ayiya_Oese的博客

坚持写博客????，分享自己的在学习、工作中的所得给自己做备忘对知识点记录、总结，加深理解给有需要的人一些帮助，少踩一个坑，多走几步路尽量以合适的方式排版，图文兼有如果写的有误，或者有不理解的，均可在评论区留言如果内容对你有帮助，欢迎点赞 ???? 收藏 ⭐留言 ????。虽然平台并不会有任何奖励，但是我会很开心，可以让我保持写博客的热情????????????文章目录????在图片中添加汉字????在图片中添加汉字代码????在图片中添加汉字????在图片中添加汉字目标检测

深度学习中，通常需要大量的数据，但是很多时候并不能得到足够的数据量，这时就可以使用数据增强来对数据集进行扩充。

标注数据是一件十分枯燥的重复性工作。在标注数据时，有时因为数据量大，类别多，会出现错标、误标的情况，这时就需要对标注数据进行检查并且修改。

# VOC: [x_min, y_min, x_max, y_max] 左上角和右下角# COCO: [x_min, y_min, width, height] 左上角和宽高# YOLO: [x_center, y_center, width, height] 归一化的中心点和宽高

YOLOv5数据集配置文件

坚持写博客，分享自己的在学习、工作中的所得给自己做备忘对知识点记录、总结，加深理解给有需要的人一些帮助，少踩一个坑，多走几步路尽量以合适的方式排版，图文兼有如果写的有误，或者有不理解的，均可在评论区留言如果内容对你有帮助，欢迎点赞 ???? 收藏 ⭐留言 ????。虽然平台并不会有任何奖励，但是我会很开心，可以让我保持写博客的热情文章目录TORCH.OPTIM如何使用优化器构造优化器指定每层学习率optimization step基类torch.optim.Optimizer方法算法

坚持写博客，分享自己的在学习、工作中的所得给自己做备忘对知识点记录、总结，加深理解给有需要的人一些帮助，少踩一个坑，多走几步路尽量以合适的方式排版，图文兼有如果写的有误，或者有不理解的，均可在评论区留言如果内容对你有帮助，欢迎点赞 ???? 收藏 ⭐留言 ????。虽然平台并不会有任何奖励，但是我会很开心，可以让我保持写博客的热情文章目录动态学习率CosineAnnealingLRCosineAnnealingWarmRestartsStepLRMultiStepLRExponent

导入必要的依赖包：from pathlib import Pathimport globimport reimport numpy as npfrom torch.utils.tensorboard import SummaryWriter生成文件夹。在指定路径下遍历，以后缀自增的形式创建新的文件夹，避免重复# https://github.com/ultralytics/yolov5/blob/c1bed601e9b9a3f5fa8fb529cfa40df7a3a0b903/utils/g

PyTorch Mobile通过允许从培训到部署的无缝过程，完全停留在PyTorch生态系统内，从而消除了这些摩擦表面。它提供了端到端工作流，简化了移动设备的研究和生产环境。PyTorch Mobile：目前正处于测试阶段。从训练到移动部署的典型工作流程以及可选模型优化步骤如下图所示：...

在之前的训练中，一直是正常运行的，但是，做了大量的数据增强之后，训练开始没多久就死掉了top查看资源之后发现32G的内存，几乎全被占用了，这时候才刚开始训练训练数据集和验证数据集都特别大，一个epoch还没跑完就杀死了，就是因为内存满了这时候就想到了训练时使用的一个参数--cache，将这个参数去掉之后，问题就解决了...

yolov5选择合适自己的超参数-超参数进化Hyperparameter Evolution前言1. 初始化超参数2. 定义fitness3. 进化4. 可视化报错问题前言yolov5提供了一种超参数优化的方法–Hyperparameter Evolution，即超参数进化。超参数进化是一种利用 遗传算法(GA) 进行超参数优化的方法，我们可以通过该方法选择更加合适自己的超参数。提供的默认参数也是通过在COCO数据集上使用超参数进化得来的。由于超参数进化会耗费大量的资源和时间，如果默认参数训练出来的结

PyTorch可视化-在PyTorch中使用TensorBoard安装可视化SummaryWriteradd_scalaradd_scalarsadd_imageadd_imagesadd_histogramadd_pr_curveadd_figureadd_hparamsadd_graph总结其他在训练模型的过程中，可以使用TensorBoard对工作流中的一些数据进行可视化。 TensorBoard能够跟踪实验指标，例如损失和准确性，可视化模型图，将嵌入物投影到较低维度的空间等等。PyTorch在t

迁移学习训练分类模型实践第一篇前言数据获取、预处理构建模型查看模型参数量和FLOPS测试模型前言为了简洁，本文不包含任何训练过程，仅介绍处理数据、构建模型、使用随机初始化权重推断；关于如何使用预训练模型，训练整个流程，后面继续介绍。数据获取、预处理数据集：102 Category Flower Dataset点击下载包括102种花卉。每个类别包含40到258张图片。这些图像有很大的尺度，姿势和光线变化。此外，还有一些类别有很大的变化，以及一些非常相似的类别。!unzip flower_dat

