h363924219的博客

行人重识别Reid(一):Person_reID_baseline_pytorch文章目录行人重识别Reid(一):Person_reID_baseline_pytorch前言一、reid 定义1、什么是reid2、reid_baseline二、准备工作1、环境2、code3、数据三、训练1、生成训练数据2、开始训练三、测试1、特征提取2、评测四、简单的可视化五、总结前言最近项目上有人员轨迹识别的需求，传统使用手机基站定位法数据获取难度大，后来确定还是用图像识别的方法来做，据了解可以借助REID技

yolox训练自己的数据最近又需要训练图像识别模型，之前体验过yolov5，yolox也出来很久了还没来得及认识，这次就体验下，参考项目地址：https://github.com/Megvii-BaseDetection/YOLOX文章目录yolox训练自己的数据前言一、环境工作二、数据准备三、先测试体验yolox1.下载Yolox的pth文件2.demo测试四、准备自有数据集五、修改配置文件1.voc_classes.py2.yolox_voc_s.py3.yolox_base.py4.voc.py

学习目标体验基于PaddleGAN的图像上色、补针、超分等功能，涉及模型包括DAIN、DeOldify、RealSR、DeepRemaster、EDVR、PPMSVSR等。一、算法原理1.补帧模型DAINDAIN 模型通过探索深度的信息来显式检测遮挡。并且开发了一个深度感知的流投影层来合成中间流。在视频补帧方面有较好的效果。2.上色模型DeOldify3.上色模型DeepRemasterDeepRemaster 模型基于时空卷积神经网络和自注意力机制。并且能够根据输入的任意数量的参考帧对

学习目标：体验基于PaddleGAN的真实人脸实现动漫化，相关模型：AnimeGANv2。AnimeGANv2原理：人脸动漫化（Photo to Cartoon）是指将真实人脸转化成动漫风格，在保持原图像ID信息和纹理细节的同时，将真实照片转换为卡通风格的非真实感图像。AnimeGAN基于2018年CVPR论文CartoonGAN基础上对其进行了一些改进，主要消除了过度风格化以及颜色伪影区域的问题。对于具体原理可以参见作者知乎文章。AnimeGANv2是在AnimeGAN的基础上添加了total v

学习目标：体验基于PaddleGAN的图像生成模型实现的人脸融合，模型名称：StyleGAN V2StyleGAN V2 原理：StyleGAN V2 的任务是image generation，给定特定长度的向量，生成该向量对应的图像，是StyleGAN的升级版，解决了StyleGAN生成的伪像等问题。StyleGAN V2 可对多级风格向量进行混合。其内核是自适应的风格解耦。相对于StyleGAN，其主要改进为:生成的图像质量明显更好(FID分数更高、artifacts减少)提出替代渐进式训

学习目标：提示：这里可以添加学习目标例如：一周掌握 Java 入门知识学习内容：提示：这里可以添加要学的内容例如：1、 搭建 Java 开发环境2、 掌握 Java 基本语法3、 掌握条件语句4、 掌握循环语句学习时间：提示：这里可以添加计划学习的时间例如：1、 周一至周五晚上 7 点—晚上9点2、 周六上午 9 点-上午 11 点3、 周日下午 3 点-下午 6 点学习产出：提示：这里统计学习计划的总量例如：1、 技术笔记 2 遍2、优快云 技术博客 3 篇

基于PaddleGAN项目人脸表情动作迁移学习记录（一）环境配置，代码准备文章目录基于PaddleGAN项目人脸表情动作迁移学习记录（一）环境配置，代码准备前言一、PaddleGAN是什么？二、PaddleGAN使用步骤1.为Paddle单独创建环境2.获取源码3.安装基础包总结前言一直以为人脸表情迁移与照片修复是比较有意思的技术，最近百度开源了PaddleGAN,就尝试测试一下效果，特此记录体验过程，方便后续查阅。一、PaddleGAN是什么？PaddleGAN 是一个基于飞桨的生成对抗网

项目场景：近期在研究人脸算法，需要用到dlib库，已经在window环境中正常跑通代码，准备把程序部署到服务器上，却卡在了安装dlib库上，耗费了大半天时间，特地记录一下纪念耗费掉的时间。问题描述：anaconda已经正常安装，按照常规操作进行pip安装：pip install dlib报错信息如下：…– Using CMake version: 3.20.5– Compiling dlib version: 19.22.1CMake Error at /tmp/pip-instal

场景：从网上下载了阿里云算法大赛图像识别的数据集，提供的是json格式，计划通过yolo算法进行练习，所以需要改造标注文件格式，记录一下备用原json格式数据集如下：[ { "name": "223_89_t20201125085855802_CAM3.jpg", "image_height": 3500, "image_width": 4096, "category": 4, "bbox": [

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录场景一、视频文件横向合并二、视频压缩场景需求：视频检测项目遇到要将检测视频和检测结果弹窗进行合并放在一个视频文件内，且要求不能太大。提示：以下是本篇文章正文内容，下面案例可供参考一、视频文件横向合并准备两个视频文件，格式尽量一样，我的视频文件分别是im.avi和bg.avi,直接上代码。import cv2import numpy as np INPUT_FILE1 = 'im.avi'INPUT_FILE2

正在学习TensorFlow2.0，为了更好的理解数据建模分类问题，对比不同算法的差异和原理，利用入门级的图像识别案例，尝试对比传统机器学习的建模效果。1.导入需要的包将需要的包全部导入，这里部分包在此案例中没有用到，懒的删了，实际项目中最好不要导入多余包。import tensorflow as tfimport pandas as pdimport numpy as npfrom tensorflow import kerasfrom tensorflow.keras import lay

近期因为项目需要频繁配置服务器环境，本人之前也不习惯写总结，只是在自己的网络笔记本上记一下关键命令，导致很多重复性的工作还要二次查阅资料，所以以后尽量记录自己的操作过程，方便自己，方便他人。本内容只介绍pytorch的环境配置，yolov5运行请参考另一文章：yolov5训练自己的模型。系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章 Python 机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录系列

yolov5训练自己的数据最近项目涉及计算机视觉，前期已训练了一些模型，但实时识别性能上总是有些欠缺，听说yolov5进行了深度模型压缩，可以快速提高识别效率，所以就把代码拉下来试试，参考项目地址：https://github.com/ultralytics/yolov5文章目录yolov5训练自己的数据准备工作一、准备数据二、调整参数1.调整data中yaml文件2.修改model下yaml文件三、执行训练2.参数说明2.文件说明四、预测总结准备工作yolov5 是源码是基于pytorch框架