Abo_luo的博客

COCO2VOC、YOLO2VOC、JSON2YOLO

Potsdam 数据集预处理（切割）

对dota数据集进行切割并保存成yolo和voc格式

pytorch使用DCN前言正文前言关于DCN可形变卷积神经网络相信大家也都不陌生，使用额外的feature map区学习offset，以此达到可形变的效果。感觉和attention比较相似？但是网络实现的代码版本各不相同，编译环境存在很多难以协调等等的问题。而MMopenlab是一个非常不错的工具，其有着实现可形变卷积的方法，因此本文只是做一个引入，如何像正常使卷积一样的使用DCN正文from mmcv.ops import DeformConv2dPackimport torchfrom

YOLOX源码阅读收货程序程序1、 优化器分别对模型不同的结构进行优化 pg0, pg1, pg2 = [], [], [] # optimizer parameter groups for k, v in self.model.named_modules(): if hasattr(v, "bias") and isinstance(v.bias, nn.Parameter):

CNN感受野感受野绘制总结随便玩一下啊感受野绘制写论文的需要就随便写了个小玩意，后面再继续更新#Qlearning算法import matplotlib.pyplot as pltimport numpy as npplt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签plt.rcParams['axes.unicode_minus'] = False # 用def file_(point_,num,dis):

转置卷积PyTorchUpsampleConvTranspose2d考虑到现在很多算法中都使用到了upsample来进行特征图放大，现在展示一下使用转置卷积的方式增大特征图的尺寸Upsampletorch.nn.Upsample(scale_factor=2)可以实现特征图的放大两倍操作，原理是使用插值算法将特征图尺寸放大ConvTranspose2dtorch.nn.ConvTranspose2d(inchanel ,outchannel ,kernel_size ,stride ,pad

NMS和soft-NMS实现前言正文前言Soft-NMS – Improving Object Detection With One Line of Code.通过阅读这篇文章，从中了解到相比较于NMS还有改进的Soft-NMS，文章说的是可以提升在很多数据集上的检测精度。正文下面的计算IOU函数def iou(predicted_bound, ground_truth_bound): #计算IOU """ computing the IoU of two boxes

基于改进模型使用迁移学习加载参数前言正文前言由于发paper或多或少的需要一定创新性，本篇文章是基于YOLOv4算法想对模型结构进行改进，这里仅仅是做一个小样。调整主干模型并不对主干模型的输出进行改变，因此只需要将修改后模型的参数初始化。最后正常对模型进行训练即可。本文也许并不一定可以帮到你，但是如果你也想使用迁移学习的方式去初始化模型的参数，那么我相信下面的文章或多或少对你有一些启发。同时很感谢参考文章的两位作者。正文今天在考虑如何对YOLOv4模型进行改进如何考虑使用迁移学习的方式为没有变

复现YOLO检测算法_1前言loss设计总结有时间会长期更新，主要是练一练自己的代码前言为了让自己安心学习，也为了可能会给更多的初学者帮助，因此我会在加下来这段时间开始更新YOLO算法的复现。loss设计# gt: batch_size*7*7*(5+20) 真实框# pr: batch_size*3*7*7*(5+20) #预测框class Loss_function(): def __init__(self): self.size = 7 #

使用torch实现神经网络的一些结构前言一、空间池化（自定义）二、残差学习block三、FPN总结有时间会长期更新，主要是练一练自己的代码前言在学习深度学习 用于目标检测领域当中很多时候需要自己去修改代码而不是仅仅Git别人的repository，经过这么长时间来自己几乎都是对着书本或者网上的一些资源来敲代码，因此迫切的想独立的写一些经典的结构，因此这篇文章来了。一、空间池化（自定义）class spatial_pool(nn.Module): def __init__(self,ke