<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[catscanner的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/catscanner</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; catscanner]]></copyright><item><title><![CDATA[《腾讯NCNN框架的模型转换x86/君正MIPS嵌入式编译及量化推理》详细教程]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/140956571</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/140956571</guid><author>catscanner</author><pubDate>Tue, 13 Aug 2024 18:32:43 +0800</pubDate><description><![CDATA[上面我们编译的时候打开了-DNCNN_BUILD_EXAMPLES=ON，所以这里就用编译好的例子试一下，由于squeezenet提供了权重文件，所以直接测这个。如果我们直接从onnx转换到ncnn的模型经常会出现不兼容不能完全转换的情况，所以我们这边直接使用pnnx来进行模型转换。可以看到linear层的推理结果输出了，选最大的一个index就是分类结果，至此，x86上全部的推理工作就做好了。这边的param就是模型的结构描述文件，bin是模型的具体权重。编译好的ncnn(看第一步)]]></description><category></category></item><item><title><![CDATA[【Nvidia Jetson Xavier NX/AGX/NANO】上用docker跑pytorch等cv推理应用]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/130741935</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/130741935</guid><author>catscanner</author><pubDate>Thu, 18 May 2023 14:55:58 +0800</pubDate><description><![CDATA[使用docker在容器中跑带有yolo和opencv的应用比起直接在原生环境中跑在jetson xavier NX上并不一定能见到明显的性能下降，容器化性能和很多因素有关，特别是应用对于cpu，gpu的使用情况不同，带宽算力使用情况不同，结果可能会不太一样，具体还是得测试，不能一概而论。在jetson上使用docker跑opencv和pytorch其实主要是要找对镜像，docker官方的hub里并没有适合的能直接跑的镜像，但是nvidia自己提供了L4T的pytorch和ML镜像。然后pull下来就行了。]]></description><category></category></item><item><title><![CDATA[Mac Apple Silicon M1/M2 homebrew miniforge conda pytorch yolov5深度学习环境搭建并简单测试MPS GPU加速]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/129246902</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/129246902</guid><author>catscanner</author><pubDate>Mon, 27 Feb 2023 19:38:43 +0800</pubDate><description><![CDATA[笔者使用的是一台M2版本的Macbook Air，虽然苹果作为深度学习的训练机不太合适，但是由于macbook作为打字机实在是无可挑剔，所以使用macbook调试一下pytorch的代码再放到集群上训练或者直接在mac上调试运行代码都是不错的体验，本文以在mac上直接调试yolov5为目标，大概记录一下步骤。这一步就是大家八仙过海各显神通的时候了，总之开启代理后，除了浏览器可以走代理访问之外，还需要配置zsh和git走代理，否则homebrew的安装会比较痛苦。就可以开始使用专属的conda虚拟环境了。]]></description><category></category></item><item><title><![CDATA[gitlab中git修改commit日期等操作记录]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/128447459</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/128447459</guid><author>catscanner</author><pubDate>Mon, 26 Dec 2022 17:55:13 +0800</pubDate><description><![CDATA[修改时间的操作无法修改gitlab系统活动日志记录，但会让gitlab的commits里显示你修改的时间。]]></description><category></category></item><item><title><![CDATA[AWS的各种key的互转与使用]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/120042050</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/120042050</guid><author>catscanner</author><pubDate>Wed, 01 Sep 2021 16:02:50 +0800</pubDate><description><![CDATA[把pemkey转换成ssh-rsa
ssh-keygen -y -f 1.pem &gt; 1.rsa
添加到ec2的认证里面，也可以修改
cat 1.rsa &gt;&gt; ~/.ssh/authorized_keys
windows登录的时候使用puttygen.exe 转换pem到ppk，勾选ssh-1（rsa），save privatekey

]]></description><category></category></item><item><title><![CDATA[深度神经网络DNN的反向传播原理及推导]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/110003102</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/110003102</guid><author>catscanner</author><pubDate>Tue, 29 Dec 2020 17:19:47 +0800</pubDate><description><![CDATA[DNN反向传播推理
CNN反向传播推理
对于对于任意（Borel measurable function）波莱尔可测函数（包括⼀切阶梯函数、⼀切连续函数和分段连续函数）和任意给定精度，都可以使⽤多层感知机（MLP）来近似。
【1989】Multilayer feedforward networks are universal approximators，该⽂章中证明了任意宽
的单隐层MLP的万能近似性质。
【2017】Universal Function Approximation by Deep Neur]]></description><category></category></item><item><title><![CDATA[目标检测Object Detection下的P-R曲线，AP，mAP，AUC，ROC曲线详解]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/111517938</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/111517938</guid><author>catscanner</author><pubDate>Tue, 22 Dec 2020 11:11:21 +0800</pubDate><description><![CDATA[目录P-R曲线APmAP
P-R曲线
上篇文章我们详细说了一下Detection中的Recall和Precision的计算，P-R曲线就是Precision和Recall画出的曲线。
AP
mAP

