从DETR到YOLO:模型计算量(FLOPs)和参数量(Params)的全面解析与优化技巧

计算模型的GFLOPs和参数量 & 举例VGG16和DETR 近期忙于写论文,分享一下论文中表格数据的计算方法。FLOPS:注意S是大写,是“每秒所执行的浮点运算次数”(floating-point operations per second)的缩写。它常被用来估算电脑的执行效能,尤其是在使用到大量浮点运算的科学计算领域中。正因为FLOPS字尾的那个S,代表秒,而不是复数,所以不能省略掉。 FLOPs:注意s小写,是floating point operations的缩写(s表复数),意指浮点运算数,理解为计算量。可以用来衡量算法/模型的复杂度。 GFLOPs:一个 阅读详情

从DETR到YOLO:模型计算量(FLOPs)和参数量(Params)的全面解析与优化技巧

在计算机视觉模型部署的实战中,我们常常会听到两个绕不开的术语:FLOPs 和 Params。对于很多开发者来说,这两个数字就像是模型的“体检报告”,直观地反映了模型的“体重”和“饭量”。但仅仅知道这两个数字的大小是远远不够的。你是否曾困惑,为什么一个参数量更小的模型,推理速度反而更慢?或者,在尝试使用 ptflops 或 thop 等工具计算自己魔改后的模型时,总会遇到各种意想不到的报错?这篇文章,我将结合在DETR系列和YOLO系列模型上踩过的坑,为你拆解这两个核心指标背后的原理、精确的计算方法,以及真正能落地的优化策略。我们的目标不是复述教科书定义,而是让你拿到一个模型后,能像老中医一样,通过“望闻问切”,精准定位其计算瓶颈,并动手进行有效的“瘦身”和“提速”。

1. 理解FLOPs与Params:超越数字的深层含义

当我们谈论模型的计算量(FLOPs)和参数量(Params)时,绝不能停留在“越小越好”的简单结论上。这两个指标背后,关联着模型部署和优化的方方面面。

FLOPs,即浮点运算次数,通常用来衡量模型的时间复杂度。一个常见的误解是,FLOPs直接等于推理时间。实际上,FLOPs反映的是理论计算负担,而真实的推理速度还受到内存带宽、算子优化程度、硬件并行能力(如GPU的Tensor Core利用率)的极大影响。例如,一个FLOPs很高的模型,如果其计算模式非常规整,能充分利用硬件特性,其实际速度可能比一个FLOPs较低但计算模式零散的模型更快。

Params,即参数量,衡量的是模型的空间复杂度,主要指模型权重所占用的存储空间。它直接影响模型文件的大小和加载到内存/显存中的占用。然而,参数量并不完全等同于内存占用。在训练或推理过程中,中间激活(Activation)所产生的内存开销,有时甚至会远超参数本身,尤其是在使用大Batch Size或高分辨率输入时。

为了更清晰地理解两者的区别和联系,我们可以看下面这个对比表格:

特性维度FLOPs (计算量)Params (参数量)
核心定义完成一次前向传播所需的浮点运算次数模型中所有可学习权重(Weights)和偏置(Biases)的总数
主要影响推理/训练速度的理论上限模型存储大小与内存占用的基础部分
优化目标降低计算延迟,提升吞吐量减少磁盘占用,便于在边缘设备部署
典型关联层卷积层、全连接层、注意力层所有带可学习参数的层
不直接反映实际硬件上的精确耗时运行时中间激活的内存峰值

提示:在评估模型效率时,务必结合目标硬件进行实测。FLOPs和Params是重要的理论参考,但“端到端延迟”(End-to-End Latency)和“峰值内存占用”(Peak Memory Usage)才是最终的用户体验指标。

理解了基本概念后,一个很自然的问题就是:我们该如何准确地计算出这两个值?尤其是在面对像DETR这样结构相对新颖,或者自己修改过的模型时,直接套用工具常常会碰壁。接下来,我们就从工具使用和原理剖析两个层面,来解决这个问题。

