cjnewstar111的专栏

近几年，随着“大模型”概念的提出，深度学习模型越来越大，如何训练这些大模型成为一个亟待解决的工程问题。最初的视觉模型只有几百兆的参数量，而现在的语言模型中，动则百亿，千亿的参数量，甚至万亿的大模型也是见怪不怪.那么你是否好奇，这些大模型是如何训练起来的呢？

上一期中，我们使用CTC技术，将蓝牌和车牌放在同一个网络里面训练和识别，取得了不错的效果。这一期主要是上路进行相关的统计，一方面检测程序的性能，一方面看看到底新能源车的占比有多少。结果还真是出乎我的意料。

上一期中，我们从数据增强角度，对车牌识别进行了mixup，彷射变换，模糊处理等，最终在ccpd数据集的测试集上面将t将top1准确率从0.9683提升到了0.991（提升了2.3个点），但是在实际拍摄的视频中，仍然出现了很多的误检。将一个车牌的不同角度图片识别成很多个不同的车牌。虽然没有达到最终目的，但是也让我们更加清晰的认识到，深度学习项目落地的困难。并不是在公开数据集效果很好，在落地项目中效果也会很棒。还是需要针对具体项目进行具体分析。这一期将会从网络结构的角度重新审视我们的车牌识别项目。

前期回顾：在上一期介绍了事情的起因，为什么要做yolo车牌识别，以及最终的网络结构。（链接在这里：(141条消息) 我用AI回怼美女汽车销售系列[yolo车牌识别](一)_cjnewstar111的专栏-优快云博客https://blog.youkuaiyun.com/cjnewstar111/article/details/123160063）但是为了验证和编码的方便，我们基于下图的网络结构开发。即将yolo检测网络和识别网络分开，验证通过了，再将识别功能集成到yolo上面，这样可以大大降低风险。回顾一下流程，

事情的起因做了这么多年程序猿，正当我准备买辆代步车犒劳日益飙升的发际线，纠结于新能源还是油车之时，某新能源美女销售直接跟我说“现在买油车的都是傻子，谁还考虑买油车”。我感觉受到了极大的侮辱，这不是在说我嘛。随后，美女销售稍微放缓态度，说销售不骗人，让我自己去路上看看，路上开的一大半都是电车。作为爱较真的我，对“路上一大半是电车”的结论深表怀疑。但是又苦于拿不出证据。于是我准备对路上的汽车进行一个较大的采样和统计。然后狠狠的怼回去。到时候，美女销售一定会被我的智慧所深深折服。。。有了上面的起因..

YoloAll项目简介YoloAll是一个将当前主流Yolo版本集成到同一个UI界面下的推理预测工具。可以迅速切换不同的yolo版本，并且可以针对图片，视频，摄像头码流进行实时推理，可以很方便，直观的对比不同版本的yolo的推理效果，耗时等。自从YoloAll V1版本推出以后，得到了很多朋友的喜欢，大家也跟我一样，被众多的Yolo版本所困扰，有时为了比较两个不同版本的Yolo的效果，往往需要花费很长时间搭建环境，并且很容易出错，因此才有了这个开发这个YoloAll的想法，能够非常方便的测试不同..

体感俄罗斯方块游戏效果1.背景作为程序猿中的一只老年猿，我很渴望能够天天运动，锻炼身体。但迫于实际条件的限制，没办法每天去外面锻炼，退而求其次，我准备在家做一些体感游戏类的运动。当下最火爆的就属于任某堂的健身环了。也去线下店体验了一把，效果，画面，识别的准确率都很好，就是价格不太友好，对我这样的“中年油腻屌丝程序员”来说，偏贵！于是我想到了是否可以自己用姿态估计做一个体感游戏呢。经过一段时间的构思，我觉得是完全可行的！2.目标能够通过体感姿态，来玩俄罗斯方块游戏，后续可以增加其他小

更多深度学习工程实践项目，请关注公众号：DL工程实践1.项目开源地址https://github.com/DL-Practise/OpenSitUp2.项目简介计算机视觉中有一个应用分支叫做姿态估计，通过人体关键点的方式来估计出一个/多个人的姿态信息。如下图所示：OpenSitUp是一个基于姿态估计的开源项目，旨在帮助对姿态估计感兴趣的朋友，能够从零开始搭建一个在android手机上运行的仰卧起坐计数APP。主要的技术难点为如何让计算量较大的人体姿态估计网络流畅的运...

