深度学习
文章平均质量分 92
深度学习
宗而研之
计算机视觉应用开发及部署方向
展开
-
YOLT: 大尺寸图像目标检测的解决方案
1. 前言前几天听人聊到了这个YOLT,本着长见识的目的稍微看了看,然后打算在这里给没看到的人做一个科普,希望这里面的几个Tricks可以对你有所启发。YOLT论文全称You Only Look Twice: Rapid Multi-Scale Object Detection In Satellite Imagery ,是专为卫星图像目标检测而设计的一个检测器,是在YOLOV2的基础上进行改进的。论文原文和代码实现见附录。2. 介绍众所周知,卫星图像的目标检测和普通场景的目标检测最大的区别在于转载 2021-10-09 17:38:40 · 3098 阅读 · 1 评论 -
部署深度学习模型时的全流程加密方案探索
本文用于探索深度学习模型在部署全流程过程中的整体方案部署场景涉及程序端及编程语言:界面端(C#)、服务端(C#)、训练端(Python)剥离加密之后的流程:界面端根据训练配置调用训练端 训练端训练结束后保存模型(结构、文件) 服务端加载模型加密要求由C#编写的程序部署时会将其编译为二进制,无需加密保护,主要是针对训练端的Python及训练得到的模型,有以下要求:无法明文看到Python代码 无法获得模型(结构与权重) windows上部署 加密方案不能大幅度增加部署.转载 2021-09-28 09:40:43 · 3883 阅读 · 0 评论 -
深度学习之openvino预训练模型测试(车牌识别)
利用 openvino 实现车牌识别功能原创 2021-06-08 13:31:06 · 11597 阅读 · 7 评论 -
深度学习之openvino预训练模型测试
openvion 预训练模型的测试方法原创 2021-06-08 11:05:33 · 2432 阅读 · 5 评论 -
深度学习之win10安装配置openvino
openvino安装教程原创 2021-06-01 17:42:51 · 828 阅读 · 8 评论 -
keras之多GPU训练方法
在上一篇博客中,我们利用keras框架训练yolov3,训练脚本默认采用的是一块GPU,由于我们有多块GPU,因此可以设置多块GPU训练来加快训练速度。实现方法很简单,首先在头文件中添加以下内容from keras.utils import multi_gpu_model然后找到自己构建网络的地方,在我这里,第一次构建model是以下的语句if is_tiny_version:...原创 2019-01-15 16:34:03 · 6618 阅读 · 18 评论 -
深度学习之选择GPU或CPU方法
1 指定GPU法1import osos.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"os.environ["CUDA_VISIBLE_DEVICES"] = "1"上边表示使用第二块GPU运行程序,如果要使用多块,如第一块和第三块,可使用如下方法指定os.environ["CUDA_VISIBLE_DEVICES"] = "0...原创 2018-10-23 09:55:13 · 8305 阅读 · 1 评论 -
22 款神经网络的设计和可视化工具【转载】
前言深度学习领域,最常见的就是各种网络模型,那么在写论文或者文章,介绍网络模型的时候,最好的办法当然就是展示代码画图,今天介绍的 Github 项目,就是整理了 22 个设计和可视化网络结构的工具,其地址如下:https://github.com/ashishpatel26/Tools-to-Design-or-Visualize-Architecture-of-Neural-Network22 款工具名称分别是,其中我用的文章封面图就是第 16 款工具实现的结果,非常的炫酷和让人眼前一亮:转载 2020-07-11 12:49:40 · 1679 阅读 · 1 评论 -
小目标检测中的数据扩展
参考:https://blog.csdn.net/abrams90/article/details/89371797论文:Augmentation for small object detectionAbstract这些年来目标检测领域经历了令人印象深刻的进展。除了这些改进,在小目标检测与大目标检测领域还是有不小的差距。我们在MS COCO上分析了当前SOTA的模型Mask-RCNN。...转载 2019-06-24 17:41:09 · 3990 阅读 · 0 评论 -
从零开始配置yolov3(keras)训练测试自己的数据