2. 计算工具实战:破解ptflops与thop的“黑盒”

市面上计算FLOPs和Params的工具有不少,ptflops 和 thop 是PyTorch生态中最常用的两个。它们用起来看似简单,但暗藏玄机。

2.1 基础用法与内在逻辑

这两个库的核心思想都是“钩子”(Hook)机制。它们会在模型的前向传播过程中,拦截每一层的输入输出,根据已知的算子计算规则,累加出总的FLOPs和Params。

一个最基础的用法示例如下:

# 使用 ptflops
import torchvision
from ptflops import get_model_complexity_info

model = torchvision.models.resnet18(pretrained=False)
flops, params = get_model_complexity_info(model, (3, 224, 224), as_strings=True, print_per_layer_stat=False)
print(f'FLOPs: {flops}, Params: {params}')

# 使用 thop
import torch
from thop import profile

model = torchvision.models.resnet18(pretrained=False)
input = torch.randn(1, 3, 224, 224)
flops, params = profile(model, inputs=(input, ))
print(f'FLOPs: {flops / 1e9:.2f} G, Params: {params / 1e6:.2f} M')

看起来轻而易举,对吗?但当你把这段代码套用到自己的DETR模型上时,很可能第一步就卡住了。问题往往不在于工具本身,而在于模型结构的特殊性和工具对某些算子的支持度。

2.2 攻克DETR系列模型的计算难题

DETR(Detection Transformer)及其变种(如DAB-DETR, DN-DETR, Deformable DETR)引入了Transformer解码器和可学习的查询向量(Object Queries),这给标准计算工具带来了挑战。

常见陷阱一:模型权重与配置不匹配 这在加载预训练模型进行评测时非常普遍。错误信息通常类似于:

RuntimeError: Error(s) in loading state_dict for DABDeformableDETR:
size mismatch for input_proj.0.0.weight: copying a param with shape torch.Size([256, 512, 1, 1]) from checkpoint, the shape in current model is torch.Size([256, 128, 1, 1]).

这通常是因为构建模型时使用的骨干网络(Backbone)输出通道数与预训练权重文件不匹配。例如,原始权重可能基于ResNet-50的某个特征层(通道数为512),而你构建模型时可能使用了不同的骨干或修改了特征提取层。

  • 解决方案:仔细核对模型初始化配置文件(通常是config.json或args)中关于骨干网络的设置,特别是num_channels或hidden_dim这类参数,确保其与预训练权重生成时的设置完全一致。不要盲目使用默认值。

常见陷阱二:自定义算子的FLOPs计算报错 这是最棘手的问题。DETR中的Transformer注意力机制、可变形卷积等,可能触发工具内部计数器无法处理的路径。

例如,在使用ptflops计算DN-DETR时,你可能会遇到:

File "...\ptflops\pytorch_ops.py", line 162, in multihead_attention_counter_hook
    q, k, v = input
ValueError: not enough values to unpack (expected 3, got 2)

这是因为ptflops的钩子函数期望多头注意力层的输入是一个包含(query, key, value)的元组,但你的模型前向传播可能只返回了query和key(value与key相同)。thop也可能有类似问题。

  • 解决方案:这需要你深入工具源码和模型前向传播逻辑。
    1. 定位问题:首先在报错位置打上断点,或打印input变量的结构和长度,看它到底返回了什么。
    2. 修改钩子:根据实际情况修改工具库中的计数器函数。例如,上述错误可以尝试将q, k, v = input改为q, k = input; v = k。但请注意,这可能会影响计算精度,因为忽略了value投影层的参数量。
    3. 更优解:为你的自定义模块手动注册FLOPs计算规则。ptflops允许你通过custom_ops参数来扩展。你需要为你的自定义nn.Module编写一个计算函数。
# 示例:为自定义注意力层MyAttention注册计算规则
def my_attention_counter_hook(module, input, output):
    # input是一个元组,根据你的实际输入来定
    q, k = input[0], input[1]
    batch_size, num_heads, seq_len, dim = q.shape
    # 计算QK^T的FLOPs: 2 * B * H * L * L * D
    flops_qk = 2 * batch_size * num_heads * seq_len * seq_len * dim
    # 计算Softmax后的加权和: 2 * B * H * L * L * D (近似)
    flops_weighted = 2 * batch_size * num_heads * seq_len * seq_len * dim
    module.__flops__ += int(flops_qk + flops_weighted)
    # 参数量:通常来自Q, K, V的投影层,已在其他地方计算