1、前言：在上一期中[开源]基于姿态估计的运动计数APP开发（二）中，我们已经完成了仰卧起坐算法的开发和windows的demo开发。本期主要是将该算法一直到android平台上面，实现一个android手机上可以使用的APP。下面的视频是我在西湖边进行的测试，在背景比较干净的情况下，效果还不错哦。【获取APP源码请留言，或者添加我的微信，15158106211，备注“仰卧起坐APP”，让我们一起学习一起进步。】（优快云放不了视频，请见谅）2、模型改进有的朋友已经发现，上一期的demo中，

1、先展示一下当前的效果从keep上扒了一段仰卧起坐的视频教程进行计数测试：(优快云放不了视频，有兴趣的下方评论区留言)2、回顾：在上一期的内容中([开源]基于姿态估计的运动计数APP开发（一）)，通过使用shufflenet轻量级网络+上采样输出关键点的heatmap已经可以在coco数据集中进行训练，并能够进行关键点识别。但是也存在一个问题，就是针对仰卧起坐这种动作，识别准确率非常低。通过分析原因，主要有两方面。一是开源的数据集中人的姿态是一些比较生活化的姿态，很少有仰卧起坐之类的姿态

前言：看着自己日渐发福的身材，回想当年的英姿煞爽，感慨颇多。作为一个有羞耻心的程序猿，我决定开始减肥。考察了数十项减肥项目，我选择了仰卧起坐。因为它场地限制小，时间限制短，不剧烈，不伤身，最关键的是能够一边看综艺，一边锻炼，简直妙不可言！试行了几天之后发现有一个比较棘手的问题，做着做着，就忘了做了多少个，一脸懵逼，万般无奈，于是便有了这个运动计数APP的灵感。不用太花哨的功能，最最简单的一点，能够对我的仰卧起坐进行计数，并显示在APP的界面上，到了10，20这种(%10==0)的关键节点上面会有...

前言：最近在开发运动计数APP，需要用到姿态估计相关的算法。于是对这一领域的算法进行了总结。如下图所示为姿态估计的一些经典论文。这其中OpenPose的影响力可以说是非常大的了，由于其开源做的好，论文，代码，教程，文档，模型都非常丰富，因此有很多项目都是基于OpenPose的。并且其bottom-up的核心算法PAF也非常值得学习。本期就对OpenPose进行一个详细的讲解，力争用最白话的语言把内容核心算法讲透彻。网络结构​如下图所示为OpenPose的网络结构：首先由主干网络VGG

前言众所周知，Pytorch是一个非常流行且深受好评的深度学习训练框架。这与它的两大特性“动态图”、“自动微分”有非常大的关系。“动态图”使得pytorch的调试非常简单，每一个步骤，每一个流程都可以被我们精确的控制、调试、输出。甚至是在每个迭代都能够重构整个网络。这在其他基于静态图的训练框架中是非常不方便处理的。在静态图的训练框架中，必须先构建好整个网络，然后开始训练。如果想在训练过程中输出中间节点的数据或者是想要改变一点网络的结构，就需要非常复杂的操作，甚至是不可实现的。而“自动微分”技术使得在编写

1、前言​​一般情况下，pytorch推荐使用python层的前端语言来构建新的算子。因为pytorch在python层的api已经足够丰富，可以构造出很多自定义的算子。但是有时候出于一些其他方面的考虑，会需要增加底层算子。例如有时候对性能要求很高，python不满足需求，又或者是需要链接其他的动态库（blas，mkl等），因此pytorch也提供了直接扩展底层C++算子的能力。主要有三种方式，native_functions.yaml、C++ extension方式、OP register方式。..

所有代码和工具均已开源。关注“DL工程实践”，后台回复“web”，自动获取。1、背景介绍目前有很多的深度学习推理方案，不过大多是离线部署的。这方面可以利用的开源资源有很多，例如ncnn，mnn，tensorflowlite等。虽然终端离线部署模型具有很大的优势，高效，快速，低延时，能够带来很好的体验，但是也存在一些缺点，例如模型不能太大，且对于不同的硬件平台需要重新部署，开发周期比较长。所以在那些延时没有那么苛刻的场景，使用基于web的深度学习推理服务是非常方便的。一方面与终端硬件无关，使用..

目录结构1、背景介绍2、数据采集3、网络设计4、网络训练5、网络部署6、总结1、背景介绍最近采购了一块新的树莓派，迫不及待的想要在树莓派上实现一个实时的手势识别。从算法的角度讲，并不是太难；但是从工程的角度来说，主要有两个难点，一是手势数据的采集。大家都知道，深度学习的高精度离不开大量的训练数据，网络设计的再好，没有足够的数据是不行的。因此要想实现一个好的手势识别，采集数据就成了一个比较重要的难点；另外一个难点是如何在树莓派上实现实时的识别。树莓派实际上是一个使用arm.