参考:https://github.com/qqwweee/keras-yolo3本文使用anaconda创建虚拟环境,达到与其它环境隔离的目的,前提是装好anaconda,如果有不清楚的,查一下其它教程在github教程中,推荐的环境是Python 3.5.2 Keras 2.1.5 tensorflow 1.6.0除此之外,本文使用的是keras版本的yolo3,不是直接利用...原创 2019-01-14 11:25:07 · 30848 阅读 · 67 评论 -
深度学习之intel NCS2算力棒开发笔记
参考:https://software.intel.com/zh-cn/articles/OpenVINO-Install-Linux1 什么是NCS2我们在训练完深度学习模型之后,需要将其转移到生产中用以识别和分类对象,这被称为推理。将深度学习网络从训练环境部署到嵌入式平台进行推理是一项复杂的任务,存在许多挑战,比如:多个深度学习框架在行业内广泛应用,如 Caffe*、TensorF...原创 2018-12-04 19:07:30 · 7640 阅读 · 5 评论 -
图片标注工具Labelme的安装及使用方法
在做目标检测任务时,需要用到labelImg进行画框标注,在之前的文章中已经介绍过该工具的使用方法。然而如果是做语义分割的任务时,就不能只是标注框里,需要用另外一种工具labelme进行标注,本文对该工具的安装使用方法进行介绍。官方教程:https://github.co...原创 2018-10-25 10:16:30 · 134072 阅读 · 56 评论 -
深度学习之神经网络不work的37个原因
参考:https://blog.slavv.com/37-reasons-why-your-neural-network-is-not-working-4020854bd607近日,Slav Ivanov 在 Medium 上发表了一篇题为《37 Reasons why your Neural Network is not working》的文章,从四个方面(数据集、数据归一化/增强、实现、训...转载 2018-10-24 11:34:52 · 1382 阅读 · 0 评论 -
深度学习之数据增强库imgaug使用方法
参考:https://www.jianshu.com/p/99450dbdadcf在深度学习项目中,寻找数据花费了相当多的时间。但在很多实际的项目中,我们难以找到充足的数据来完成任务。为了要保证完美地完成项目,有两件事情需要做好:1、寻找更多的数据;2、数据增强。本篇主要描述数据增强。有很多现成的可以做数据增强的库,比如可以用OpenCV、PIL、TensorFlow、Augmentor等...原创 2018-10-17 10:29:06 · 22737 阅读 · 6 评论 -
一文读懂AI网络结构:LeNet-5 AlexNet VGG Inception ResNet MobileNet
1 引言当前深度学习十分火热,深度学习网络模型对于降低错误率的重要作用不言而喻。深度学习应用场景主要分为三类:物体识别与分类,物体检测,自然语言处理。在物体识别与分类领域,随着AlexNet在2012年一炮走红,深度学习重新燃起了一片热情。从Lenet5第一次使用卷积开始,经历了AlexNet VGG Inception ResNet等各种模型,错误率也一再降低。ResNet-152 top-...转载 2018-10-15 11:06:10 · 1814 阅读 · 0 评论 -
人脸检测之face_recognition算法调试
参考:https://github.com/ageitgey/face_recognition公司项目需求,要出一个人脸检测与识别的demo,查看网上比较成熟的是face_recognition方案,因此在电脑上按照推荐步骤进行调试。face_recognition使用dlib最先进的面部识别功能构建而成,并且该模型在LFW数据集中有99.38%的准确率。LFW人脸数据库是由美国马萨诸塞州...原创 2018-09-30 09:22:20 · 7351 阅读 · 6 评论 -
caffe网络模型可视化方法
参考:https://blog.csdn.net/u012915263/article/details/60579429caffe的*.prototxt定义了神经网络的结构,为了直观的看到神经网络的连接工具,使用Netscope工具来在线显示网络结构链接:https://ethereon.github.io/netscope/#/editor注意该网需要翻墙使用打开后界面如图所示将*.protot...原创 2018-07-11 10:21:35 · 9177 阅读 · 0 评论 -