from ptflops import get_model_complexity_info
custom_ops = {MyAttention: my_attention_counter_hook}
flops, params = get_model_complexity_info(model, (3, 224, 224), custom_ops=custom_ops)

常见陷阱三:设备不一致与张量形状问题 在计算FLOPs时,需要将模型和数据放在CPU上(避免GPU内存影响和异步操作),但你的推理代码可能默认在GPU上。此外,DETR的后处理(如box缩放)可能涉及CPU和GPU张量的混合运算,导致RuntimeError: Expected all tensors to be on the same device。

  • 解决方案:在调用计算函数前,确保模型和输入张量都在同一设备上(通常是CPU)。计算完毕后,再移回GPU进行推理。
# 计算FLOPs/Params时
model_cpu = model.to('cpu')
dummy_input = torch.randn(1, 3, 224, 224).to('cpu')
flops, params = profile(model_cpu, inputs=(dummy_input,))

# 推理时再移回GPU
model_gpu = model.to('cuda')

2.3 YOLO模型的特殊考量

与DETR相比,YOLO(尤其是v5, v8等现代版本)的结构更加卷积化,但同样有坑。一个典型问题是:使用ptflops计算某些YOLO变体时,参数量(Params)可能显示为0或明显偏小。

这通常是因为YOLO模型中大量使用了nn.Sequential、nn.ModuleList或者自定义的Conv+BN+SiLU组合块。如果这些组合块在定义时,其子模块没有被正确地注册为nn.Module的子类(例如,卷积层被写成了函数式调用),那么ptflops在遍历模型子模块时就会漏掉它们。

  • 解决方案:换用thop试试。thop的profile函数通过跟踪实际的前向传播路径来统计,对模块的组织形式不那么敏感,因此往往能获得更准确的结果。这也是为什么很多YOLO项目的评测代码都使用thop。
# 对于YOLO模型,优先使用thop
from thop import profile
model = YOLO(...) # 你的YOLO模型
input = torch.randn(1, 3, 640, 640).to(device)
flops, params = profile(model, inputs=(input,), verbose=False)
print(f'FLOPs: {flops/1e9:.2f}G, Params: {params/1e6:.2f}M')

注意:即使使用thop,也建议将结果与论文公布的数据进行交叉验证。如果差异巨大,可能需要检查模型定义是否完整(例如,是否漏掉了最终的检测头)。

3. 模型瘦身策略:从结构设计到训练技巧

算清了账,下一步就是如何“省钱”。优化FLOPs和Params不是简单地砍层或减通道,而是一个系统工程。下面我们从几个层面探讨可行的优化策略。

3.1 骨干网络轻量化

骨干网络通常是计算和参数的大头。替换或改造骨干网络是效果最明显的手段之一。

  • 直接替换:将ResNet-50/101替换为MobileNetV2/V3、ShuffleNetV2、EfficientNet-Lite等专为移动端设计的网络。这些网络大量使用深度可分离卷积(Depthwise Separable Convolution),能在精度损失很小的情况下大幅降低计算量。
  • 神经架构搜索(NAS):使用如Once-for-All、ProxylessNAS等工具,搜索出在目标硬件(如你的特定型号手机或开发板)上延迟最优的网络结构。这能得到比人工设计更高效的骨干。
  • 早期下采样:在网络的起始阶段,使用步幅较大的卷积或池化层,快速降低特征图分辨率。高分辨率是FLOPs的“杀手”,早期降低分辨率能带来全局性的计算收益。

