![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
架构师带你0基础入门
windmyself
深度学习 计算机视觉
展开
-
Visualdl使用教程
Visualdl使用教程分4步:第一步:导入visualdl包,然后创建LogWriter对象将需要可视化的数据存放的到指定路径。第二步:训练过程中插入作图语句,见上图。第三步:执行$ visualdl --logdir ./log 命令(注:这里的命令不能在aistudio平台的notebook上执行,只能在终端执行。)第四步:打开浏览器输入第三步给出的网址即可查看可视化结果。...原创 2020-10-16 08:14:59 · 3755 阅读 · 0 评论 -
动态图和静态图的代码区别
小结:动态图实时解释执行,这样在训练的过程中可以终止,然后修改然后再接着进行训练。比如,在训练的过程中发现loss下降很慢,我可以终止程序,调大学习率,然后再接着训练。静态图的话是有大量的预定义,将所有的配置都定义好了,再交由执行器一次执行完,有点像yml配置文件,所有的都配置好了,在执行。这样就无法在训练的过程中进行修改。...原创 2020-10-03 20:25:49 · 690 阅读 · 0 评论 -
YOLOv3预测结果可视化
原创 2020-10-01 10:55:30 · 1062 阅读 · 0 评论 -
YOLOv3中的非极大值抑制
上图中NMS的计算流程:右上角列出了预测框和每个预测框的分数(boxes和scores)。就是定义一个列表keep存放每次选出的分数最大且阈值小(阈值小代表两个预测框没重合,也就是框的不是一个对象)的框。step3中选择boxes[10],boxes[10]要和之前keep中存在的3,5进行iou比较,如果与他俩比较的iou都比较小,说明boxes[10]框中的对象和boxes[3]boxes[5]框中的对象不是同一个对象,所以保留下来。图是NMS后的结果:keep中只有三个框了。...原创 2020-10-01 10:52:37 · 2855 阅读 · 1 评论 -
YOLOv3模型预测
P0[N,1083,4],P1[N,22743,4],P2[N,17328,4] 中的1083、22743、17328代表的是特征图P0,P1,P2上预测框的全部个数。最后使用的是---多分类非极大值抑制。上图中最后的return 中的yolo_boxes yolo_scores中有很多预测框,这时候预测任务是没有完成的!...原创 2020-10-01 10:35:49 · 655 阅读 · 0 评论 -
YOLOv3端到端训练
paddle API fluid.layers.yolov3_loss中的参数含义:x表示输出特征图的一个层级(p0 p1 p2中的一个);gt_box表示真实框; gt_label表示真实标签 gt_score 表示一种训练技巧(有一个加mixup的训练技巧),可以设置为1,形状同gt_label;anchors表示9钟anchor的大小; anchor_mask 是会选对这一层级的futuremap需要哪种尺寸的anchor;class_num表示分类数目(注意带不带背景,在coco数据集上不带背景..原创 2020-10-01 10:20:52 · 433 阅读 · 0 评论 -
YOLOv3中的多尺度检测
上图中的小方块尺寸是32*32的原因是特征提取的步长stride是32,因为特征图上的一个像素点要对应一个小方块,所以小方块的大小要等于步长。但是32*32太大了,导致生成的锚框对小物体的检测效果并不好,所以YOLOv3中做了一些改进,就是上图中蓝色阴影部分。 上图中的跨层连接为什么不是直接在c1中进行上采样?因为c1属于低层级特征图,它的特点是精度高(因为像素点多)但是他的语义含义不够丰富,这就会导致最后的结果不够好。所以使用高层级特征图c0中的r0(rout)经过上采样...原创 2020-10-01 09:57:09 · 3795 阅读 · 0 评论 -
YOLOv3模型建立损失函数
YOLOv3中需要建立三个损失函数,这三个损失函数分别对应之前YOLOv3模型中的三个锚框来建立得到的。原创 2020-10-01 09:10:44 · 418 阅读 · 0 评论 -
特征图和候选区域
特征图C0的输出通道数为什么这么多 1024.。。。因为特征图和候选区域的通道数不一样,所以多特征图进行一系列卷积,使其降低通道数与候选区域一致。(但是不清楚怎么操作的使通道数降低???)上图通过将NUM_CLASSES取为4(为什么取为4,因为特征图P0中的相关参数为4),就把objectness的坐标信息全部取出来了。然后做sigmoid计算objectness=1的概率。蓝框画错了,应该是红色箭头的指向。通过特征图P0中给出的维度来计算location的维度(l...原创 2020-09-30 21:03:32 · 465 阅读 · 0 评论 -