神经网络mAP值计算及显示
参考:https://github.com/Cartucho/mAP#create-the-predicted-objects-files训练得到自己的神经网络模型后,需要计算AP值来验证模型的好坏,本文介绍AP值计算的方法,最后效果如图所示:具体步骤如下:1 下载源码git clone https://github.com/Cartucho/mAP2 创建真实数据文...原创 2018-07-09 16:47:53 · 11817 阅读 · 26 评论 -
caffe不同lr_policy参数设置方法
在caffe源码的caffe-master/sec/caffe/proto/caffe.proto下记录了不同的学习策略的计算方法:// The learning rate decay policy. The currently implemented learning rate // policies are as follows: // - fixed: always re...转载 2018-07-04 19:29:10 · 4955 阅读 · 0 评论 -
pva-faster-rcnn(caffe)绘制训练loss和lr曲线
为了观察神经网络训练效果,绘制loss曲线,得到模型训练的变化趋势。为了实现这个目的,经过以下几个步骤:1 保存训练日志创建一个sh文件,输入以下内容#!/usr/bin/env shLOG="/home/lthpc/pva-faster-rcnn2/experiments/logs-`date +%Y-%m-%d-%H-%M-%S`.log"exec &> >(tee -...原创 2018-07-04 17:12:31 · 2694 阅读 · 0 评论 -
caffe网络模型配置说明
参考:https://blog.csdn.net/cuxieqian4199/article/details/79914010caffe模型需要两个最重要的参数文件:网络模型和参数模型,分别是*.prototxt和*.solver.prototxt文件。本节介绍网络模型参数文件说明,参数模型文件说明参考《caffe参数模型配置说明》...转载 2018-07-04 10:08:41 · 636 阅读 · 0 评论 -
caffe参数模型配置说明
参考:胡超伟博客利用caffe训练神经网络时,需要配置solver.prototxt文件里边的参数,现将文件中的参数意义说明如下base_lr初始学习率lr_policy这个参数是用来表示学习率随着时间是如何变化的“step”——需要设置stepsize。根据gamma参数和stepsize参数来降低学习率,base_lr * gamma ^ (floor(iter / stepsize))。it...原创 2018-07-04 09:35:14 · 1583 阅读 · 0 评论 -
Linux之cuda、cudnn安装及版本切换
0 背景我们在用不同框架做深度学习时,难免会遇到需要不同版本的cuda和cudnn版本的情况,如果把原来版本的卸载掉重新安装新版本,则会影响其它框架的使用,最好的方法是在主机上安装多个版本的cuda和cudnn,需要用到哪种就切换到哪种,这样就免去了重复卸载安装的工作关于tensorflow对应的cuda和cudnn版本,参考官网链接,注意在1.13以上版本的tensorflow,都需要用...原创 2018-07-02 09:32:53 · 35121 阅读 · 2 评论 -
深度学习分类任务评价指标
参考:https://www.jianshu.com/p/b960305718f1在做图像识别相关任务时,对于识别效果没有提出明确的评价指标或预期目标,调试时单纯依靠“感觉”调参,显然不是一种合理的方法,因此整理相关评价指标,作为参数调试的相关依据。根据深度学习的任务不同,评价标准也不同,分类任务和回归任务的评价指标如下分类:accuracy、误分类率、precision、recal...原创 2018-06-25 10:30:11 · 18789 阅读 · 3 评论 -
卷积神经网络各层基本知识
参考:https://blog.csdn.net/yjl9122/article/details/70198357卷积神经网络(CNN)由输入层、卷积层、激活函数、池化层、全连接层组成,即INPUT(输入层)-CONV(卷积层)-RELU(激活函数)-POOL(池化层)-FC(全连接层)卷积层用它来进行特征提取,如下:输入图像是32*32*3,3是它的深度(即R、G、B),卷积层是一个5*5*3...转载 2018-05-26 10:58:16 · 66167 阅读 · 4 评论 -