]]></description><category></category></item><item><title><![CDATA[目标检测Object Detection下的Precision & Recall和分类问题中的有何不同？]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/111272936</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/111272936</guid><author>catscanner</author><pubDate>Tue, 22 Dec 2020 10:48:48 +0800</pubDate><description><![CDATA[目录一，目标检测中的Precision &amp; Recall
一，目标检测中的Precision &amp; Recall
Precision,准确率/查准率    Recall,召回率/查全率
Precision=TPTP+FP
Precision= \frac{TP}{TP+FP}
Precision=TP+FPTP​
准确率比较好理解，就是检测出的所有正样本中多少是真正的正样本
Recall=TPTP+FN
Recall= \frac{TP}{TP+FN}
Recall=TP+FNTP​
Reca]]></description><category></category></item><item><title><![CDATA[《Kaggle Histopathologic Cancer Detection》模型训练的一些记录]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/109177850</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/109177850</guid><author>catscanner</author><pubDate>Tue, 20 Oct 2020 11:43:10 +0800</pubDate><description><![CDATA[乳腺癌Kaggle比赛的这个项目进行了一些实验，项目地址：https://www.kaggle.com/c/histopathologic-cancer-detection/overview
使用GTX 1080TI大概训练了100个小时的模型,训练集大概22万张图片，有些相同设定跑过多遍，记录一下测试结果：

...]]></description><category></category></item><item><title><![CDATA[《使用深度神经网络进行图像分类1 - 基础知识树》]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/109177750</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/109177750</guid><author>catscanner</author><pubDate>Tue, 20 Oct 2020 11:27:31 +0800</pubDate><description><![CDATA[我的学习习惯是从抽象到具体，从系统到节点，目前的打算是写20篇左右的博客，把图像分类到物体识别讲清楚，所以先把使用DNN/CNN进行图像分类的总体知识体系进行梳理，画在树上。
先搞一个精简版的知识树，帮助自己从最基础的内容开始渐进式巩固和推进内化。

制作本图的过程中参考了部分书籍和资料，如下：
《深度学习之图像识别 核心技术与案例实战》–言有三
《图像处理中的数学修炼》–左飞
《机器学习 使用OpenCV和Python进行智能图像处理》 --Michael Beyeler
https://neuralne]]></description><category></category></item><item><title><![CDATA[《Kaggle Histopathologic Cancer Detection比赛》之Tensorflow2.0/Keras Eager Execution实现]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/109177649</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/109177649</guid><author>catscanner</author><pubDate>Tue, 20 Oct 2020 11:22:26 +0800</pubDate><description><![CDATA[Kaggle项目地址：https://www.kaggle.com/c/histopathologic-cancer-detection/overview
本文记录了一个使用Tensorflow2.0/Keras Eager Execution的实现，数据预处理采用了Tensorflow标准的Dataset的方式：
# -*- coding: utf-8 -*-
import tensorflow as tf
AUTOTUNE = tf.data.experimental.AUTOTUNE 


# tf.]]></description><category></category></item><item><title><![CDATA[《Kaggle Histopathologic Cancer Detection癌症图像分类比赛》之Keras/Generator实现]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/109177513</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/109177513</guid><author>catscanner</author><pubDate>Tue, 20 Oct 2020 11:18:34 +0800</pubDate><description><![CDATA[项目地址：https://www.kaggle.com/c/histopathologic-cancer-detection/overview
本文记录了自己使用纯Keras以及Keras标准的Generator的数据准备方式:
其他实现方式见:
Kaggle Histopathology Cancel Detection之Pyorch实现
Kaggle Histopathologic Cancer Detection之Keras实现
Kaggle Histopathologic Cancer Detect]]></description><category></category></item><item><title><![CDATA[《Kaggle Histopathologic Cancer Detection癌症图像分类比赛》之PyTorch实现]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/109177435</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/109177435</guid><author>catscanner</author><pubDate>Tue, 20 Oct 2020 11:16:09 +0800</pubDate><description><![CDATA[项目地址：https://www.kaggle.com/c/histopathologic-cancer-detection/overview
本文记录了自己使用Pytorch以及Pytorch标准的Dataset的准备方式对同一问题进行了实现：
其他实现版本:
Kaggle Histopathology Cancel Detection之Pyorch实现
Kaggle Histopathologic Cancer Detection之Keras/Generator实现
Kaggle Histopathol]]></description><category></category></item><item><title><![CDATA[《Kaggle Histopathologic Cancer Detection比赛》之Tensorflow Dataset/Keras Model实现]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/109177206</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/109177206</guid><author>catscanner</author><pubDate>Tue, 20 Oct 2020 11:09:32 +0800</pubDate><description><![CDATA[Keras和Tensorflow的结合相当紧密，使用Keras创建模型，然后使用Tensorflow的Dataset喂数据，训练结果保存为Tensorflow的Checkpoint都是可以的，这边给出一个使用tf.Dataset-&gt;Keras Model-&gt;Checkpoint的实现供参考记录
其他使用Pytorch，Keras Generator,Tensorflow2.0的实现方式参考我的其他博文。
import numpy as np
import tensorflow as tf
imp]]></description><category></category></item><item><title><![CDATA[ROG Zephyrus G14（幻14）Ubuntu 20.04 双系统安装避坑指南（4800H AMD Nvidia GPU核显独显问题，快捷键Fn键盘灯驱动）]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/108897993</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/108897993</guid><author>catscanner</author><pubDate>Fri, 02 Oct 2020 00:00:30 +0800</pubDate><description><![CDATA[目录1.G14为什么安装Ubuntu 20.04？2.大致步骤3.遇到的问题4.解决问题
1.G14为什么安装Ubuntu 20.04？
试着安装18.04没有成功，各种问题，AMD这颗4800HS CPU/GPU以及Intel的AX200 Wifi6无线网卡都太新了,20.04至少可以顺利安装运行GNOME.
2.大致步骤

