它接受输入和偏差的加权和作为任何激活函数的输入。Sigmoid、ReLU、Tanh 都是常见的激活函数。4.CSPX：借鉴CSPNet网络结构，由三个卷积层和 X个Res unit模块Concate组成。5.SPP: 采用1x1,5x5,9x9,13x13的最大池化的方式，进行多尺度融合。8，当图像尺寸变为2倍，CNN的参数数量变为几倍？7，你通常使用哪些指标来评估你的模型？1.CBM: Yolov4网络结构中最小的组件，由。中的残差结构，让网络可以构建的更深。激活函数在神经网络中的作用是什么？

yolov5 C++部署学习笔记2, yolov5.cpp1，分配显卡cudaSetDevice(DEVICE);2， 加载engine模型

　　关于训练深度学习模型最难的事情之一是你要处理的参数的数量。无论是从网络本身的层宽（宽度）、层数（深度）、连接方式，还是损失函数的超参数设计和调试，亦或者是学习率、批样本数量、优化器参数等等。这些大量的参数都会有网络模型最终的有效容限直接或者间接的影响。面对如此众多的参数，如果我们要一一对其优化调整，所需的无论是时间、资源都是不切实际。结果证实一些超参数比其它的更为重要，因此认识各个超参数的作用和其可能会造成的影响是深度学习训练中必不可少的一项重要技能。​ 目前，超参数调整一般分为手动调整和自动优化超参数

深度学习调参有哪些技巧？深度学习的效果很大程度上取决于参数调节的好坏，那么怎么才能最快最好的调到合适的参数呢？

pip install vtk==8.1.2pip install mayavi

symbol error ***/envs/lib/site-package/torch/_C.cpython36m.****.sopytorch突然不能用了，是因为装了libtorch，且路径写在了path环境变量里，而libtorch的版本和pytoch的版本还不一样。解决办法：注销libtorch的path路径即可。...

这是一篇自己读知识蒸馏(knowledge distillation, KD)的一些论文的笔记。为了帮助自己记忆与理解，举了一些例子。若有不准确或者不恰当，欢迎批评指教。以下主要内容来自以下论文： [1] Hinton G, Vinyals O, Dean J. Distilling the knowledge in a neural network[J]. arXiv preprint arXiv:1503.02531, 2015. [2] Cho J H, Hariharan ...

【SFFAI分享】郑武：CIA-SSD：自信的IoU可知的单阶点云物体检测器【附PPT与视频资料】随着激光雷达在机器人，无人车的领域的推广应用，三维点云的相关处理技术作为高精地图、高精定位、环境检测等方向的核心模块越来越受到重视。现有的在点云中定位物体的单阶段检测器通常将物体定位和类别分类视为分开的任务，因此定位精度和分类置信度可能无法很好地对齐。《SFFAI97期三维点云检测专题》我们邀请到了来自香港中文大学的郑武同学，分享他提出的新型检测方法，解决此问题。关注微信公众号：人工智能前沿讲习对

1， 每个location有两个anchor class_name: "car" sizes: 4.460000038146973 sizes: 1.8799999952316284 sizes: 1.6799999475479126 rotations: 0.0 rotations: 1.5700000524520874class_name: "person" sizes: 0.5600000023841858 sizes: 0.620000004768371...

Brief这一篇内容主要是对函数prep_pointcloud进行debug和记录，这里也是dataloader的大部分内容，同时也涉及到gt的loss函数部分。作者的function breif如下： convert point cloud to voxels, create targets if ground truths exists. input_dict format: dataset.get_sensor_data format说明只有在gt存在时，才会有target，那

1.设计高效可靠的深度学习模型，在几十毫秒内精确检测和跟踪车周围200米之内所有的障碍物（人，车，非机动车辆，交通锥等），并对场景进行理解2.如何设计一般性的模型和算法去处理各式各样的长尾情况和极端环境，如路面上的垃圾袋，洒水车的水花，前车掉下来的挡板 ，如大雨，大雪，雾霾，风沙等3.如何保证感知模型和算法在极端的环境里的准确性和可靠性，如大雨，大雪，雾霾，风沙等4.把模型优化到极致，让十几个到几十个模型在车上有限的计算资源上欢快的运行...

