greatwind的博客

要想知道一个模型的流程，个人认为，看训练代码是能最快了解模型前后逻辑关系的方法之一，keras-yolo3项目训练源码如下："""Retrain the YOLO model for your own dataset.使用自己的数据训练YOLO模型"""import numpy as npimport keras.backend as Kfrom keras.layers import Input, Lambdafrom keras.models import Modelfrom ker

YOLOV3的网络结构在YOLOV3的论文中，给出的网络结构如下：从上图中，可以得到卷积层共有52个，左侧的数字(1,2,8,8,4)表示所框选的卷积层重复的次数，由此可以将重复的网络层作为一个循环体，存在一定的规律性：YOLOV3主网络层的代码实现from functools import wraps,reduceimport numpy as npimport tensorflow as tffrom tensorflow.keras.utils import plot_modelf

yolov5使用笔记前期准备训练集，验证集，测试集划分转换标注文件构建数据配置文件前期准备首先，将yolov5源代码下载至本地，并配置好运行yolov5代码所需环境。其次，准备好自己已标注好的数据集。标注文件格式为YOLO格式。YOLO格式的标注文件一般以txt文件形式保存，否则按照以下格式对标注文件进行格式转换：每一行存放一个标注对象每行格式：类别 x坐标中心 y坐标中心 宽 高框坐标必须是标准化的xywh格式，如果框坐标是以像素为单位的，将框的x中心坐标x_center和宽w除以图像的宽，

此代码将数据集分为：训练+验证，训练集，验证集，测试集，根据实际情况取相对应的文件即可。比如：若你的训练代码中不包含验证集划分，取训练集，验证集，测试集使用；若包含验证集划分，取训练+验证，测试集使用。新建一个split_train_test.py文件，用来划分数据集，代码如下：import osimport randomtrainval_percent = 0.9 # 训练+验证train_percent = 0.9 #训练xmlfilepath = 'DataSet\\Ann

根据OpenPose：快速入门的介绍，直接进入openpose所在的根目录：PS C:\Windows\system32> cd D:PS D:\> cd D:\Works-Experience\grid\Projects\openpose然后，运行以下语句：PS D:\Works-Experience\grid\Projects\openpose> bin\OpenPoseDemo.exe --image_dir examples\media\报错如下：Starting

目录简介简介该文主要介绍OpenPose的一个Python API模块。它是一个有效的包装器，可以复制op::Wrapper class的大部分功能，并允许使用标准Python和Numpy结构从op::Datum class填充和检索数据。调用Python API与C++函数是平行的。详细内容可查看python/openpose/openpose_python.cpp#L194...

OpenPose：快速入门快速入门快速入门

OpenPose Demo忘记OpenPose库代码，只编译库并使用演示./build/examples/openpose/openpose.bin

目录一、简介二、安装校准模块三、运行3.1 常规小技巧3.2 Step 1 - 对失真和内在参数进行校准3.3 Step 2 - 校准外部参数四、摄像机矩阵的输出格式一、简介该实验模块进行摄像机校准(失真、摄像机内外参数提取)，计算并保存输入图像的内在参数。该实验建立在OpenCV之上，但目的是为没有校准或计算机视觉背景的人(或像我这样懒惰的人)简化过程。注意：我们的目标不是拥有最好的校准工具箱，而是最简单的。如果需要非常高质量的校准，我相信一定有许多其他的工具箱有更好的外部参数估计工具。非常重要：

目录Windows Portable Demo安装视频教程操作系统Community-Based Work依赖软件克隆OpenPose更新OpenPose安装安装过程中出现的问题Prerequisites配置OpenPose构建OpenPose运行OpenPoseWindows说明重装卸载部署OpenPose(将OpenPose导出到其他项目)Windows Portable Demo如果您只是想在Windows中使用OpenPose Demo，只需使用OpenPose可移植二进制文件的最新版本即可，您

