图像推理步骤

一、配置参数 argparse.ArgumentParser()

模型路径,输入路径,输出路径,图像大小,处理器选择(cpu gpu),等

二、进入detect()过程

1、torch.device()

2、模型加载  torch.load(模型的路径)

3、加载数据(从某个文件夹中找到多幅图像的路径)

对于每一幅图像执行以下4、5、6操作

4、pred = model(img),其中 img为tensor

5、在inference的结果上执行non_max_suppression(pred)

6、检测结果的保存和显示

 

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
深度学习图像处理中的应用通常包括以下几个关键步骤: 1. **数据预处理**:收集和清洗图像数据,可能包括调整尺寸、颜色空间转换(如从RGB到灰度或HSV)、归一化等,以便适应模型训练。 2. **图像分割**:如果目标是识别图像中的特定区域或对象,可能会使用语义分割或实例分割算法,将图像划分为多个有意义的部分。 3. **特征提取**:使用卷积神经网络(CNN)进行特征提取,如VGG, ResNet, Inception等,这些网络逐层学习图像的低级到高级特征。 4. **卷积层与池化层**:CNN的核心部分,卷积层用于检测特征,池化层则用于减小数据尺寸并保留主要特征。 5. **特征映射**:通过一系列卷积和池化操作,将输入图像转化为高层抽象的特征图。 6. **分类/识别**:全连接层将特征图转换为类别预测,对于分类任务,输出每个类别的概率;对于对象检测,可能会有额外的定位层。 7. **反向传播与优化**:损失函数衡量模型预测与真实标签的差距,通过反向传播算法更新网络参数,常用优化器如SGD、Adam等。 8. **模型训练与验证**:将数据集分为训练集和验证集,用训练集训练模型,验证集用于调整超参数和防止过拟合。 9. **迁移学习**:如果数据量有限,可以利用预训练的模型,如在ImageNet上预训练的模型,进行微调。 10. **模型部署**:训练好的模型在实际应用场景中进行实时推理,可能需要考虑性能优化和硬件支持。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

xieshangxin

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值