<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[迷若烟雨的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/minstyrain</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; minstyrain]]></copyright><item><title><![CDATA[算法清醒，底层逻辑]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/123371190</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/123371190</guid><author>minstyrain</author><pubDate>Sat, 23 Sep 2023 17:32:48 +0800</pubDate><description><![CDATA[算法工程师是一个在客观环境限制和明确的业务目标指引下，利用自己的算法和工程技术能力解决问题的职业。]]></description><category></category></item><item><title><![CDATA[ID保持的人像生成]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/133176908</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/133176908</guid><author>minstyrain</author><pubDate>Fri, 22 Sep 2023 16:53:55 +0800</pubDate><description><![CDATA[个人写真模型的能力来源于Stable Diffusion模型的文生图功能，输入一段文本或一系列提示词，输出对应的图像。个人写真模型的能力分为训练与推断两个阶段，训练阶段生成用于微调Stable Diffusion模型的图像与文本标签数据，得到人脸LoRA模型；的个人写真，在极短的时间拥有了大量的付费客户. 目前面临很多的挑战: 超长的训练微调时间、大的存储需求、需要输入多张图(落地时期望只输入一张)、在保持ID和风格可编辑间进退维谷、此消彼长.不能处理风格图片，只能用于写真。]]></description><category></category></item><item><title><![CDATA[查看GPU使用的最佳方式]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/50993591</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/50993591</guid><author>minstyrain</author><pubDate>Fri, 28 Jul 2023 16:41:09 +0800</pubDate><description><![CDATA[查看GPU利用率的最佳工具nvitop]]></description><category></category></item><item><title><![CDATA[AIGC从入门到精通]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/130289285</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/130289285</guid><author>minstyrain</author><pubDate>Fri, 21 Apr 2023 15:09:52 +0800</pubDate><description><![CDATA[美观性、风格化和可控性是时下流行的 文成图 面临的三座大山，所谓美观性，指的是符合美学规则，不能有脸部畸变、等瑕疵；所谓风格化，指的是有动漫、二次元等多种多样的分割；所谓可控性，指的是可以自由、轻松的控制生成图片中人物的性别、年龄、质态、种族、服装以及场景、光线等的能力. SDXL大幅提升了出图的质量，再也不需要冗长的咒语才能生成差强人意的图片；Lora仅需要数十张目标人物的图就可以高质量的生成特定人物；ControlNet大幅提升了对于姿态、线条等的控制能力]]></description><category></category></item><item><title><![CDATA[pytorch 多GPU训练]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/127731963</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/127731963</guid><author>minstyrain</author><pubDate>Tue, 08 Nov 2022 18:55:55 +0800</pubDate><description><![CDATA[普通训练流程，以mnist为例在2080Ti上训练2个epoch耗时13秒.]]></description><category></category></item><item><title><![CDATA[insightface pytorch 答疑指南]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/126901471</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/126901471</guid><author>minstyrain</author><pubDate>Sat, 17 Sep 2022 10:22:07 +0800</pubDate><description><![CDATA[​
之前写过一篇人脸识别从原理到实践 详细介绍了人脸识别相关的算法、模型和Loss等，里面也提到insightface成为当前工业事实上的基准。但是它各种牛逼，唯一不足的点就是开始时选了mxnet框架开发，奈何现在基本没什么人用了，所以在22年3月官方悄悄的把主线版本特别是PartialFC的实现换成了pytorch，而且更早之前经历过一次大的文件结构调整，加入了paddle、oneflow等很多框架的实现，但是也导致很多之前教程给的路径都找不到了，还有一些文件直接就删除了，这对于新入手造成了很大的困扰
]]></description><category></category></item><item><title><![CDATA[Baking Neural Radiance Fields for Real-Time View Synthesis]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/125423087</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/125423087</guid><author>minstyrain</author><pubDate>Thu, 23 Jun 2022 11:05:33 +0800</pubDate><description><![CDATA[ICCV 2021 OralBaking Neural Radiance Fields for Real-Time View Synthesis代码地址 snerg摘要神经辐射场在3D场景新视角合成方面取得了惊艳的进展，与之而来的是实时渲染上遇到了麻烦因为其在每个视角都要进行成百上千次的网络推理。我们提出了一个方法来训练NeRF，并且预计算和存储（也叫做烘培） 到SNeRG（稀疏神经辐射网格）。为了达到这个目的，我们提出了延迟渲染策略和一个稀疏的网格表达。结果表明其不进可以保留NeRF渲染高保真细节和视角相]]></description><category></category></item><item><title><![CDATA[训练NeRF模型的几个建议]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/124904045</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/124904045</guid><author>minstyrain</author><pubDate>Sat, 21 May 2022 22:02:09 +0800</pubDate><description><![CDATA[如何快速训练处一个理想效果的NeRF, instant-ngp给了一些提示]]></description><category></category></item><item><title><![CDATA[NeRF 从入门到精通]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/123858806</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/123858806</guid><author>minstyrain</author><pubDate>Wed, 30 Mar 2022 22:23:14 +0800</pubDate><description><![CDATA[NeRF是当前最为火热的研究领域之一，效果非常惊艳，它要解决的问题就是给定一些拍摄的图，如何生成新的视角下的图. 不同于传统的三维重建方法把场景表示为点云、网格、体素等显式的表达，它独辟蹊径，将场景建模成一个连续的5D辐射场隐式存储在神经网络中，只需输入稀疏的多角度带pose的图像训练得到一个神经辐射场模型，根据这个模型可以渲染出任意视角下的清晰的照片。因此通俗来讲就是构造一个隐式的渲染流程，其输入是某个视角下发射的光线的位置o，方向d以及对应的坐标(x,y,z)，送入神经辐射场Fθ得到体密度和颜色....]]></description><category></category></item><item><title><![CDATA[yolov5从入门到精通]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/123486914</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/123486914</guid><author>minstyrain</author><pubDate>Mon, 14 Mar 2022 20:09:34 +0800</pubDate><description><![CDATA[已经有很多的博文讲解了yolov5的原理以及如何用标注的数据，比如深入浅出Yolo系列之Yolov5核心基础知识完整讲解 