3.2 检测头与颈部优化

对于DETR和YOLO,检测头(Head)和特征金字塔网络(FPN/PAN等颈部结构)也有优化空间。

  • 减少查询数量(针对DETR):DETR的查询向量(Object Queries)数量是固定的(通常为100)。在特定场景(如小目标检测、简单场景)下,适当减少查询数量,可以直接减少Transformer解码器的计算量。一些工作如Conditional DETR也在探索更高效的查询设计。
  • 简化Transformer层:DETR的解码器通常有6层。可以尝试减少层数,或者使用更高效的注意力变体,如线性注意力(Linear Attention)、池化注意力(Pooling Attention)来替代标准的Softmax注意力,后者计算复杂度与序列长度呈平方关系。
  • 通道剪枝与知识蒸馏:
    • 通道剪枝:识别出网络中贡献度低的通道(通过L1范数、BN层缩放因子等判断),并将其连同对应的滤波器一起剪掉。这能同时减少Params和FLOPs。
    • 知识蒸馏:用一个庞大但精确的教师模型(Teacher Model)来指导一个轻量级学生模型(Student Model)的训练。学生模型在教师模型“软标签”的监督下,能学到更丰富的表征,从而用更小的参数量达到接近教师模型的精度。

3.3 训练与推理技巧

一些训练和推理阶段的技巧,也能在不改变模型结构的情况下提升效率。

  • 模型量化(Quantization):将模型权重和激活从32位浮点数(FP32)转换为8位整数(INT8)。这能将模型大小减少约75%,并利用硬件整数计算单元大幅提升推理速度。PyTorch提供了torch.quantization工具包,支持训练后量化(PTQ)和量化感知训练(QAT)。
    # 一个非常简化的PTQ示例流程
    model_fp32.eval()
    model_fp32.qconfig = torch.quantization.get_default_qconfig('fbgemm') # x86后端
    model_fp32_prepared = torch.quantization.prepare(model_fp32)
    # 用校准数据运行,收集激活的统计信息
    with torch.no_grad():
        for data in calibration_data_loader:
            model_fp32_prepared(data)
    # 转换为量化模型
    model_int8 = torch.quantization.convert(model_fp32_prepared)
    
  • 权重共享:在DETR的Transformer解码器中,不同层的注意力模块是否可以共享参数?一些研究表明,在层间进行适度的权重共享,对性能影响很小,但能有效减少Params。
  • 动态推理:根据输入图像的复杂度(如图像清晰度、目标数量),动态调整模型的计算路径。例如,简单图像走轻量级子网络,复杂图像走完整网络。这属于“条件计算”的范畴,能降低平均计算成本。

4. 实战案例:为一个自定义DETR模型进行性能剖析与优化

理论说再多,不如动手做一遍。假设我们基于DAB-DETR框架,修改了一个用于交通标志检测的模型,现在感觉推理速度不够理想,需要对其进行优化。

第一步:建立性能基线 首先,我们必须准确测量现状。使用修正后的thop或ptflops工具,在标准输入尺寸(如800x1333)下,计算模型的FLOPs和Params。同时,使用torch.cuda.Event或Python的time模块,在目标GPU上测量端到端的平均推理时间(预热后跑100次取平均)。记录下这三个核心数据。

第二步:逐层分析热点 使用ptflops的print_per_layer_stat=True功能,或者手动在模型前向传播中添加计时钩子,找出计算耗时最长的层。在DETR中,瓶颈通常出现在:

  1. 骨干网络最后的特征层(分辨率高,通道数大)。
  2. Transformer编码器/解码器的多头注意力模块。
  3. 检测头的全连接层。

第三步:制定并实施优化方案 根据热点分析结果,选择性地应用第3章的策略。例如:

  • 发现骨干网络是瓶颈:尝试将ResNet-50替换为MobileNetV3。注意,需要重新训练模型,或者使用知识蒸馏从原教师模型迁移知识。
  • 发现注意力计算是瓶颈:尝试将解码器层数从6层减少到4层,或者将注意力头数从8个减少到4个。这是一个精度与速度的权衡,需要重新训练并评估mAP指标。
  • 追求极致部署:在模型结构确定后,应用训练后动态量化(对推理速度提升最明显)或量化感知训练(精度保持更好)。量化后,务必在部署环境中重新测试精度和速度。

第四步:评估优化效果 优化后,再次测量FLOPs、Params和推理时间。制作一个对比表格,直观展示优化成果:

模型版本FLOPs (G)Params (M)推理时间 (ms)mAP (%)
原始 DAB-DETR (ResNet-50)约 95约 4412078.5
优化版 (MobileNetV3骨架)约 28约 194576.1
优化版 + 解码器减层约 25约 173875.8
优化版 + INT8量化约 25约 4.5 (存储)2275.0

从表格可以清晰看到,通过更换轻量骨干,FLOPs和推理时间得到了大幅下降,精度仅有小幅损失。进一步的解码器精简收益变小。而量化技术在不改变计算图的情况下,显著减少了模型存储并提升了推理速度,是部署前必不可少的步骤。

这个过程中,最大的体会是:没有银弹。任何优化都会带来精度损失,关键是在你的具体应用场景中,找到延迟、精度和模型大小之间的最佳平衡点。对于交通标志检测,也许75%的mAP已经足够,那么22ms的推理速度就是一个巨大的成功;而对于自动驾驶的感知模块,可能77%的mAP是底线,那么优化策略就需要更加精细和保守。优化,永远是一个目标导向的权衡过程。

DETR(DEtection TRansformer)要点总结 DETR翻译过来就是检测transformer,是Detection Transformers的缩写。这是一个将2017年大火的transformer结构首次引入目标检测领域的模型,是transformer模型步入目标检测领域的开山之作。利用transformer结构的自注意力机制为各个目标编码,依靠其并行性,DETR构造了一个端到端的检测模型,并且避免了以往模型中各种类型的冗余操作,让目标检测问题变得更加简单。 阅读详情

相关推荐

DETR,YOLO模型计算量(FLOPs)参数量(Params)

关于计算量(FLOPs)参数量(Params)的一个直观理解,便是计算量对应时间复杂度,参数量对应空间复杂度,即计算量要看网络执行时间的长短,参数量要看占用显存的量。计算量: FLOPs,FLOP时指浮点运算次数,s是指秒,即每秒浮点运算次数的意思,考量一个网络模型的计算量的标准。参数量: Params,是指网络模型中需要训练的参数总数。了解以上概念后,接下来便是如何计算这两个值。一个很常见的方法便是通过ptflos包来实现。这段代码可以说是即插即用。

pengxiang1998的博客 1万+

DETR训练记录

解决方法:在E:\Anaconda3\envs\detr-main\Lib\site-packages\PIL\Image.py里面的3131行加上图片文件的后缀名,我的图片文件是jpg类型,所以加上.jpg。解决方法:在E:\Anaconda3\envs\detr-main\Lib\site-packages\pycocotools\coco.py文件里面加上encoding='utf-8'.上面的num_classs要检测几个类别就写几个类别,if语句中的是要加上一个背景类别。

lkxxxxxx的博客 561

DETR和YOLO模型计算量(FLOPs)与参数量(Params)实战:避坑指南与工具对比

本文深入解析DETR和YOLO模型的计算效率,重点探讨FLOPs(浮点运算次数)和Params(参数量)两大核心指标。通过对比ptflops和thop等工具链的实战应用,提供避坑指南和优化策略,帮助开发者在计算机视觉项目中准确评估模型性能,实现高效部署。