图片标注工具LabelImg的安装及使用方法
项目地址:LabelImg下载地址:Windows/Linux百度云备份:最近几个版本密码: cnn6前言我们知道,图片标注主要是用来创建自己的数据集,方便进行深度学习训练。本篇博客将推荐一款十分好用的图片标注工具LabelImg,重点介绍其安装以及使用的过程。如果想简便,请直接下载打包版本(下载地址见开头),无需编译,直接打开就能用!在此感谢原作者在Github所做的贡献,...转载 2018-05-21 17:29:08 · 22032 阅读 · 7 评论 -
PVAnet目标检测原理
参考:https://www.jianshu.com/p/362f2535adb0参考:http://www.cnblogs.com/fariver/p/7449563.html论文:Lightweight Deep Neural Networks for Real-time Object DetectionGithub:PVANetC++ Demo :PVANet_CPP许多目标检测问题中,算法...转载 2018-04-26 15:05:19 · 1490 阅读 · 0 评论 -
深度学习目标检测方法综述
参考:https://blog.csdn.net/Standing_On_Giant/article/details/60333329参考:https://blog.csdn.net/xiaohu2022/article/details/79600037从2014年开始,目标检测取得了巨大的突破。目前业界出现的目标检测算法有以下几种:1. 传统的目标检测算法:Cascade + Haar / SV...转载 2018-04-26 11:48:54 · 12926 阅读 · 9 评论 -
训练集、验证集、测试集的作用及划分方法
参考:https://blog.csdn.net/neleuska/article/details/73193096通常,在训练有监督的机器学习模型的时候,会将数据划分为训练集、验证集合测试集,划分比例一般为0.6:0.2:0.2。对原始数据进行三个集合的划分,是为了能够选出效果(可以理解为准确率)最好的、泛化能力最佳的模型。训练集(Training set)作用是用来拟合模型,通过设置分类器的参...转载 2018-05-28 14:59:57 · 11907 阅读 · 0 评论 -
深度学习之批量图片数据增强
在之前的文章中,分别对数据增强的库函数进行了介绍,本文将结合实际应用进行批量图片的数据增强。背景:项目采集的是灰度图,原数据只有不到20张图片,因此,选择数据增强的方法,通过不同变换方法的组合,实现数据增加的百张以上,这样才可以放入深度学习模型进行训练(利用迁移学习)。话不多说,直接上代码,在代码中解释用到的变换操作。#!usr/bin/python# -*- coding: ut...原创 2018-10-17 15:48:58 · 9982 阅读 · 37 评论 -
深度学习之目标检测faster rcnn算法解读
0 背景faster rcnn 作为目标检测领域内的经典算法,其思想值得仔细研究学习,本文系统性地对 faster rcnn 系列文章进行导读,总结归纳核心思想。首先了解下该系列文章的时间轴: R-CNN(CVPR,2014) --> SPP-Net(ECCV,2014) --> Fast RCNN(ICCV,2015) --> Faster RCNN(NIPS,2015)因此本文也会按照这个顺序展开。1 R-CNN论文:《Rich feature hierarchie原创 2021-01-18 09:39:09 · 2589 阅读 · 0 评论 -
深度学习之语义分割unet算法解读
https://www.jianshu.com/p/14641b79a672原创 2021-01-18 09:39:00 · 23708 阅读 · 1 评论 -
深度学习之语义分割DeepLabv3+算法解读
0 背景语义分割领域,deeplab系列是经典网络,本文对该系列网络进行汇总与解读。在此之前,对语义分割的相关背景进行介绍。1 语义分割https://zhuanlan.zhihu.com/p/130358170https://www.jianshu.com/p/295dcc4008b42 DeepLab v13 DeepLab v24 DeepLab v35 DeepLab v4...原创 2021-01-18 09:38:48 · 13612 阅读 · 2 评论