标注数据是一项费时费力的工作，如果能用生成的数据来快速验证一些实验，岂不美哉

这里以检测圆为例，详细介绍每个步骤

首先是训练数据的生成和可视化


import os
import cv2
import math
import random
import numpy as np
from tqdm import tqdm

def generate():
    img = n.]]></description><category></category></item><item><title><![CDATA[MobileHumanPose: Toward real-time 3D human pose estimation in mobile devices]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/123331113</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/123331113</guid><author>minstyrain</author><pubDate>Mon, 07 Mar 2022 15:23:44 +0800</pubDate><description><![CDATA[当前3D姿态估计的方法受限于精度和速度的要求无法在移动端跑起来，本文提出了一个移动端可用的模型，可以从单张RGB图实时估计3D人体姿态。这个模型包括修改后的MobileNetV2骨干，参数化的激活方式以及类似于UNet的跳层连接.特别是跳层连接在仅增加很少算量的情况下可以大幅提升精度。我们的模型不仅精度可以和最好的方法可比速度更是它的好几倍，此外我们的模型在三星S20CPU上可以跑到12.2ms的速度，这使得其可以用于移动端姿态估计任务.]]></description><category></category></item><item><title><![CDATA[虚拟试鞋行业分析及首篇论文解读]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/120176905</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/120176905</guid><author>minstyrain</author><pubDate>Wed, 08 Sep 2021 14:32:30 +0800</pubDate><description><![CDATA[虚拟试穿技术使得用户可以试穿多种时尚物品并且提供了了方便的在线购物体验.然而，之前的工作主要集中在衣服上，很少有人做鞋子的，这也在一个很重要的品类，因此我们提出了名为ARShoe的手机端实时虚拟试鞋系统.其改造了多分枝网络来识别姿态和分割，实现了产生真实感体验的遮挡效果。为了达到平滑和稳定的效果，本文还开发了一个稳定策略.为了训练和评估，我们构建了首个大规模脚部评估数据集并且进行了标注，实际测试表明本文方法的有效性.




............]]></description><category></category></item><item><title><![CDATA[虚拟试衣 原理与应用]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/118340082</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/118340082</guid><author>minstyrain</author><pubDate>Tue, 29 Jun 2021 17:44:17 +0800</pubDate><description><![CDATA[虚拟试衣是一种能够使用户无需实际脱衣更换衣物，便可实现实时选装、换装和查看试衣效果的技术。它基于用户身体的三维数据，运用计算机图形学原理建立用户自己的三维人体模型，同时大量的服装效果图存储在计算机中，用户可以选择自己喜欢的服装，将选择的服装“穿”到自己的三维人体模型上，最终得到用户三维人体着装的立体效果图。技术构成一般包括三维人体测量、人体建模、服装建模、面料仿真和虚拟试穿等技术。它提供了一种全新的线上线下试衣体验，线上试衣系统借助APP实现，线下虚拟试衣依靠AR镜子实现。服装市场竞争压力越来越大的当下..]]></description><category></category></item><item><title><![CDATA[Paddle单阶段口罩检测]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/83149124</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/83149124</guid><author>minstyrain</author><pubDate>Sat, 21 Nov 2020 11:32:31 +0800</pubDate><description><![CDATA[Paddle官方有一个口罩检测的示例，但是其是两阶段的，首先要检测出人脸，再将裁剪下来的人脸进行二分类.

