nanodet 训练细节解读

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1k累计阅读 1k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄8年

关注

原创 2023-01-13 07:03:06 1k 阅读 AI 写同款· GEO 优化 ›

源码解读2 专栏收录该内容

¥39.90 ¥99.00

13篇文章

订阅专栏

超级会员免费看

读取数据集和 annotation

用的是COCO数据集

annotation如下，用的是instances_train2017.json
在这里插入图片描述

#coco_api会包含下面anns等信息
self.coco_api = COCO(ann_path) #instances_train2017.json
        
#这个class是anaconda自带的
class COCO:

了解本专栏

订阅专栏解锁全文

超级会员免费看

收录于

当前文章被以下社区和专栏收录：

标签

#python #深度学习

NanoDet-Plus及其代码解读 NanoDet-Plus及其代码解读一、前言lossReference: code: Nanodet 一、前言之前就有关注过NanoDet，在轻量级检测模型中，卓越的性能，引起了广泛讨论，正巧前端时间看到NanoDet作者更新了第二代模型NanoDet-Plus，同时最近在做一些知识蒸馏的工作，看到NanoDet-Plus也引入了LAD[2]的工作，于是研究了一下NanoDet-Plus代码并进行一些修改实验。关于NanoDet-Plus的实验原理等，直接见作者的文章[1]，写得很详细，写得非常棒。本文主阅读详情

相关推荐

NanoDet代码逐行精读与修改（五.2）计算Loss

介绍了nanodet中loss的计算（第一部分），非常详细地给出了每一步的过程，以320x320的默认输入和默认架构为例，给出了每一个tensor的维度！

HNU跃鹿战队的博客 2424

20、NanoDet训练、测试以及使用ncnn部署Jetson Nano 进行目标检测和串口数据转发

基本思想：最近想尝试一下nano 上部署nanodet，于是记录一下训练过程，手中有一份labelme标注的数据集，于是开始了一波操作~ 首先将图片和json数据集转成xml (https://blog.youkuaiyun.com/sxj731533730/article/details/90046780)，然后将xml数据集转成voc； import sys import os import json import xml.etree.ElementTree as ET from PIL import Im

sxj731533730 7261

等时替代模型（ Isotemporal Substitution Model）

文献阅读：Associations of sedentary time and physical activity with adverse health conditions: Outcome-wide analyses using isotemporal substitution model（该论文于2022年4月28日发表在柳叶刀子刊 EClinicalMedicine 上）

姚巨龙的博客 1万+

Android存储空间不足下，APP出现奔溃等情况

OverseasAndroid的博客 4159

智能客服系统知识库数据清洗

数据清洗（Data Cleaning）是确保智能客服知识库高效运行的重要环节，主要涉及。| 分类 & 标签优化 | 重新组织 FAQ，创建关键字索引 || 定期更新 | 结合用户反馈，每 1-3 个月优化 |才能提供更优质、正确的回答，提升客户满意度！、Zendesk、Intercom 等）中，： FAQ 或客服回答中可能存在。，会影响 AI 匹配的准确性。是一个持续优化的过程，

z1941563559的博客 2098

未隔离电源设备使用usb转串口调试导致串口模块爆炸烧坏事故记录

这个事就发生在前两天，我们公司的wifi模块被客户用到了咖啡机上，客户寄了一台整机给我们协助调试，还送了几包咖啡豆，本想着还能打个咖啡喝一喝的，但就在咖啡机刚寄过来第一天，就出事了。而这个事故的发生，竟然仅仅是因为同事接了个串口模块到电脑调试打印导致的。谁也想不到，这个3.3V的供电的wifi模块居然还有这么大的威力。直接将usb转TTL串口模块的转换芯片给爆开了，咖啡机也给弄坏了，据同事描述当时情况就只见到一片火光和一声巨响，状况比较惨烈，所幸的是笔记本电脑没有烧坏，但是直接给崩蓝屏了。 ...

fangye945a的博客 6188

Deepface实战避坑：人脸识别模型VGG-Face、Facenet、ArcFace怎么选？附各模型性能与速度实测对比

本文深入对比了DeepFace框架中VGG-Face、Facenet和ArcFace三种主流人脸识别模型的性能与适用场景，提供了详细的实测数据和选型建议。通过分析各模型在CPU/GPU环境下的推理速度、内存占用和准确率表现，帮助开发者根据实际需求（如门禁系统、相册分类或视频流分析）选择最优模型，并给出工程化部署的避坑指南和优化技巧。

weixin_42625070的博客 305

【Simulink教程案例18】基于simulink的基础OFDM+64QAM发射接收链路仿真

OFDM(Orthogonal Frequency Division Multiplexing)即正交频分复用技术，实际上OFDM是MCM(Multi Carrier Modulation)，多载波调制的一种。通过频分复用实现高速串行数据的并行传输, 它具有较好的抗多径衰落的能力，能够支持多用户接入。OFDM技术由MCM（Multi-Carrier Modulation，多载波调制）发展而来。OFDM技术是多载波传输方案的实现方式之一，它的。

FPGA/MATLAB学习教程/源码/项目合作开发 1984

【即插即用模块】注意力篇 | TGRS 2025 | CDFIM：通道+空间多尺度注意力，双模态特征融合增强，性能翻倍！

C2DFF-Net提出了一种轻量级跨模态特征融合模块CDFIM，通过模态差异感知和多尺度深度滤波增强双模态互补信息。该模块采用通道-空间注意力协同机制，以极低计算成本（仅增加0.26M参数）提升多模态目标检测性能，在三个遥感数据集上平均提升mAP约1.7%。适用于无人机等边缘设备的实时检测任务，为跨模态融合提供高效解决方案。

AutoSAR MemMap模块详解及使用注意事项

在本文中,我们将深入探讨MemMap模块的实例解析,并介绍在使用该模块时需要注意的一些事项。在上述代码中,我们使用了MEMMAP_START_SEC_VAR_32BIT和MEMMAP_START_SEC_CODE来定义MemMap区域的起始位置,使用MEMMAP_STOP_SEC_VAR_32BIT和MEMMAP_STOP_SEC_CODE来定义MemMap区域的结束位置。1.合理划分MemMap区域:根据实际需求,合理划分MemMap区域,将不同类型的变量放置在不同的区域中,以便于管理和访问。

weixin_50547796的博客 2529

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

复分析阿尔福斯(Ahlfors) 第三版答案英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！

OV9734 DATASHEET，完整规格书

OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等

上一篇： GIOU 附图说明

下一篇： leetcode 1519. Number of Nodes in the Sub-Tree With the Same Label（子树中相同Label的节点个数）

NanoDet代码逐行精读与修改（五.2）计算Loss