linghu8812的博客

相关代码如下：import torchimport torchvision.opsfrom torch import nnclass DeformableConv2d(nn.Module): def __init__(self, in_channels, out_channels, kernel_size=3, stride=1,

文章目录1. 需要用到的库2. 模型定义3. 测试基于上一篇文章https://blog.youkuaiyun.com/linghu8812/article/details/100044971，这次介绍一下网络模型的定义。1. 需要用到的库import torchimport torch.nn as nnfrom torchvision.models import resnet50基于ResNet50定义网络模型，在此基础上进行微调。2. 模型定义class CatVSDogNet(nn.Module

Ubuntu18.04配置yolov5目标检测

1.安装mmcv1.1 安装方法方法1pip install mmcv-full -f ttps://download.openmmlab.com/mmcv/dist/{cu_version}/{torch_version}/index.html方法2pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu110/torch1.7.0/index.html方法3git clone https://g

1. 下载项目git clone git@github.com:JDAI-CV/fast-reid.git2. 安装依赖安装requirements.txtconda create -n fastreid python=3.7conda activate fastreidconda install pytorch==1.6.0 torchvision tensorboard -c pytorchpip install -r docs/requirements.txt编译rank_c

文章目录mmpose PyTorch模型转TensorRT1. github开源代码2. PyTorch模型转ONNX模型3. ONNX模型转TensorRT模型3.1 概述3.2 编译3.3 运行4. 推理结果mmpose PyTorch模型转TensorRT1. github开源代码yolov5 TensorRT推理的开源代码位置在https://github.com/linghu8812/tensorrt_inference/tree/master/mmpose，PyTorch转onnx的代码是

1. 查看anchorsyolov5模型在训练自己的数据集之前会进行autoanchor check，autoanchor check会自动对数据集中的ground truth boxes进行key means聚类，产生新的anchors以提高模型检测的mAP，可以通过以下代码查看新的生成的anchors：import torchfrom models.experimental import attempt_loadmodel = attempt_load('./weights/yolov5s.

深度学习模型剪枝、量化和TensorRT推理模型剪枝算法参考文献：Rethinking the Value of Network Pruning (ICLR 2019)github：https://github.com/Eric-mingjie/rethinking-network-pruningRethinking the Value of Network Pruning这篇文献主要介绍了以下几种剪枝算法，并在github上开源了代码，在ImageNet和cifar两个数据集上进行了测试，论文

1. 问题当MXNet模型的Batch Normalization的fix_gamma参数为True时，会导致转ONNX模型失败，此时输出的ONNX参数如下图所示，导致ONNX的推理结果和MXNet不一致。2. 解决方法出现MXNet Batch Normalization的fix_gamma参数等于True时，可以手动修改batchnorm_gamma参数值，使ONNX模型输出正常，相关代码如下：sym, arg_params, aux_params = mx.model.load_check

深度学习模型PyTorch训练与TensorRT部署

1. demo.py在图片上实现单张图片的检测可以通过以下命令实现python3 demo.py --config-file ../configs/PascalVOC-Detection/faster_rcnn_R_50_FPN.yaml \ --input cat.jpg \ --output result_cat_voc.jpg \ --opts MODEL.WEIGHTS ....

目录1. 数据准备1.1 下载VOC数据1.2 生成数据标签1.3 下载预训练模型2. 训练数据2.1 准备cfg文件2.2 准备训练脚本文件sh完成darknet环境配置后，可以在darknet框架下进行目标检测数据训练。1. 数据准备1.1 下载VOC数据参考https://pjreddie.com/darknet/yolo/网站介绍，下载VOC数据。wget https://pjr...

1.准备VOC数据下载VOC数据，将VOC数据放在datasets文件夹下，VOC2007和VOC2012两个文件夹分开放，文件夹下结构不用改变。datasets|----VOC2007|----VOC20122. 数据训练通过以下命令开始训练。CUDA_VISIBLE_DEVICES=0 python3 train_net.py \ --config-file ../confi...

1. 背景介绍detectron2项目地址：https://github.com/facebookresearch/detectron2FasterRCNN论文：https://arxiv.org/abs/1506.01497COCO数据集：http://cocodataset.org/#homeVOC数据集：http://host.robots.ox.ac.uk/pascal/VOC/...

1.需要用到的库设置学习率和模型import mathimport matplotlib.pyplot as pltimport torch.optim as optimfrom torchvision.models import resnet18lr_rate = 0.1model = resnet18(num_classes=10)2.LambdaLR实现cosine...

目录InsightFace算法学习开源仓库识别算法配置相关算法算法测试参考文献InsightFace算法学习开源仓库InsightFace: https://github.com/deepinsight/insightface识别算法配置安装mxnetpip install mxnet-cu80 #or mxnet-cu90 or mxnet-cu100下载insightfac...

目录1. 概述2.darknet配置2.1 下载darknet2.2 编译darknet3.测试3.1 测试图片3.2 测试视频1. 概述YOLO官方网址：https://pjreddie.com/darknet/yolo/作者开源项目地址：https://github.com/pjreddie/darknetYOLOv1论文地址：https://...

目录1. 环境要求2. 安装步骤2.1 安装cocoapi2.2 安装apex2.3 配置maskrcnn-benchmark maskrcnn-benchmark是facebook research开源的目标检测和实例分割的算法仓库，可以实现的模型有Faster RCNN，Mask RCNN，RetinaNet等。1. 环境要求PyTorch...

目录1. 需要用到的库2. 数据扩充定义3. 自定义Dataset4. 测试 开始一个新的系列，基于Kaggle比赛的猫狗大战数据集，基于PyTorch实现猫狗图像分类。 数据集地址在：https://www.kaggle.com/c/dogs-vs-cats-redux-kernels-edition/overview。 ...

目录综述Deep Learning图像分类LeNetAlexNetZFNetInception系列VGGResNetDenseNetResNeXtSENetEfficientNet目标检测RCNNOverFeatSPPFast RCNNFaster RCNNR-FCNFPNSSD系列YOLO系列Reti...