使用PyTorch torch.utils.model_zoo提供预先训练过的模型。可以通过传递pretrained=Trueimport torchvision.models as modelsresnet18 = models.resnet18(pretrained=True)alexnet = models.alexnet(pretrained=True)squeezenet = models.squeezenet1_0(pretrained=True)vgg16 = models.vgg1

transfer-learning迁移学习迁移学习ConvNet作为固定特征提取器微调ConvNet预训练模型何时以及如何进行微调？实用的建议迁移学习实际上，很少有人重头开始训练整个卷积网络（使用随机初始化），因为拥有足够大小的数据集的人相对很少。相反，通常在一个非常大的数据集上对ConvNet进行预训练，（例如ImageNet，其中包含120万个具有1000个类别的图像），然后使用ConvNet作为所感兴趣的任务的初始化或固定特征提取器。三种主要的迁移学习方案如下：ConvNet作为固定特征提取器

前言这个例子展示了如何从头开始进行图像分类，即从磁盘上的JPEG图像文件开始，而不需要利用预先训练过的权重或预先制作的Keras应用程序模型。演示了Kaggle猫与狗二元分类数据集上的工作流程。使用image_dataset_from_directory实用程序生成数据集，并使用Keras图像预处理层进行图像标准化和数据增强。数据准备# 下载数据curl -O https://download.microsoft.com/download/3/E/1/3E1C3F21-ECDB-4869-8368

在CNN中，卷积层可以通过输入与filter做对应的操作，得到输出。在下面函数中，in_ch：in channels；out_ch：out channels；3：kernel sizenn.Conv2d(in_ch, out_ch, 3)那么具体是如何计算的呢这是整个CNN的计算流程。其中最顶行为操作名称，第二行是(H,W,C)，最下一行是值的色阶图。下图中，输入为RGB图像，即in_ch=3，out_ch=10，kernel size=3x3最下面一行可知，img的3个通道都是被归一化到

Embrapa酿酒葡萄实例分割数据集-Embrapa WGISD描述组成链接## 目的研究基于图像监控和葡萄栽培现场机器人的目标检测和实例分割。它提供了五个不同葡萄品种的田间实例。这些实例显示了葡萄姿态、光照和焦点的差异，包括遗传和物候变化，如形状、颜色和密度。当然也可以用于葡萄品种的鉴别。描述每个实例包含一个RGB图像和一个描述葡萄串位置的标注，作为边界框。实例的子集还包含二进制掩码，标识属于每个葡萄串的像素。每幅图像都显示至少一个葡萄串。一些葡萄串可能出现在远处的背景，应该忽略。组成文件

每位数据科学家必备的工具TensorDash使用TensorDashKeras/tf.kerasPyTorchFast.aiTensorFlow总结TensorDash: 一个远程监控你的机器学习模型的应用程序训练一个机器学习模型是很耗时的。即使在过去几年里计算机技术的进步，训练机器学习模型也需要花费大量时间。即使是最简单的模型也有超过100万个参数。在更大的规模上，这些模型有超过10亿个参数(GPT-3有超过1750亿个参数!)，训练这些模型需要几天，如果不是几周的话。作为一名数据科学家，我们希望密

在安全帽佩戴检测数据集训练YOLOv5--训练过程记录参考链接数据集安装依赖包修改配置文件tensorboard训练参考链接SafetyHelmetWearing-Dataset(安全帽佩戴检测数据集)Train Custom Data(YOLOv5 训练自定义数据集)yolov5汉化版数据集BaiduDriveGoogleDrive在安全帽佩戴检测数据集训练YOLOv5–数据集处理安装依赖包挂载谷歌云端硬盘：from google.colab import drivedrive.m

在安全帽佩戴检测数据集训练YOLOv5--数据集处理参考链接数据集处理数据集参考链接SafetyHelmetWearing-Dataset(安全帽佩戴检测数据集)Train Custom Data(YOLOv5 训练自定义数据集)yolov5汉化版数据集BaiduDriveGoogleDrive因为我是直接在Google Colab上训练的，所以直接打开第二个链接添加到云端硬盘，解压即可；如果是无法访问Google，那就百度盘下载吧！数据集解包：!unzip -q VOC2028.zi

使用SavedModel API保存和加载一个TensorFlow模型前言什么是Saved？与tf.train.Saver的差别保存模型添加名称保存加载模型用Python加载用Java加载前言https://medium.com/@jsflo.dev/saving-and-loading-a-tensorflow-model-using-the-savedmodel-api-17645576527SavedModel API 可以将训练好的模型保存为一种容易被加载到Python，Java（还将有Jav

Configuring the Object Detection Training Pipeline前言配置文件的骨架配置train_config配置eval_config前言TensorFlow官方文档：Configuring the Object Detection Training Pipeline配置文件的骨架# The model configuration. This defines what type of model will be trained (ie. meta-archite

在Google Colab 上使用TensorFlow object_detection API训练Mask-RCNN模型挂载Google Drive挂载Google Drive在Linux下，mount挂载的作用，就是将一个设备（通常是存储设备）挂接到一个已存在的目录上。访问这个目录就是访问该存储设备。下面的代码调用colab封装好的命令google.colab.drive.mount，将Google Drive挂载到colab的/gdrive，这样就可以在colab上通过访问/gdrive来访问谷