- 博客(5)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Precision-Recall Overlap
任务中区域级（region-level）性能的指标，特别关注预测区域与真实区域的。的任务中优先使用 PRO-score，并与像素级指标（如IOU）结合分析！通过区域级精度和召回率的平衡，提供更贴近实际需求的性能评估。：衡量模型预测的缺陷区域与真实缺陷区域的匹配程度，兼顾。为指示函数（满足条件则为1，否则为0）。：对小目标敏感，避免像素级指标的局部偏差。：像素级匹配，可能忽略区域完整性。：区域级匹配，更贴近实际应用需求。：评估肿瘤或病变区域的检测完整性。：检测建筑物或道路的连通区域。
2025-08-05 17:47:09
692
原创 工业缺陷指标PRO-score（Per-Region Overlap）的定义及代码实现
PRO-score是一种区域级评估指标，专注于图像分割或异常检测任务中真实缺陷区域的检测完整性。它通过连通组件分析将预测结果与真实标签进行区域级匹配，计算每个真实区域被正确预测的比例（PRO_i=TP/区域面积），再对所有区域取平均得到全局PRO-score。与像素级指标（如IoU）不同，PRO-score对小缺陷更敏感，适用于工业检测、医学影像等场景。通过多阈值扫描和PRO-AUC@FPR<0.3的计算，可综合评估模型在低误报率下的区域检测能力。该指标与像素级指标互补，为实际应用提供更精准的性能分析
2025-08-05 16:25:04
1194
原创 pl.Trainer中gpus参数说明
如果我们想要监测GPU内存的使用状况，Lightning也提供了相应的flag。有时候，我们不知道那些GPU是被占用的，也就没办法指定GPU，Lightning为此提供了flag，它可以替我们检测可以使用的GPU个数以及序号。如果你模型的输入大小保持不变，那么可以设置cudnn.benchmark为True，这样可以加速训练，如果输入大小不固定，那么反而会减慢训练。如果指定了多个 GPU，PyTorch Lightning 会自动选择合适的分布式训练策略（如 DataParallel 或 DDP）。
2024-12-10 09:57:26
1504
原创 AnomalySD：Few-Shot Multi-Class Anomaly Detection with Stable Diffusion Mode_总结
此外，主 流方法需要为不同的对象训练定制模型，这会产生高昂的成本，并且在实践中缺乏灵活性。首先设置一些掩模可以很大程度上覆盖图像中的异常区域，然后使用SD将掩蔽的异常区域绘制成未掩蔽的正常像素的正常区域。通过比较原始图像和已绘制的图像，理想情况可以定位异常区域。为了 使 SD 适应异常检测任务，我们设计了不同的分层文本描述和前景掩码机制来微调 SD。的帮助，因为它具有零/少样本修复能力，可以利用它来像正常情况一样修复异常区域。设计了不同的分层文本描述和前景掩模机制，用于微调SD（优化模型的修复能力）。
2024-11-30 00:05:24
872
原创 YOLO v5 前后处理GPU加速部署
深度学习模型部署中复杂的前后处理往往部署cpu中，这一方面极大地增加模型处理耗时，另一方面挤兑了cpu计算资源，导致整个软件平台卡死，本博客针对C#编写界面软件调用C++模型接口情形，分别从C#与C++间图片传输优化、前处理GPU加速、后处理GPU加速三个角度进行优化。测试服务器：window10、Intel(R) Xeon(R) Gold 5115 CPU @ 2.40GHz、RTX2080 Ti。
2024-01-04 23:05:31
2330
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人