目录结构1、背景介绍2、提升精度措施3、降低计算量措施 shufflenet_se网络 shufflenet_sk网络 shufflenet_liteconv网络 shufflenet_k5网络 shufflenet_csp网络4、实验测试5、总结所有网络开源地址：https://github.com/DL-Practise/ShufflenetV2_PLUS更多DL相关实践，请关注公众号"DL工程实践"...

目录结构1、轻量级网络概述2、官方数据对比2、实验对比3、实验结论如果嫌累，直接跳到第三部分，看实验结论1、轻量级网络概述常规的CNN推理，由于需要很大的计算量，很难应用在移动端，物联网等资源受限的场景中。只有通过复杂的裁剪，量化才有可能勉强部署到移动端。从Squeezenet，MobileNet v1开始，CNN的设计开始关注资源受限场景中的效率问题。经过几年的发展，目前比较成熟的轻量级网络有：go...

背景：回家看到小外甥存了很多零用钱，作为舅舅，最近手头有点紧。于是经过几天的筹划，决定制作一个剪刀石头布机器人，向小外甥挑战。以小外甥好胜的性格，一定会欣然应答。然后凭借神经网络出色的性能，赢光他的零花钱不是问题。。。嘿嘿，想想还有点美呢。成果展示：下面这个是做好的成品，效果不错，小外甥被忽悠的一愣一愣，轻松拿下他的存钱罐。原理介绍：主要就是一个图像分类的神经网络。通过摄像头，判断小外甥出拳一瞬间的手型，然后根据规则显示克制他的手型即可。例如摄像头检测到小外甥出了剪刀，那么机.

接着之前的内容，我们来编写一下云台控制的代码。实际上由于安装了开源的Adafruit_Python_PCA9685模块，操作舵机非常的简单。这里我们把舵机的控制分成x轴和y轴，x轴可以像左或者向由旋转一定的角度。y轴可以向上或者向下旋转一定的角度。所以舵机控制的接口定义为：# channel 控制x轴还是y轴# direction 控制方向，对应x轴的left或者right， y轴的up和down# angle 为旋转的角度，0 - 45 度之间def ServoControl(channel,

原理：之前在教程（一）中我们讨论了制作无人驾驶小车的方案，结论是当小车采集到图片之后，通过网络传给笔记本，然后笔记本通过深度学习推理，得出结果，反馈给小车。但是目前通过一些优秀的开源库，将cnn网络优化之后在手机或者树莓派这样的终端上面也有比较好的效果。所以这里真正开始实践的时候，我采用了树莓派的方式，摒弃了笔记本，直接通过树莓派进行图片的采集和深度学习推理，并实时的控制小车的运动。这样的话极...

目标检测系列文章yolo v1原理：https://blog.youkuaiyun.com/cjnewstar111/article/details/94035842yolo v2原理：https://blog.youkuaiyun.com/cjnewstar111/article/details/94037110yolo v3原理：https://blog.youkuaiyun.com/cjnewstar111/articl...

目标检测系列文章yolo v1原理：https://blog.youkuaiyun.com/cjnewstar111/article/details/94035842yolo v2原理：https://blog.youkuaiyun.com/cjnewstar111/article/details/94037110yolo v3原理：https://blog.youkuaiyun.com/cjnewstar111/articl...

目标检测系列文章yolo v1原理：https://blog.youkuaiyun.com/cjnewstar111/article/details/94035842yolo v2原理：https://blog.youkuaiyun.com/cjnewstar111/article/details/94037110yolo v3原理：https://blog.youkuaiyun.com/cjnewstar111/articl...

目标检测系列文章yolo v1原理：https://blog.youkuaiyun.com/cjnewstar111/article/details/94035842yolo v2原理：https://blog.youkuaiyun.com/cjnewstar111/article/details/94037110yolo v3原理：https://blog.youkuaiyun.com/cjnewstar111/articl...

目标检测系列文章yolo v1原理：https://blog.youkuaiyun.com/cjnewstar111/article/details/94035842yolo v2原理：https://blog.youkuaiyun.com/cjnewstar111/article/details/94037110yolo v3原理：https://blog.youkuaiyun.com/cjnewstar111/articl...

目标检测系列文章yolo v1原理：https://blog.youkuaiyun.com/cjnewstar111/article/details/94035842yolo v2原理：https://blog.youkuaiyun.com/cjnewstar111/article/details/94037110yolo v3原理：https://blog.youkuaiyun.com/cjnewstar111/articl...

目标检测系列文章yolo v1原理：https://blog.youkuaiyun.com/cjnewstar111/article/details/94035842yolo v2原理：https://blog.youkuaiyun.com/cjnewstar111/article/details/94037110yolo v3原理：https://blog.youkuaiyun.com/cjnewstar111/articl...