YOLOv3中锚框的三个标签
其中label_objectness里面的参数N 是代表输入图片的个数。原创 2020-09-30 19:02:59 · 3228 阅读 · 1 评论 -
YOLOv3算法设计思想
YOLOv3算法设计思想你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章,了解一下Markdown的基本语法知识。新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了如下几点新功能,帮助你用它写博客:全新的界面设计 ,将会带来全新的写作体验;在创作中心设置你喜爱的代码高亮样式,Markdown 将代码片显示选择的高亮样式 进行展示;增加了 图片拖拽原创 2020-09-30 17:04:18 · 381 阅读 · 0 评论 -
交并比
原创 2020-09-28 19:52:32 · 201 阅读 · 0 评论 -
训练数据提取 课节10 第三章 part 2-1.2
原创 2020-09-26 11:40:20 · 88 阅读 · 0 评论 -
基于卷积神经网络的图像分类方法概述
一个典型的图像分类任务,它 的典型算法框架是上图这样。输入图像,然后通过各种各样的方式对输入图像进行提取特征。把一个图像从一个像素点的表示方式,转换成用特征来表示,然后再在这个特征上面去构建分类器,就会得到每一个样本标签,对应的输出概率。在训练的过程中,样本标签是已知的,我们根据这个输出概率和样本标签去建立损失函数,然后就可以开启这个训练的过程。在预测的过程中,根据输出概率,我们选出概率最大的类别作为我们的预测标签。...原创 2020-09-26 10:35:30 · 1169 阅读 · 0 评论 -
飞桨 7日目标检测第4日 学习笔记
输出部分yolo v3输出了3个不同尺度的feature map,如上图所示的y1, y2, y3,该做法借鉴了FPN(feature pyramid networks),采用多尺度来对不同size的目标进行检测:对于COCO类别而言,有80个种类,所以每个box应该对每个种类都输出一个概率,YOLOv3设定的是每个网格单元预测3个box,所以每个box需要有(x, y, w, h, confidence)五个基本参数,然后还要有80个类别的概率。所以3 * (5 + 80) = 255 这个255是..原创 2020-09-25 11:11:15 · 205 阅读 · 0 评论 -
丢弃法Dropout
丢弃法Dropout:一种抑制过拟合的方法。上图中提到的两种解决方案:1.downgrade_in_infer:训练时随机丢弃一部分神经元;预测时不丢弃神经元,这里提到的不丢弃神经元是指预测时不丢弃在训练时随机丢弃的那部分神经元,但是把全部分神经元的数值变小,来使最后的输出数据总大小不变。2.upscale_in_train:训练时随机丢弃一部分神经元,但是把保留的那些神经元数值放大(放大比例看随机丢弃了多少神经元);预测时原样输出所有神经元的信息。1和2都是以降低丢弃部分神经元数值原创 2020-09-24 19:35:51 · 573 阅读 · 0 评论 -
批归一化 BatchNorm
数据的分布不稳定(不平均)会导致模型不收敛(特别是在数据不均匀时还用大的学习率),所以才会在制作数据集或者对数据集进行预处理时,调整数据分布,使数据分布均匀(比如:正负样本是均匀的,别存在数据集中百分之90都是正样本这种情况)。标准化也可以应用在中间层中,也就是对feature map做处理,好处见第二个图。下图为图二:上图中个Xi冒后面的式子中加了个一颗丝绒(一个极小值,哈哈哈没打出来)的原因是,避免分母为零。上图问题的结果是a1和...原创 2020-09-24 00:58:34 · 244 阅读 · 0 评论 -
sigmod激活函数和梯度消失问题
激活函数的作用是对输出进行非线性变换。注意激活函数的位置,它是加在卷积和全连接层后的!梯度消失(sigmod函数会导致梯度消失)是指,梯度为零,因为梯度为零后,在反向传播过程中就不会再更新参数了!ReLu函数会避免梯度消失。...原创 2020-09-24 00:02:12 · 1031 阅读 · 2 评论 -
池化
池化是使用某一位置的相邻输出的总体统计特征来代替网络在该位置的输出。个人理解:输入图形像-->骨干网络--产生-->特征图(future maps)(特征图应该是通过卷积+池化产生的)原创 2020-09-23 22:40:46 · 298 阅读 · 0 评论