facemask曾基于YOLO V2实现过单阶段口罩检测，但是速度在移动端不是很快，仅能用于服务端部署，且由于样本缺乏，实测精度也不是很高.

FaceMaskDetection 实测速度非常快，在CPU上就能实时，而且开源了网络结构，还能进一步压缩耗时，其提供了caffe、pytorch、tensorflow、onnx和mxnet等近乎全平台的支持，美中不足的是唯独缺了paddle]]></description><category></category></item><item><title><![CDATA[mmpose教程]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/109363380</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/109363380</guid><author>minstyrain</author><pubDate>Thu, 29 Oct 2020 16:36:07 +0800</pubDate><description><![CDATA[mmpose是商汤开源的一款基于 PyTorch 的姿态分析的开源工具箱，是OpenMMLab项目的成员之一。主分支代码目前支持PyTorch 1.5 以上的版本 ，目前官方已有中文教程]]></description><category></category></item><item><title><![CDATA[pytorch 从入门到精通]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/105468221</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/105468221</guid><author>minstyrain</author><pubDate>Sun, 12 Apr 2020 13:35:57 +0800</pubDate><description><![CDATA[中Tensor和Variable有什么区别？DataSet要实现哪几个函数？怎么获取网络的计算量和模型大小？有哪几种模型加载和保存方式？有哪些提高pytorch 训练速度的trick?预处理加速PyTorch源码解读之。]]></description><category></category></item><item><title><![CDATA[树莓派基于深度学习的一些有趣应用]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/82386011</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/82386011</guid><author>minstyrain</author><pubDate>Sun, 08 Sep 2019 12:48:51 +0800</pubDate><description><![CDATA[​​​​​​​树莓派（Raspberry Pi，下面简称RPi）是一系列由英国树莓派基金会（Raspberry Pi Foundation）开发的仅信用卡大小的微型计算机，其初衷是在学校以及发展中国家推广基础计算机科学]]></description><category></category></item><item><title><![CDATA[人脸性别和年龄识别]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/83212565</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/83212565</guid><author>minstyrain</author><pubDate>Sat, 20 Oct 2018 13:22:16 +0800</pubDate><description><![CDATA[本文是对age-gender-estimation项目的详细讲解，它给出了使用keras进行性别和年龄识别的完整流程。
]]></description><category></category></item><item><title><![CDATA[北京2018积分落户名单]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/83116721</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/83116721</guid><author>minstyrain</author><pubDate>Wed, 17 Oct 2018 20:06:31 +0800</pubDate><description><![CDATA[北京2018积分落户名单已经公示出来了,地址在北京人力和社会保障局官网,共有6019人获得，恭喜他们，最低分为90.75分。

Update:2019 年的也出来了，详情请见https://blog.youkuaiyun.com/minstyrain/article/details/102642906.

网站每页只能显示100页的内容，浏览起来很不方便，这里提供完整的excel表格形式的数据，详见百度网盘(...]]></description><category></category></item><item><title><![CDATA[mmdetection 港中文媒体实验室开源的检测工具箱和评估基准]]></title><link>https://blog.youkuaiyun.com/minstyrain/article/details/83054845</link><guid>https://blog.youkuaiyun.com/minstyrain/article/details/83054845</guid><author>minstyrain</author><pubDate>Mon, 15 Oct 2018 10:12:40 +0800</pubDate><description><![CDATA[mmdetection是商汤开源的用于深度学习目标检测的库, 相比于早先开源的Detectron,maskrcnn-benchmark和SimpleDet具有以下特性:
模块化设计，将检测或者分割任务分解成几个模块，通过模块的组合即可完成相应的任务
开箱即用，实现了多种目标检测和分割算法，易于配置和使用
高效 所有对包围框和掩码的操作都可以在GPU上完成
领先性,获得过2018年COCO检测比赛的冠军，并且还在不断进化]]></description><category></category></item></channel></rss>