weixin_29092579的博客 138

detr(detection transformer)模型训练自己的数据集

detr(detection transformer)模型训练自己的数据集

Evan_qin_yi_quan的博客 2258

RT-DETR实时目标检测:从核心原理到工程部署全解析

目标检测是计算机视觉的基础任务,旨在定位和识别图像中的物体。其核心原理是通过深度学习模型提取图像特征,并预测物体的边界框和类别。Transformer架构因其强大的全局建模能力,在提升检测精度方面展现出巨大技术价值,但传统DETR模型因计算复杂度过高而难以满足实时性要求。RT-DETR通过引入混合编码器和IoU感知查询选择等创新设计,在保持高精度的同时实现了实时推理,使其在自动驾驶、工业质检和视频监控等对延迟敏感的应用场景中成为关键解决方案。本文深入探讨了RT-DETR的架构优化、训练部署实践及与YOLO的

cuanmo8775的博客 398

LLM Agent驱动YOLO26-MoE架构搜索,实现无人机绝缘子缺陷精准检测

目标检测是计算机视觉的核心任务,旨在从图像中定位和识别物体。其原理通常基于深度卷积神经网络提取特征,并通过预测边界框和类别实现。该技术在工业质检、自动驾驶等领域具有极高价值。在无人机巡检等复杂场景中,小目标、多尺度变化和复杂背景对检测模型提出了严峻挑战。混合专家系统(MoE)通过引入多个专家网络和门控机制,能动态选择最适合当前输入的处理路径,有效提升模型对异构数据的处理能力。大语言模型智能体(LLM Agent)则能基于任务上下文和性能反馈,自动探索和优化神经网络架构,实现“AI设计AI”。本文聚焦于如何结

weixin_30598225的博客 430

目标检测模型评测:YOLOv10各项指标分析

你是否还在为目标检测模型的精度与速度权衡而困扰?作为计算机视觉领域的核心任务,实时目标检测在自动驾驶、安防监控、工业质检等场景中要求日益严苛。YOLOv10作为2024年NeurIPS收录的最新研究成果,通过**端到端无NMS架构**与**效率驱动设计**,重新定义了实时检测的性能边界。本文将从精度、速度、效率三个维度,全面剖析YOLOv10的技术突破,通过12组对比实验与5类核心指标,为你揭示如...

gitblog_00745的博客 553

李沐精读论文:DETR End to End Object Detection with Transformers

李沐精读论文:DETR End to End Object Detection with Transformers

iwill323的博客 2871

AKConv卷积核改进:原理、实现与在目标检测中的涨点实践

卷积神经网络(CNN)作为计算机视觉的基石,其核心算子卷积的操作方式直接影响特征提取能力。传统卷积采用固定网格采样,感受野形状受限,在处理多尺度、不规则目标时存在局限。AKConv(Arbitrary Kernel Convolution)作为一种即插即用的改进方案,通过引入可学习的采样点偏移参数,使卷积核能自适应目标形状,从而提升特征表征的灵活性。这一改进在工程上易于集成至YOLO、RT-DETR等主流框架,为模型在复杂场景(如小目标、不规则目标检测)的性能优化提供了新思路。本文将从技术原理与代码实现切入

weixin_34269583的博客 354

PyTorch模型权重文件(.pt)查看全攻略:从加载到解析的5个实用技巧

本文提供了PyTorch模型权重文件(.pt)的完整查看与解析指南,涵盖从稳健加载、深度解析、可视化分析到安全修改和批量处理的5个核心实用技巧。针对深度学习开发者常见的版本兼容、权重迁移和模型调试问题,给出了具体的代码示例和解决方案,帮助用户高效管理模型权重。

wdx01234567的博客 261

思科9117AP从零配置EWC模式实战:Wi-Fi6网络搭建避坑指南

本文详细介绍了思科9117AP在Wi-Fi6网络环境下配置EWC模式的实战指南,涵盖镜像准备、网络环境配置、模式转换步骤及高级运维技巧。通过EWC模式,企业可实现控制器与AP的一体化部署,显著降低成本和简化运维,特别适合中小企业Wi-Fi6网络搭建。

