_tools/benchmark.py", line 191, in <module> main() File "tools/analysis_tools/benchmark.py", line 183, in main init_dist(args.
2021-12-30 18:27:47 2665
原创 json格式与xml格式转换为Yolov5训练标签格式
1、json格式转yolov5标签格式# 实现json文件yolov5训练的txt文件# 注意:图像的宽高需要自定义import jsonimport osdef convert(img_size, box): x1 = box[0] y1 = box[1] x2 = box[2] y2 = box[3] # 转换并归一化 center_x = (x1 + x2) * 0.5 / img_size[0] center_y = (y1
2021-12-14 19:33:12 4976 4
原创 Python-混合高斯分布(GMM)的应用及K-S检验
内容简介:对几种经典的单分布模型与混合高斯分布模型进行简单介绍,随后用于交通数据分析,并进行K-S检验,讨论模型拟合情况。其中,单分布模型有:正态分布、Gamma分布、Weibull分布、Logistic分布;1 模型介绍1.1 单分布的概率密度函数介绍如下:1.2 混合高斯分布(GMM)模型介绍如下:GMM详细推导与介绍见:https://blog.csdn.net/jinping_shi/article/details/596130542 模型应用数据集介绍:2017美国发生事故的总体
2021-08-20 14:27:29 8931 8
原创 基于CNN网络的轴承故障诊断
内容参考:《基于卷积神经网络的轴承故障 诊断算法研究》–张伟代码参考:https://github.com/AaronCosmos/wdcnn_bearning_fault_diagnosis1 背景:基于信号处理的特征提取+分类器的传统智能诊断算法,对专家经验要求高,设计耗时且不能保证通用性,已经不能满足机械大数据的要求。提出使用基于卷积神经网络智能诊断算法来自动完成特征提取以及故障识别。1.1 挑战机电产品故障诊断面临的挑战,有三大特点:(1)数据量大,专业分析人员的数量严重不足,仅依靠人
2021-08-13 22:25:35 61119 66
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人