e601-CSDN博客

原创 Week10-P10：车牌识别

P10通过自定义MyDataset来加载车牌数据集，使用transforms、DataLoader等工具进行数据预处理。创建了一个能够输出三维数据（[-1, 7, 69]）的神经网络模型，其中-1代表批处理大小，7和69分别代表其他维度的大小。编写代码来统计loss和acc，进行模型训练，并通过实验结果进行分析。

2024-03-30 00:28:05 8165

原创 Week9-P9：YOLOv5-Backbone模块实现

Backbone骨干网络是指用来提取图像特征的网络，它的主要作用是将原始的输入图像转化为多层特征图，以便后续的目标检测任务使用。在Yolov5中，使用的是CSPDarknet53或ResNet骨干网络，这两个网络都是相对轻量级的，能够在保证较高检测精度的同时，尽可能地减少计算量和内存占用。Backbone中的主要结构有Conv模块、C3模块、SPPF模块。Conv模块：这是卷积神经网络中常用的一种基础模块，它主要由卷积层、BN层和激活函数组成。

2024-03-23 00:46:54 1668

原创 Week8-P8：YOLOv5-C3模块实现

C3 模块结构：C3 模块由三个标准的卷积模块（Conv）和多个 Bottleneck 模块组成。它分为两个分支：最后，将这两个分支的输出进行拼接，并再次通过一个 Conv 模块。另一个分支通过一个 Conv 模块。一个分支使用多个 Bottleneck 模块和一个 Conv 模块。作用：C3 模块用于特征融合和增强，以便更好地捕捉目标的上下文信息。Conv 模块Conv 模块对输入特征进行卷积、批归一化（BN）和激活函数操作。在 YOLOv5 中，使用了 Silu 函数作为激活函数。SPP 模块。

2024-03-15 22:18:38 907 1

原创 Week7-P7：咖啡豆识别

P7让我学习了使用PyTorch实现一个VGG-16模型的过程，目的是识别不同的咖啡豆品种。我对VGG-16网络的结构和原理有了更深的理解，也学习了如何选择合适的损失函数和优化器来训练模型。我还利用了可视化工具来展示模型的结果，包括损失和准确率曲线，发现模型在一些图片上的预测很准确，但在一些图片上还有改进的空间。

2024-03-01 23:36:14 424 1