blanokvaffy的博客

开放集目标检测近年来备受关注，因为现实世界中物体种类繁多，传统的封闭集检测方法难以处理。现有方法主要分为基于文本和纯视觉两类，前者存在模态差异大、需大量计算资源、受文本语义限制等问题，后者则面临多视觉提示融合质量低的挑战。本文提出视觉交集网络 VINO，通过构建多图像视觉库及多图像更新机制学习语义交集。其贡献在于首次在该领域用多图像语义交集，模型在多基准数据集上性能与先进方法相当，还通过添加分割头验证了通用性。

将最新的实时目标检测模型D-fine修改为支持掩码输出的实例分割模型。

对 SBD 、 COCO 和 KINS 等标准数据集的实验评估表明，该方法明显优于现有的最先进方法，从而验证了其有效性和多功能性。框架建立在 D-FINE 对象检测模型之上，并将边界框的回归扩展到轮廓的回归。为了实现高效的训练，Contourformer 采用迭代方法进行轮廓变形，并引入降噪机制来加速收敛过程。（2） 细粒度分布细化：该模块通过细粒度概率建模和分布优化，进一步提高了分割结果的精度。（1）子轮廓解耦机制：该模块旨在有效地解耦复杂的轮廓关系，增强模型捕捉目标边界的能力；

记录一下如何将最新的实时目标检测模型D-fine修改为输入图像支持成比例缩放训练的。

X-AnyLabeling 是一款cvhub开发的交互式自动标注工具，其基于AnyLabeling进行构建和二次开发，在此基础上扩展并支持了许多的模型和功能，并借助Segment Anything和YOLO等主流模型提供强大的 AI 支持。其最新版基于grounding dino可以实现开放词汇检测及生成掩码。2024年，MMDet 3.3.0提出了 MM-Grounding-DINO。

最近看到百度写的一篇还算不错的DETR论文，通过简化DINO的encoder层将模型加速到实时水平，翻译了下，以作记录。

最近（2022年）的不少论文都将目光集中在了one to one matching机制上，年初CVPR的Denosing DETR认为one to one matching机制在模型训练的初期导致了损失不稳定，GT无法很好的与query稳定的进行匹配，因此提出了加入噪声干扰的GT输入作为query，与GT进行损失计算来辅助加速DETR模型训练，该课题组在此基础上提出了DINO、Mask DINO等模型，将DETR模式推到了SOTA的水平。辅助one to many matching的分支与原始主分支中的。

这让TensorRT便捷实现加速Deformable Detr乃至今年（2022年）最新的DETR类sota模型DINO、Mask DINO成为了可能。查了一下当前网络上并没有关于Deformable Detr 的TensorRT加速的实现方法，可能大佬们都觉的太简单没有必要吧，于是就自己写了一版方便大家使用。对于低于8.4.1.5的TensorRT版本，也可以选择把官方的插件自己编译到旧版本上。库，没有使用官方的原版。自TensorRT 8.4.1.5发布以来，惊喜的发现TensorRT官方实现了。

CUDA实现多batch基数排序基数排序是具有固定迭代次数的排序算法, 其通过对最低位到最高位的一一比较，对数值排序。GPU版的基数排序将数据分为N个部分并行进行基数排序，随后并行规约得到排序后的数组。这里实现了一版多batch的基数排序实例，并同时输出原数组的序号，基本实现了argsort的功能，代码如下所示：#include<iostream>#include<cuda_runtime.h>__device__ void preprocess_float(float

dn-detr:通过加速detr训练

transformer在视觉检测的应用detr简介一些基于detr启发论文目标检测Deformable DETRConditional DETRSparse R-cnn实例分割/全景分割SOLQMaskformerK-Net近年，Transformers在计算机视觉领域大放异彩。将transformer带入目标检测/实例分割的工作如过江之鲫，不胜枚举。而2020年Detection Transformers（detr）更是带来一种新的目标检测范式，启发了后续众多的工作。detr简介 detr结构d

使用TensoRT加速ScaledYOLOv4测试环境快速开始1、生成onnx模型2、编译3、转换onnx模型到trt模型4、测试速度效果使用mish插件层很多人都写过TensorRT版本的yolo了，我也来写一个。具体代码可参见我的github测试环境ubuntu 18.04pytorch 1.7.1 jetpack 4.4CUDA 11.0TensorRT7.1快速开始1、生成onnx模型 git clone --branch yolov4-csp https://github.c

Tensorrt实现solov2加速SOLO简介环境依赖快速开始下载代码并编译转换pytorch模型生成FP16模型执行推理测试效果SOLO简介solo系列网络是由Xinlong Wang提出的单阶段实例分割网络。其搭建在mmdetection库中。solov2主干网络如下图所示：其在COCO数据集上获得了较高的AP，并且由于其单阶段实例分割的特点，方面直接实现端到端的部署。因此，我们可以采用pytorch转onnx再转tensorrt的方式实现solo的半精度、int8加速，达到实时运行的目的。所

根据lewes6369的TensorRT-yolov3改写了一版基本实现可以推理视频和图片、可以多线程并行加速的TensorRT-yolov3模型，在win10系统和Linux上都成功的进行了编译。源码和编译方式详见我的github。搭建环境ubuntu16 & win10TensorRT 5.1CUDA 9.0 or CUDA 10.0测试效果ModelGPU...

DDPG强化学习pytorch代码参照莫烦大神的强化学习教程tensorflow代码改写成了pytorch代码。具体代码如下.'''torch = 0.41'''import torchimport torch.nn as nnimport torch.nn.functional as Fimport numpy as npimport gymimport time##...

win10下autokeras的安装按照官方网站的方法进行安装，注意：Auto-Keras只支持Python3.6。项目github：https://github.com/jhfjhfj1/autokeraspip install autokerasautokeras需要的依赖项很多，包括tensorflow、pytorch、keras、numpy等，大部分在pip安装autokeras都...