引言传统的2D目标检测，是得到目标物体的类别，以及图像平面内的包围盒，因此包含的参数为类别c，包围盒的中心(x,y)，长宽(length, width)。而3D检测的任务是得到目标物体的类别(Classification)以及带朝向的3D包围盒(Oriented 3D Bounding Boxes)，因此，其包含类别c，位置(x, y, z)，size(length, widith, height)，以及朝向(a, b, c)。在无人车应用中，车辆及行人等都是在地面上，因此，其朝向只有一维，即只有偏航

百度背叛激光雷达路线了吗？2019年夏的CVPR，纯视觉方案Apollo Lite第一次亮相开始，这种猜疑就没停过。一年后，自动驾驶江湖中的两条路，愈加清晰分明。一方面，自动驾驶公司纷纷增加车端激光雷达数量，提升雷达扫描密度，传感器“军备竞赛”趋势延续。另一方面，车企基于纯视觉方案的“全自动”驾驶功能交付无期。而百度Apollo Lite，成为了国内唯一纯视觉L4级城市道路自动驾驶解决方案。并且Apollo Lite还以自主泊车产品AVP和领航辅助驾驶产品ANP，实现了L4能力的降维商用。...

Apollo自动驾驶论坛②视觉感知技术在Apollo平台的应用摄像头作为无人车系统中最重要的传感器之一，因为其信息丰富、观测距离远等特点，在障碍物检测和红绿灯检测等方向发挥着不可替代的作用，是对激光雷达感知结果的重要补充。但摄像头有着容易受环境影响、缺乏深度信息等缺点，给无人驾驶系统中的视觉感知算法带来了巨大的挑战。因此，如何建立一套高精确率和高稳定性的视觉感知算法，是无人车感知模块的核心问题。本文我们将讨论： Apollo视觉感知算法模块 红绿灯检测算法 车道线..

1 Input type (CUDAFloatTensor) and weight type (CPUFloatTensor) should be the same仔细看错误信息，CUDA和CPU，输入数据x和模型中的权重值类型不一样，一般来说是因为模型的参数不在GPU中，而输入数据在GPU中，通过添加model.cuda()将模型转移到GPU上以解决这个问题。2 Input type (CUDADoubleTensor) and weight type (CUDAFloatTensor) s...

一、问题描述问题描述：N个人分配N项任务，一个人只能分配一项任务，一项任务只能分配给一个人，将一项任务分配给一个人是需要支付报酬，如何分配任务，保证支付的报酬总数最小。问题数学描述：　　二、实例分析---全排列法在讲将匈牙利算法解决任务分配问题之前，先分析几个具体实例。以3个工作人员和3项任务为实例，下图为薪酬图表和根据薪酬图表所得的cost矩阵。　　利用最简单的方法(全排列法)进行求解，计算出所有分配情况的总薪酬开销，然后求最小值。total_cost1 = 250 +

BUG: This application failed to start because it could not find or load the Qt platform plugin "xcb". Reinstalling the application may fix this problem. Aborted解决办法：$ gedit ~/.bashrcinsert next path at the end of the fileexport LD_LIBRARY

项目地址：https://github.com/argusswift/YOLOv4-pytorch这份代码实现的逻辑非常清楚，我用这份代码训练了一版自己的数据集，主要一些数据集处理的代码需要相应的改动：1，yolov4_config.py改动内容：（1）路径DATA_PATH = ""PROJECT_PATH = ""DETECTION_PATH=""MODEL_TYPE = { "TYPE": "YOLOv4"}（2）训练参数TRAIN = {...

准备数据 定义网络结构model 定义损失函数 定义优化算法 optimizer 训练 准备好tensor形式的输入数据和标签(可选) 前向传播计算网络输出output和计算损失函数loss 反向传播更新参数 以下三句话一句也不能少： 将上次迭代计算的梯度值清0optimizer.zero_grad() 反向传播，计算梯度值loss.backward() 更新权值参数optimizer.step() 保存训练集上的loss和验证集上的loss以及准确率以及打印

深入浅出Yolo系列之Yolov5核心基础知识完整讲解作者 | 江大白转自：https://zhuanlan.zhihu.com/p/172121380对Yolov4的相关基础知识做了比较系统的梳理，但Yolov4后不久，又出现了Yolov5，虽然作者没有放上和Yolov4的直接测试对比，但在COCO数据集的测试效果还是很可观的。很多人考虑到Yolov5的创新性不足，对算法是否能够进化，称得上Yolov5而议论纷纷。但既然称之为Yolov5，也有很多非常不错的地方值得我们学习。.