留出硬盘的free space准备安装Ubuntu
下载Rufus和Ubuntu20.04 ISO镜像烧录到U盘里制作启动盘
在FreeSpace上建立Ext4分区，挂载到"/“下,]]></description><category></category></item><item><title><![CDATA[Ubuntu Installing Multiple GCC Versions多个GCC版本安装和切换]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/108890727</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/108890727</guid><author>catscanner</author><pubDate>Wed, 30 Sep 2020 22:01:54 +0800</pubDate><description><![CDATA[This section provides instructions about how to install and use multiple versions of GCC on Ubuntu 18.04. The newer versions of the GCC compiler include support for new languages, better performance and extended features.
At the time of writing this articl]]></description><category></category></item><item><title><![CDATA[Ubuntu apt-get & snap proxy]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/108890686</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/108890686</guid><author>catscanner</author><pubDate>Wed, 30 Sep 2020 21:55:39 +0800</pubDate><description><![CDATA[1
sudo apt-get -o Acquire::http::proxy=“http://127.0.0.1:12333/” install six
2
修改/etc/apt/apt.conf（或者/etc/envrionment），增加
Acquire::http::proxy “http://127.0.0.1:12333/”;
Acquire::ftp::proxy “ftp://127.0.0.1:12333/”;
Acquire::https::proxy “https://127.0.0.1]]></description><category></category></item><item><title><![CDATA[常用win10，Ubuntu系统安装工具]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/108865095</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/108865095</guid><author>catscanner</author><pubDate>Tue, 29 Sep 2020 11:27:16 +0800</pubDate><description><![CDATA[U盘制作工具
rufus
https://rufus.ie/
etcher
https://www.balena.io/etcher/
Ubuntu镜像
ubuntu18.04镜像：
https://releases.ubuntu.com/18.04.5/
Window10镜像

]]></description><category></category></item><item><title><![CDATA[Ubuntu 18.04 TensorRT 7从Pytorch生成onnx模型开始跑通第一个SampleONNXMNIST示例（C++）]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/107877234</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/107877234</guid><author>catscanner</author><pubDate>Sun, 09 Aug 2020 10:20:24 +0800</pubDate><description><![CDATA[目录一，一些小问题的解决1.安装CUDA10.22.更新CUDNN到8.0.24.编译安装OpenCV4.4.03.解决/usr/local/cuda/lib64/libcudnn.so.8 is not a symbolic link的问题三，编译安装TensorRT7.1.3四，SampleONNXMNIST示例
一，一些小问题的解决
1.安装CUDA10.2
参考我的另一篇文章cuda安装
2.更新CUDNN到8.0.2
到https://developer.nvidia.com/rdp/cudnn-]]></description><category></category></item><item><title><![CDATA[Ubuntu 18.04 qt5 cuda 10.2 cudnn 7.6.5下的OpenCV 4.4.0 C++编译]]></title><link>https://blog.youkuaiyun.com/catscanner/article/details/107716900</link><guid>https://blog.youkuaiyun.com/catscanner/article/details/107716900</guid><author>catscanner</author><pubDate>Fri, 31 Jul 2020 16:59:06 +0800</pubDate><description><![CDATA[下载opencv-4.4.0.zip
unzip opencv-4.4.0.zip
cd opencv-4.4.0.zip
mkdir build
cd build

安装依赖,参考How to install OpenCV 4.2.0 with CUDA 10.0 in Ubuntu distro 18.04
$ sudo apt update
$ sudo apt upgrade

$ sudo apt install build-essential cmake pkg-config unzip yas]]></description><category></category></item></channel></rss>