OpenPose中文文档

可选参数列表以下列表可以通过--help查看FLAG支持脚本用途默认值备注-cALL指定配置文件None配置模块说明请参考 参数介绍-oALL设置配置文件里的参数内容None使用-o配置相较于-c选择的配置文件具有更高的优先级。例如：-o Global.use_gpu=false配置文件参数介绍以 rec_chinese_lite_train_v2.0.yml 为例Global字段用途默认值备注use_gpu设置代码是

安装环境安装paddlepaddle-gpu安装CUDA 10.0对应的飞桨2.0.0，GPU版本：# 创建虚拟环境conda create -n paddle_env python=3.7# 进入虚拟环境activate paddle_env# 安装paddlepaddle-gpupython -m pip install paddlepaddle-gpu==2.0.0rc1.post100 -f https://paddlepaddle.org.cn/whl/stable.html

简介Netron是神经网络、深度学习和机器学习模型的可视化工具。Netron支持以下模型的可视化：ONNX：.ONNX，.pb，.pbtxtKeras：.h5，.KerasTensorFlow Lite：.tfliteCaffe：.caffemodel，.prototxtDarknet：.cfgCore ML：.mlmodelMNN：.MNNMXNet：.model、-symbol.jsonncnn：.paramPaddlePaddle ：.zip，__model__Caffe2：

model.py文件是用keras模块编写的yolo模型文件，主要内容如下：from functools import wrapsimport numpy as npimport tensorflow as tffrom keras import backend as Kfrom keras.layers import Conv2D, Add, ZeroPadding2D, UpSampling2D, Concatenate, MaxPooling2Dfrom keras.layers.adv

utils.py是模型训练时其他实用功能。from functools import reducefrom PIL import Imageimport numpy as npfrom matplotlib.colors import rgb_to_hsv, hsv_to_rgbdef compose(*funcs): """Compose arbitrarily many functions, evaluated left to right. Reference: http

点击下载项目源代码整体目录结构如下：font文件夹中存放的是该项目中使用到的字体，如下：model_data文件夹中存放的是模型文件，如下：其中，coco_classes.txt文件中存放COCO数据集的类别，共80个类别。voc_classes.txt文件中存放VOC数据集的类别，共20个类别。yolo_anchors.txt文件中存放着yolo模型使用的anchors(个人习惯叫标注框)的大小，共9个。tiny_yolo_anchors.txt文件中存放着tiny_yolo模

kmeans.py文件主要是对训练数据集的标注框进行聚类，最终输出9个标注框。

下载keras-yolo3keras-yolo3在GitHub上的开源项目地址环境要求测试环境需要包含以下三个依赖模块：Python 3.5.2Keras 2.1.5tensorflow 1.6.0利用Anaconda创建一个合适的虚拟环境，由于在构建虚拟环境时直接安装上述三个依赖包，会产生默认安装tensorflow1.1版本的情况，建议先创建虚拟环境，后安装模块：conda create -n TF1.6 python=3.5.2conda activate TF1.6pip i

Tensorflow2.0安装及相关配置Tensorflow的GPU版本安装前的准备安装 GPU 驱动安装 GPU 运行库安装 CUDA安装 cuDNNTensorflow2.0的GPU版Tensorflow分为CPU版本和GPU版本，安装步骤类似Tensorflow的GPU版本安装前的准备安装 GPU 驱动确保电脑已经安装好了 Nvidia GPU 显卡驱动， 官方驱动下载地址同时需要确保电脑显卡的运算能力在 3.5 之上， 可以在这里查看对应显卡的运算能力安装 GPU 运行库对于 GP

下载caffe点击此处下载caffe。创建虚拟环境使用anaconda创建一个caffe虚拟环境，语句如下：conda create -n caffe python=3.5进入创建好的虚拟环境conda activate caffe安装依赖包conda install cmake ninja numpy scipy protobuf==3.1.0 six scikit-image pyyaml pydotplus graphviz使用caffe的python接口将第一