- 博客(24)
- 收藏
- 关注
原创 嵌入式C语言面试相关知识——关键字(不定期更新)
又是一年一度的秋招,怎么能只刷笔试题目呢,面试题目也得看,想当好厂的牛马其实也不容易呀O(∩_∩)O。注意:这篇博客大部分是来自网上的资源,我只是为了加深印象,总结和抄一遍,没错,就是抄一遍,相关链接放在下面。内容会时不时更新。
2024-07-06 18:08:02
1024
原创 MobileV3网络结构理解+网络结构代码实现+水果图像分类和安全帽目标检测(YoloV5)效果展示.
MobileNetV3是mobileNet系列的第三个版本,也是最后一个版本。V3版本保留了V1版本的深度可分离卷积的思想以及V2版本的反向残差结构,然后改变了其中的一些激活函数,以便让网络在移动设备和嵌入式设备上跑的更快,另外还加入了SE通道注意力机制,保证网络的准确性。其实论文读下来,个人感觉MobileNet的研究人员变懒了,因为V3版本的网络结构一开始不是自己设计的,而是借用NetAdapt进行搭建的,然后将其中一些比较耗时的层以及结构进行修改而来。然后就是加入SE注意力机制和更换激活函数。
2023-11-23 10:14:30
561
原创 MobileV2网络结构理解+网络结构代码实现+水果图像分类和安全帽目标检测(YoloV5)效果展示.
MobileNetV2是Google在2017年公布V1后的一年发布的。他们针对V1版本出现的缺点进行修正,行将V2与SSDLite进行结合,达到了不错的效果。V2主要的创新点就是两个,从论文的题目就可以看出来,即反向残差(Inverted Residuals)以及线性瓶颈(Linear Bottlenecks)。“兴趣流形”(Manifold of Interest):可以简单理解为relu激活函数对低维输出会造成很多特征丢失,给对高维输出基本能保留原特征图的特征。
2023-11-21 23:38:56
2196
2
原创 MobileV1网络结构理解+网络结构代码实现+图像分类和目标检测(YoloV5)效果展示.
MobileNetV1是在2017年由谷歌(Google)研发的一种轻量级神经网络架构,专门设计用于移动设备和嵌入式系统。该模型主要是用了叫做“深度可分离卷积(Depthwise Separable Convolutions)”的结构去大大减少网络所需要的计算量以及网络模型的大小,并保证较高的准确率。“深度可分离卷积”的提出对后续的一些轻量化网络的出现有着深远的影响,许多后面提出的轻量化结构都多多少少的沿用或者借鉴了“深度可分离卷积”。另外还提出了两个超参数,分别是宽度乘数。
2023-11-20 10:35:18
566
原创 CMake安装+解决报错:bash: /usr/bin/cmake: cannot execute binary file: Exec format error
Cmake的正确安装方法。小编也是小白,希望该篇文章能够解决你所遇到的问题,欢迎在评论区留言。
2023-11-13 16:06:07
704
2
原创 租用AutoDL服务器+使用vscode进行SSH连接+解决连接好后无法使用code命令打开项目(报错内容:bash: code: command not found)
本博客用于自己学习记录,同时也希望这篇博客能帮助到你。
2023-11-08 21:41:09
4668
7
原创 复现炮哥带你学—Yolo5训练安全帽(vscode + pytorch)报错总结,数据库链接+权重文件链接
复现炮哥带你学—yolo5训练安全帽(vscode + pytorch)报错总结,数据集链接、权重文件链接、安全帽视频素材链接。
2023-10-10 16:39:08
4983
12
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人