gm_Ergou的博客

参考链接：https://github.com/Tianxiaomo/pytorch-YOLOv4模型训练+推理步骤：1. 下载代码和预训练模型，准备数据2. 数据预处理：使用data_process的脚本进行自己标注的数据进行处理3. 训练模型（需要修改train.py/cfg.py/dataset.py/以及tool中关于数据预处理的相关定义，请看代码去改）4. 测试模型（修改test.py进行预测）5. pytorch模型转onnx模型（修改pytorch2onnx.py）6.

6.pth2onnx.pyimport sysimport onnximport osimport argparseimport numpy as npimport cv2import onnxruntimeimport torchfrom tool.utils import *from models import Yolov4def detect(session, image_src): IN_IMAGE_H = session.get_inputs()[0].sha

参考链接：https://blog.youkuaiyun.com/qq_44876051/article/details/107665310?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_baidulandingword-2&spm=1001.2101.3001.4242https://www.cnblogs.com/wujianming-110117/p/13845974.htmlpytorch代码实现：https://githu

1.CSPdarknet.pyimport mathfrom collections import OrderedDictimport torchimport torch.nn as nnimport torch.nn.functional as F#-------------------------------------------------## MISH激活函数#-------------------------------------------------#cla

参考链接：https://segmentfault.com/a/1190000021794637?utm_source=tag-newesthttps://blog.youkuaiyun.com/qq_38232598/article/details/88695454代码：https://github.com/YunYang1994/tensorflow-yolov3一、数据预处理1.数据标注安装labelIme：pip install labelImg在控制台输入labelImg，调出

二、模型训练代码链接：https://github.com/YunYang1994/tensorflow-yolov3本章是复现以上的代码，并自己做了些其他修改，比如数据处理、后处理等，这里只贴出修改过的一些代码，其他代码可从上面链接下载。1.convert_weight.py 下载预训练模型wget https://github.com/YunYang1994/tensorflow-yolov3/releases/download/v1.0/yolov3_coco.tar.g..

网络训练技巧：1.数据增强：缩放、随机位置截取、翻卷、随机旋转、亮度、对比度、颜色变化等方法。2.学习率衰减：随着训练的进行不断的减小学习率。例如：一开始学习率0.01，在10000步后降为0.001。用法：lr = tf.cond(tf.less(step, 10000), lambda: 0.1, lambda: 0.01)3.dropout：一般用在全连接层。用法：tf.nn.dropout4.正则化：有L1和L2正则化，较多的是L2正则化，引入正则化相当于在loss函数上面加上

文章基于opencv的shape_predictor_68_face_landmarks.dat模型，进行一些简单的人脸检测。代码1： 检测人脸–描点import matplotlib.pyplot as pltimport cv2import numpy as npimport dlib# 如果未检测到人脸,那么返回false,否则返回trueface_detector = d...

本文使用的是轻量级模型shufflenet，使用keras框架进行训练。参考链接（模型详解）：https://blog.youkuaiyun.com/zjn295771349/article/details/89704086代码如下：1.data_process.py（数据处理：这里随便选了两张照片，重复造数据，生成数据集）import numpy as npimport randomimport cv2import osimport shutil# path="data/train/"

续上篇的shufflenet_v1，这里脚本基本没变，只是更改了网络模型文件shufflenet_v2.py参考链接（详解）：https://blog.youkuaiyun.com/u011995719/article/details/814092451.data_process.py（数据处理：这里随便选了两张照片，重复造数据，生成数据集）import numpy as npimport randomimport cv2import osimport shutil # path="dat

参考链接：https://blog.youkuaiyun.com/z704630835/article/details/84135277https://github.com/dongheehand/DeblurGAN-tf数据集：代码实现：data_loader.pyimport tensorflow as tfimport osclass dataloader(): def __init__(self, args): self.channel

run：tf习惯预先定义好各种参数，运行函数，然后通过会话seesion，用.run()来启动计算。eval：也是一种启动计算的方式，与.run()类似；但是有限制条件，只能用于tf.Tensor类对象（即有输出的计算）。run与eval的区别：1.在计算一个张量时，eval相当于run的缩写，等价关系；2.run可以同时计算多个张量，eval每次只能计算一个。例1---等价：#例1---等价：import tensorflow as tfa_tensor=tf.cast(tf.c

graph的三种定义：1.直接用 2.先设定一个默认的，然后再调用 3.声明多个不同的graph，可以通过变量名分开调用# #1.1 graph的定义1：直接出graph # import tensorflow as tf# c = tf.constant(4.0)# sess = tf.Session()# sess.run(tf.global_variables_initializer())# c_out = sess.run(c)# print(c_out...

sess会话与graph的关系Graph可以创建多个数据流图，达到协同工作的目的；session会话相当于一个默认的流图，即一个计算流图。一个完整的Session会话包含：1.数据流图——计算的载体（就相当于一张白纸）2.操作对象——基础数据（比如常量：1 又或者变量：a=5）3.op——计算操作（相当于计算方法，比如：y=a+b）可以把会话想象成生活中在草稿纸上计算公式的过程，首先得...