准备数据集 环境配置 配置文件修改 训练 推理 转Tensorrt 遇到的Bugs一、数据集准备1，BDD数据集让我们来看看BDD100K数据集的概览。BDD100K是最大的开放式驾驶视频数据集之一，其中包含10万个视频和10个任务，目的是方便评估自动驾驶图像识别算法的的进展。每个高分辨率视频一共40秒。该数据集包括超过1000个小时的驾驶数据，总共超过1亿帧。这些视频带有GPU / IMU数据以获取轨迹信息。该数据集具有地理，环境和天气多样性，从而能让模型能...

点击这里的链接，获取下面资料： 资源二：深度学习视频教程 1. “花书”深度学习圣经——动手学深度学习 2. 《计算机视觉深度学习入门》共5门视频 3. 《深度学习进阶视频课程》 YOLObile：通过压缩编译协同设计在移动设备上进行实时目标检测，在三星S20上速度可达17FPS！比YOLOv4快5倍！同时mAP和FPS均优于YOLOv4-tiny！paper：https://arxiv.org/abs/200...

Python多进程编程阅读目录1. Process2. Lock3. Semaphore4. Event5. Queue6. Pipe7. Pool序. multiprocessingpython中的多线程其实并不是真正的多线程，如果想要充分地使用多核CPU的资源，在python中大部分情况需要使用多进程。Python提供了非常好用的多进程包multiprocessing，只需要定义一个函数，Python会完成其他所有事情。借助这个包，可以轻松完成从单进程到并发执行的转换。multip

1，下载工程2，配置环境1）安装 python3.72）配置yolov5环境：在执行下面语句时出错pip install -U -r requirements.txt errors：ModuleNotFoundError: No module named '_ctypes'的解决办法原因：libffi-devel 没有安装sudo apt-get install libffi-devel通常没有问题，但有时（当你的系统路径/boot空间分配比较小时）会出现错误：...

关注点击关注上方“AI深度视线”，并“星标”公号技术硬文，第一时间送达！转自 | 量子位YOLOv4还没有退热，YOLOv5已经发布！6月9日，Ultralytics公司开源了YOLOv5，离上一次YOLOv4发布不到50天。而且这一次的YOLOv5是完全基于PyTorch实现的！在我们还对YOLOv4的各种骚操作、丰富的实验对比惊叹不已时，YOLOv5又带来了更强实时目标检测技术。按照官方给出的数目，现版本的YOLOv5每个图像的推理时间最快0.007秒，即每秒14..

关注点击关注上方“AI深度视线”，并“星标”公号技术硬文，第一时间送达！精彩内容AC-FPN——用于目标检测的注意力引导上下文的特征金字塔网络 ，即插即用的新FPN模 块，替换Cascade R-CNN、Mask R-CNN等网络中的FPN，可直接涨点2%-3%！Paper：https://arxiv.org/pdf/2005.11475.pdfCode：https://github.com/Caojunxu/AC-FPNAuthors：腾讯&华南理工大.

关注点击关注上方“AI深度视线”，并“星标”公号技术硬文，第一时间送达！精彩内容这篇DetectoRS以mAP54.7的成绩刷新COCO目标检测网络榜榜首，同时还以47.1%拿下COCO实例分割第一、49.6AQ拿下COCO全景分割第一！完美诠释强者恒强。论文地址：https://arxiv.org/pdf/2006.02334.pdf代码链接：https://github.com/joe-siyuan-qiao/DetectoRS1 Introduction..

点击关注上方“AI深度视线”，并“星标”公号技术硬文，第一时间送达！在项目过程中，总遇到需要单目视觉给出目标测距信息的情况，其实单目相机本不适合测距，即使能给出，精度也有限，只能在有限制的条件下或者对精度要求很不高的情况下进行应用。该文结合SLAM方法，通过3D-2D解算相机位姿的方式给出一种另类的单目测距方法，行之有效。1 相机模型要实现单目测距，那么相机参数是单目测距所必不可少的。相机参数有内参和外参之分： 相机内参：是与相机自身特性相关的参数，比如相机的焦距、像素大小等；.

import argparseimport datetimeimport jsonimport osfrom PIL import Imagew = 1080h = 1920def main(args): created = datetime.datetime.today().strftime("%Y/%m/%d") out_dic = { "info":{ "description" : "MyD.

