Allyli0022的专栏

论文原文：https://arxiv.org/pdf/1911.08287.pdf参考博客：https://blog.youkuaiyun.com/qiu931110/article/details/103330107源码实现：https://github.com/Zzh-tju/DIoU-darknet出处：https://www.jianshu.com/p/63439220ebc0...

看过几篇博客和官网的介绍，总结出自己切实可行的pipline，思路如下：第一：下载官网源码，训练测试，检测测试，如果没有问题，进行下一步。第二：开始做满足其训练的数据，包括图像和带有标注的标准xml格式文件，这一步耗时微长一些，用到了 一下三个工具：            1、P图工具            2、生成xml文件工具    3、转换图像格式工具第三：数据替换

神经网络基础1）神经元（Neuron）——就像形成我们大脑基本元素的神经元一样，神经元形成神经网络的基本结构。想象一下，当我们得到新信息时我们该怎么做。当我们获取信息时，我们一般会处理它，然后生成一个输出。类似地，在神经网络的情况下，神经元接收输入，处理它并产生输出，而这个输出被发送到其他神经元用于进一步处理，或者作为最终输出进行输出。 2）权重（Weights）——当输入进入

一 Caffe版本　　由于各个版本的不同，可能源码稍微有些不同，常用的版本有以下几个： 　　 1.最原始的最开始版本：伯克利BVLC版https://github.com/BVLC/caffe2.贾扬清自己的版本：https://github.com/Yangqing/caffe3.caffe-for-windows基本版：https://github.com/ni

一直想知道配置文件和各层之间是怎么传递参数的，就从想自己做好检测和分类的一个模型中的region曾开始，看源码，一开始时还可以看得进去，可是这两天脑袋进水老是魂不守舍，先记录在此，稍后继续......region_layer.c box get_region_box(float *x, float *biases, int n, int index, int i, int j, int w

参考：https://pjreddie.com/darknet/train-cifar/1、在工程目录下新建labels.list，classifier 中train函数路径为了一致也要改动。labels.list内容如下：n00n01n022、在cfg文件夹下新建imagenet1k.data，用于指示路径等信息，内容如下：3、在工程项目目录下建立train文件夹

GPU部分参考：ubuntu使用命令安装GPU驱动和CUDA1、下载dlibgit clone https://github.com/davisking/dlib.git2、编译安装dlibcd dlibmkdir build && cd build && cmake .. && make -j8sudo make installsudo apt-g...

在原本能正常使用的caffe中修改代码后重新编译，会产生如下错误：CXX/LD -o .build_release/tools/caffe.bin.build_release/tools/caffe.o: In function `test()':caffe.cpp:(.text+0x15b3): undefined reference to `caffe::Net<float&gt...

前言基于深度学习的人脸识别系统，一共用到了5个开源库：OpenCV（计算机视觉库）、Caffe（深度学习库）、Dlib（机器学习库）、libfacedetection（人脸检测库）、cudnn（gpu加速库）。 用到了一个开源的深度学习模型：VGG model。 最终的效果是很赞的，识别一张人脸的速度是0.039秒，而且最重要的是：精度高啊！！！ CPU：intel i5-45

本文以CaffeNet为例：1. train_val.prototxt 首先，train_val.prototxt文件是网络配置文件。该文件是在训练的时候用的。2.deploy.prototxt该文件是在测试时使用的文件。区别：首先deploy.prototxt文件都是在train_val.prototxt文件的基础上删除了一

第一步：在自己的电脑中划分出一块磁盘区域，我划分了256G大小，直接删除。第二部：烧制U盘为系统启动盘，很简单，渡娘知道很多种方法。第三部：关机或者重新启动，插入U盘，安装系统。第四部：下载所需要的软件包。第五步：在终端输入命令，安装配置各种环境与包。第六部：找个例子跑跑，熟悉一下套路。注意：不同电脑安装系统或者配置环境的时候会有所差异，不过很快都能解决，下一步了解

引言卷积神经网络：听起来像是生物与数学还有少量计算机科学的奇怪结合，但是这些网络在计算机视觉领域已经造就了一些最有影响力的创新。然而最经典的，或者说最流行的神经网络使用范例是将其用于图像处理领域。提到图像处理，本文主要介绍的是如何使用卷积神经网络来进行图像分类。图像分类是将输入图像（猫、狗等）进行分类输出或者将其分类成最能描述图像特征的类别的任务。输入与输出当计算机

参考链接： http://blog.youkuaiyun.com/tangwei2014这是继RCNN，fast-RCNN 和 faster-RCNN之后，rbg（Ross Girshick）大神挂名的又一大作，起了一个很娱乐化的名字：YOLO。 虽然目前版本还有一些硬伤，但是解决了目前基于DL检测中一个大痛点，就是速度问题。 其增强版本GPU中能跑45fps，简化版本155fps。论

转自：https://ask.julyedu.com/question/7490R-FCNpaper:https://arxiv.org/abs/1605.06409作者代码：https://github.com/daijifeng001/R-FCN #matlab版本这里使用python版本的代码：https://github.com/Orpine/py-R-FCN

在原来代码的基础上，主要是修改了变量的定义方式，函数的表示形式，缺失函数的补充，语法的转换。根据提示，很容易就解决了，一天时间就够额

工程可到http://download.youkuaiyun.com/detail/oyangzi12/9692597 下载。程序默认使用GPU模式，如果没有GPU只需在程序中将caffe设置为cpu模式：1、配置opencv，安装vs，cuda，这里我使用的分别是2.4.9，2013，7.5版，这里我都安装到了默认路径，opencv放到了c盘根目录。2、下载微软提供的caffe(https:

编译与准备测试（1）运行faster_rcnn_build.m。这是编译了nms和nms_gpu的mex，nvmex.m中的所有环境变量、VS是安装路径要和自己的一致：（2）运行startup.m，这是设置基本环境。测试demo（1）运行fetch_data/fetch_faster_rcnn_final_model.m，下载训练好的模型。如果onedriv

机器环境：Win10-64bit，已装了WinPython-64bit-3.4.3.2、CUDA8.0、VS2013 update5一、获取MXNet：    git clone --recursive https://github.com/dmlc/mxnet二、安装其他依赖：    需要OpenCV、OpenBLAS、CuDNN、CUDA    1. O

问题如图片中所示：解决办法如下：when the CPU_ONLY option is 1 in Makefile.config, modify the gpu option to cpu in the prototxt file as below$ vi examples/mnist/lenet_solver.prototxt before 24 # solv