文章参考来自：https://blog.youkuaiyun.com/qq_23981335/article/details/80525642https://blog.youkuaiyun.com/runner668/article/details/80404737这里提供了一种把图片转换成tfrecords文件的方法。先介绍下图片解码的两种方法：第一种方法是用tf.gfile.FastGFile读取图片，然后...

1.验证卷积函数的运算过程"""函数格式：tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu = Noen, name = None)1.input：指需要做卷积的输入图像要求是一个4维的Tensor，shape为[batch, in_height, in_width, in_channels]：batch：训练时一个batch的图片数量in_height：输入图像的高度in_width：输入图像的宽度in_

数据集：1.data_loader.pyimport cv2import osimport numpy as npimport random# f1=open('dataset/train_data.txt','w+')# path='dataset/'# for file in os.listdir(path):# if file.endswith('png'):# line=path+file+' 1'+'\n'# f1.w

网络介绍：https://blog.youkuaiyun.com/loveliuzz/article/details/79131131https://blog.youkuaiyun.com/jiaoyangwm/article/details/800116561.CNN---LeNet5https://blog.youkuaiyun.com/happyorg/article/details/78274066https://www.cnblogs.com/chizi15/p/9808330.htmlhttps://b

参考链接：https://www.cnblogs.com/tensorflownews/p/7293859.htmlhttp://www.360doc.com/content/17/0321/10/10408243_638692495.shtmlhttp://blog.itpub.net/31555081/viewspace-2221434/https://blog.youkuaiyun.com/qq_34000894/article/details/80421007循环神经网络——RNN：..

1.数据集2.train.pyimport numpy as npimport kerasfrom keras.utils import np_utilsfrom keras.models import Sequentialfrom keras.layers import Dense, Activation, Conv2D, MaxPooling2D, Flattenfrom keras.optimizers import Adamimport tensorflow as tf

没有微调参数，训练睁闭眼的效果差。数据集结构如第一篇文章（keras实现LeNet5）。1.model.py 构造了AlexNet、vgg13、vgg16网络#coding=utf-8from keras.models import Sequentialfrom keras.layers import Dense, Dropout, Activation, Flattenfrom keras.layers import Conv2D, MaxPooling2D, ZeroPaddin..

数据集结构如第一篇文章（keras实现LeNet5）。1.model.py 构造网络# coding=utf-8from keras.models import Modelfrom keras.layers import Input, Dense, BatchNormalization, Conv2D, MaxPooling2D, AveragePooling2D, ZeroPadding2Dfrom keras.layers import add, Flatten, Activ..

数据集结构如第一篇文章（keras实现LeNet5）。1.model.pyfrom keras.models import Modelfrom keras.layers import Input, Conv2D, GlobalAveragePooling2D, Dropoutfrom keras.layers import Activation, BatchNormalization, add, Reshapefrom keras.layers import DepthwiseConv2

参考链接：https://blog.youkuaiyun.com/dcrmg/article/details/82892909https://blog.youkuaiyun.com/leviopku/article/details/83818997棋盘效应：https://blog.youkuaiyun.com/qq_34622844/article/details/88936690https://github.com/KupynOrest/DeblurGAN/issues/41代码实现：train.py

1.LeNet5import numpy as npimport kerasfrom keras.utils import np_utilsfrom keras.models import Sequentialfrom keras.layers import Dense, Activation, Conv2D, MaxPooling2D, Flattenfrom keras.optimizers import Adamimport tensorflow as tffrom tensor

本章使用pytorch训练resnet50，使用cifar数据集。数据集：代码工程：1.train.pyimport torchfrom torch import nn, optimimport torchvision.transforms as transformsfrom torchvision import datasetsfrom torch.utils.data import DataLoaderfrom resnet50 import ResNet5

本章使用tensorflow训练resnet50，使用手写数字图片作为数据集。数据集：代码工程：1.train.pyimport argparseimport cv2import tensorflow as tf# from create_model import resnet_v2_50from create_model import resnet_v2_50import numpy as npfrom data_loader import get_data, g

本章提供了tensorflow模型常用的一些处理方法，包括：tensorboard查看ckpt网络结构tensorboard查看pb网络结构ckpt模型转pb模型pb模型转pbtxt文件测试pb模型pb模型转tflite模型测试tflite模型h5模型转pb模型测试caffe模型1.1 查看ckpt网络结构_v1.py运行脚本在控制台输入命令：tensorboard --logdir=d:/log --host=127.0.0.1浏览器输入：http.