一、Anaconda虚拟环境1、python环境conda create -n CenterNet python=3.6conda activate CenterNet2、Pytorch1.2.0(1)下载如下两个文件，网址：https://download.pytorch.org/whl/cu100/torch_stable.htmltorch-1.2.0-cp36-cp36m-win_amd64.whltorchvision-0.4.0-cp36-cp36m-win_amd6

COCO数据集合，1080Ti：yolov3 yolo4 centernet fps ap fps ap fps ap 20 33 43 43 28 41 yolov4：自己数据集合测试结果：5000 valid数据，其中包括BDD80%，自采数据20%。class_id = 0, name = car, ap = 70.56% (TP = 31806, FP = 12...

Darknet框架复现Yolo v3 & coco API评估 & coco 官网提交评估 【写在前面】 本博客详述率darknet训练yolo v3的全过程并采用cocoAPI对结果进行评估。 满满干货，不容错过~文章目录 一、前期准备 1 安装Darknet环境 1.1 下载源码 1.2 编译源码 1.3 测试是否安装成功 2 下载COCO数...

1.输出重定向做训练的时候输出重定向得到训练日志文件./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0,1 2>1 | tee train_yolov3.log2.解析日志文件extract_log.py # coding=utf-8 # 该文件用来提取训练log，去除不可解析的log后使log文件格式化，生成新的log文件供可视化工具绘图 i

1.输出重定向做训练的时候输出重定向得到训练日志文件./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0,1 2>1 | tee train_yolov3.log2.解析日志文件extract_log.py # coding=utf-8 # 该文件用来提取训练log，去除不可解析的log后使log文件格式化，生成新的log文件供可视化工具绘图 i

下载路径：文件包括：darknet 工程/yolov4预训练模型/作者训练好的yolov4模型/yolov4文章链接: https://pan.baidu.com/s/1kwAwefd3absOrZSTAGnbhQ提取码: x3gz拿走，不谢～另，YOLOV4的文章解读如下：YOLOv4 详解版！一句话总结：速度差不多的精度碾压，精度差不多的速度碾压！...

精彩内容浙大提出：超快速结构感知的车道线检测网络 ，在速度和准确性方面综合表现出色！轻量级版本速度高达300+ FPS！论文链接：https://arxiv.org/abs/2004.11757代码即将开源！作者团队：浙江大学（李玺团队）1 摘要从上图可以看出，车道线检测要面临很多的难题，比如车辆的遮挡、各种复杂光线的影响，甚至有时候根本看不到车道线。...

表现SOTA！在COCO上，以28 FPS 达到40.4 ％mAP的性能，优于CenterNet、YOLOV3和CornerNet等网络。作者团队：马里兰大学帕克分校&Wormpex AI研究院1 引言 思路来源： 大多数现有的目标检测算法会先关注某些目标区域，然后预测目标位置。但是，神经科学家发现，人类不会以固定的稳定性注视场景。取而代之的是，人眼四...

FPG（Feature Pyramid Grids）：特征金字塔网格来了 ！性能优于FPN、NAS-FPN等金字塔网络。作者团队：商汤&港中文(陈恺&林达华)&南洋理工大学&FAIR该文章首发在arxiv上，新投稿于CVPR。1 引言特征金字塔网络已在目标检测中被广泛采用，以改进特征表示以更好地处理尺度变化。 设计思路 在...

本文提出一种选择局部最大响应方法，并提出一种增强的FAST特征检测器，在Jetson TX2上特征检测和跟踪速度高达 1000 FPS！代码刚刚开源！作者团队：苏黎世大学& ETH Zurichhttps://github.com/uzh-rpg/vilib1 引言本文提出一种选择局部最大响应方法，并提出一种增强的FAST特征检测器，在Jetson TX2...

性能优于PDA、MDA和SWDA等网络。作者团队：北京航空航天大学1 引言近年来，在基于深度学习的目标检测中见证了巨大的进步。但是，由于domain shift问题，将现成的检测器应用于未知的域会导致性能显著下降。为了解决这个问题，本文提出了一种新颖的从粗到精的特征自适应方法来进行跨域目标检测。在粗粒度阶段，与文献中使用的粗糙图像级或实例级特征对齐不同，...