Dandelion_2的博客

在百度的PaddleDetection项目的基础上实现目标检测labelme标注的自动获取，需要先训练一个模型，然后通过这个模型去标注，最后用labelme进行微调

def build_targets(p, targets, model): # p的shape(YoloLayer_num, batch_size, anchor_num, grid_y, grid_x, xywh+obj_confidence+cls_num) # targets的shape为（num_groundtruth, 6), 其中数字6代表img_index+cls_index+xywh # model为整个yolo的model，以获取当前model对应YoloLayer

1.课程学习 本节课主要对于大白AI课程：https://mp.weixin.qq.com/s/STbdSoI7xLeHrNyLlw9GOg 《Pytorch推理及范式》课程中的第五节课进行学习。 2.作业题目 必做题： （1） 自己找 2 张其他图，用 Yolox_s 进行目标检测，并注明输入尺寸和两个阈值。 两张图片的输入尺寸都是640*640，两个阈值分别是： conf_threshold = 0.6 nms_threshold = 0.45 思考题： （1） Yolox_s：用 time 模块和

1.课程学习 本节课主要对于大白AI课程：https://mp.weixin.qq.com/s/STbdSoI7xLeHrNyLlw9GOg 《Pytorch推理及范式》课程中的第四节课进行学习。 2.作业题目 必做题： （1） 对 “./images/car.jpg” 做语义分割，提取出里面的车辆，模仿上课时，对“可视化推理结果”和“BGRA 四通道图”进行保存。 可视化推理结果： “BGRA"四通道图像： （2） 自己找 2 张其他图，对图中某个类别进行分割，并保存“BGRA 四通道图”。 图1：i

文章目录1.课程学习2.作业题目必做题：思考题：3 课程总结： 1.课程学习 本节课主要对于大白AI课程：https://mp.weixin.qq.com/s/STbdSoI7xLeHrNyLlw9GOg 《Pytorch推理及范式》课程中的第二节课进行学习。 2.作业题目 必做题： （1） 把模型改为resnet18，加载相应的模型权重（Lesson2的物料包中有），跑一下0.jpg和1.jpg，看一下输出结果。 结果： （2） 自己找2张其他图，用resnet18做下推理。 图片： 结果：

江大白共学计划_Pytorch推理及范式_Lesson2 课程作业 必做题： （1） 从torchvision中加载resnet18模型结构，并载入预训练好的模型权重 ‘resnet18-5c106cde.pth’ (在物料包的weights文件夹中)。 import torch import torchvision.models as model # 从torchvision加载res18模型结构 model = model.resnet18() # 加载权重 pretrained_state