ouening的博客

Python：3.10CUDA:11.3detectron2：0.6torch：1.11.0+cu113git clone detectron2的源码之后执行python setup.py build_ext进行编译，出现以下错误：D:/Applications/WPy64-31040/python-3.10.4.amd64/lib/site-packages/torch/include\c10/macros/Macros.h(142): warning C4067: 预处理器指令后有意外标记 -

使用pysimplegui构建了简单的GUI界面，需要输入config，checkpoint和待检测的图片，指定检测设备（GPU或CPU）,指定阈值。import ioimport osimport PySimpleGUI as sgfrom PIL import Imageimport numpy as npimport warningsimport mmcvimport torchwarnings.filterwarnings("ignore")from mmdet.apis imp

mmdetection版本：2.24.1pytorch版本：1.11.0官方文档Tutorial 11: How to xxx — MMDetection 2.24.1 documentation对更换backbone已经有了比较详细的介绍，特别是较新的版本已经支持mmcls库以及timm库中的现有分类网络，一般直接拿来修改使用即可，但这里最重要的一点就是需要保证修改后的backbone要和后面的neck结构进行进行匹配，主要是通道数方面。目标检测模型的通用结构如下图所示，如果更改backbone后导致

CUDA: 11.1NVIDIA Driver： 460.91.03OS: Ubuntu21.04笔者前段时间使用sudo do-release-upgrade命令从Ubuntu20.04升级到了21.04，原来的cuda和nvidia驱动程序没有损坏，但是python默认版本已经变成了3.9，所以需要重新安装python包。在安装mmcv-full的时候，编译出错（详细日志信息见文末），看提示信息应该是gcc/g++版本作怪，遂安装了gcc-9.3版本，按照https://www.jianshu.c

参考链接： https://learnopencv.com/introduction-to-epipolar-geometry-and-stereo-vision/数据集： https://vision.middlebury.edu/stereo/data/scenes2014/测试图片1（请从源数据集下载，展示的图片为截图）：测试图片2（请从源数据集下载，展示的图片为截图）：# -*- coding: utf-8 -*-"""Created on Wed Aug 11 11:47:26 2

目标检测任务下图像扩增经常使用imgaug库，笔者实现了基于imgaug库的VOC格式图像数据扩增，有兴趣小伙伴可以了解一下，代码位于：https://github.com/ouening/OD_dataset_conversion_scripts/blob/master/voc_augument.py本博文主要介绍另一个图像处理工具新秀——kornia，在去最新版本中已经新增了augmentation接口，可以很方便地进行图像数据扩增，包括常规类型、bbox类型、segment类型和keypoi

pytorch: 1.9.0torchvision: 0.10mmdetection: 2.15.0mmcv: 1.3.10测试图片（图片大小：720x1280）：之前博主写过一篇pytorch模型特征可视化的博文：pytorch卷积网络特征图可视化 ，本篇博文想记录一下目标检测模型的特征图可视化，这个在很多OD的论文上都可以看到CAM图，其实操作起来和前面博文介绍的基本一致，主要是看选取哪层conv的输出作为特征，然后经过颜色转换后叠加到原图去，获取特征图的方法主要用到钩子函数，顾名思义，将特征

# -*- coding: utf-8 -*-"""Created on Tue Aug 3 22:35:14 2021@author: Wenqing Zhou (zhou.wenqing@qq.com)@github: https://github.com/ouening"""import numpy as npfrom numpy import cos,sin,exp,abs,ceilimport matplotlib.pyplot as pltrandn = np.rand

环境：Win10， python3.8， detectron2（0.5），pytorch：1.9，torchvision：0.10.0测试图片：测试视频： https://pixabay.com/videos/street-road-traffic-cars-driving-3617/参考链接：https://www.youtube.com/watch?v=Pb3opEFP94U测试代码：'''Original source: https://www.youtube.com/watch?v=P

测试环境：OS: Win10CUDA: 11.0pytorch: 1.7.1GPU: 3060Tipython：3.8Detectron: 0.3（笔者可以在win环境成功编译安装detectron2Detectron2模型数量虽然比mmdetection少，不过有些论文还是用Detectron2做的，因此有必要了解一下如何用Detectron2训练自定义数据集。关于mmdetection下训练coco格式的自定义数据请移步笔者另一篇博文：mmdetection-v2.3安装配置及训练自定义

# -*- coding: utf-8 -*-"""Created on Tue Oct 27 09:25:51 2020@author: LX"""#%%特征可视化import matplotlib.pyplot as pltimport cv2import numpy as npfrom PIL import Imagefrom torchvision import models, transformsimport torchimport timmclass SaveCon

onnx官方提供了onnx格式的模型，下载地址：https://github.com/onnx/models/tree/master/vision/object_detection_segmentation/ssd下载后使用netron查看该模型，如下图所示：程序import numpy as np # we're going to use numpy to process input and output dataimport onnxruntime # to inference O

从pytorch模型导出onnx模型，可以参考笔者的前一篇博文https://blog.youkuaiyun.com/ouening/article/details/109245243使用netron查看onnx模型结构，如下图：注意输入输出的名称name以及数据类型和维度type程序import numpy as np # we're going to use numpy to process input and output dataimport onnxruntime # to inf.

计算标量函数：y=x3+sin(x)y=x^3+sin(x)y=x3+sin(x)在x=1,π,5x=1,\pi,5x=1,π,5时的一阶导dydx\frac{dy}{dx}dxdy​和二阶导d2ydx2\frac{d^2y}{dx^2}dx2d2y​，程序代码如下：# -*- coding: utf-8 -*-"""Created on Mon Sep 28 08:59:50 2020@author: 周文青利用torch.autograd计算单变量标量函数y=x^3+sin(x)在x分别

opencv中dnn模块的接口可以加载caffe，TensorFlow，darknet和onnx等模型，虽然目前pytorch非常流行，但由于pytorch属于动态图，部署的时候没有静态图方便，虽然可以转换为onnx模型，但个人使用经验来看仍然存在很多接口兼容性问题。使用cv2.dnn.readNetFromTensorFlow加载tf模型算是目前比较好的方法。下面记录采用cv2.dnn.readNetFromTensorFlow接口加载tf1.X版本的预训练模型并实现推理（似乎还不支持tf2.x版本）

系统：Ubuntu18.04python：3.6.9mmdetection支持非常多的目标检测模型，从经典的Faster RCNN、SSD等，到最新的DetectoRS，还有灵活多变的配置文件，使其成为了目前最流行的目标检测框架之一。项目开发也非常活跃，这对我们用户来说是好事，这意味着拥有更稳定的版本迭代。本文主要记录使用mmdetection2.3版本训练自定义数据集的关键流程，有些细节已经省略，大家酌情参考。安装mmcv-full。mmdetection依赖于mmcv，并且要安装pytorch