weixin_28318011的博客 336

AKConv:自适应卷积核改进目标检测性能的原理与实践

卷积神经网络(CNN)作为计算机视觉的基础架构,其核心算子——标准卷积——通过固定形状的卷积核在规则网格上进行特征提取。然而,这种固定几何结构在处理不规则形状、多尺度目标时存在局限性,难以自适应地聚焦关键特征区域。为解决这一问题,自适应卷积核技术应运而生,它通过动态调整采样位置,使卷积核能够根据输入内容灵活变形,从而更精准地覆盖目标的有效特征区域。这一改进显著提升了模型对复杂场景,尤其是小目标和密集目标的特征提取能力,在目标检测、实例分割等任务中展现出重要价值。本文以AKConv(Adaptive Kern

weixin_30718391的博客 403

win2012 r2 + IIS8.5 伪静态设置脚本映射

win2012 r2 + IIS8.5 伪静态设置脚本映射,网站用的.net fromwork 2.0 ,应用程序池设置了32位支持

xueking87的专栏 3241

DETR:基于 Transformer 的端到端目标检测

本文是对论文《End-to-End Object Detection with Transformers》的深度解读。在目标检测领域,传统方法依赖锚点生成、NMS 等人工设计组件,流程复杂且泛化受限。Facebook AI 团队提出的 DETR,创新性地将目标检测视为直接集合预测问题,通过 Transformer 编码器 - 解码器与二分图匹配损失,摒弃冗余组件,实现端到端检测,在 COCO 数据集上性能比肩 Faster R-CNN,且易扩展至全景分割任务。

m0_65010824的博客 2003

Zipformer实战:5分钟快速搭建语音识别模型(附LibriSpeech测试结果)

本文提供了一份详细的Zipformer语音识别模型实战指南。通过清晰的步骤,指导读者在5分钟内完成从环境配置、LibriSpeech数据集准备到模型训练与测试的全过程。文章重点解析了关键配置参数,并分享了在LibriSpeech测试集上的性能结果,帮助开发者快速评估和应用这一高效的语音识别架构。

weixin_35578748的博客 164

LVI-SAM实战:如何在Ubuntu20.04上快速复现激光-视觉-惯性里程计系统

本文详细解析了在Ubuntu 20.04环境下部署和优化LVI-SAM激光-视觉-惯性里程计系统的全流程。从环境配置、依赖安装到源码编译和实战调参,提供了完整的解决方案和性能优化策略,帮助开发者快速实现厘米级精度的实时位姿估计。

m3n5b7v8c9x的博客 1048

DETR源码笔记(一)

源码获取:https://gitee.com/fgy120/DETR 首先对DETR做个简单介绍 上图即为DETR的流程pipeline,相比以前的RCNN系列、YOLO系列等,最特别的在于加入了Transformer。 直接看源码,从train.py的main函数开始。 if __name__ == '__main__': parser = argparse.ArgumentParser('DETR training and evaluation script', parents..

在努力的松鼠的博客 9048

[OpenCV]使用霍夫变换精准检测圆形原理详解与代码实战

dp`是累加器分辨率与图像分辨率的反比,例如`dp=1`时累加器与图像具有相同的分辨率,`dp=2`时累加器分辨率为图像的一半;`HoughCircles`函数的返回值`circles`是一个包含检测到的圆的参数列表,每个圆的格式为`(x, y, r)`,分别代表圆心的x坐标、y坐标和半径。可以使用`cv2.circle()`函数在原图上绘制出检测到的圆,并使用`cv2.imshow()`或`cv2.imwrite()`显示或保存结果图像。霍夫圆变换是霍夫变换的一种扩展,专门用于检测图像中的圆形轮廓。

yr_lu的专栏 513

解决DETR模型参数不匹配size mismatch for class_embed.weight:~([4, 256]) from checkpoint,~current([3,256]).

复现DETR模型时遇到 RuntimeError: Error(s) in loading state_dict for DETR: size mismatch for class_embed.weight: copying a param with shape torch.Size([4, 256]) from checkpoint, the shape in current model is torch.Size([3, 256]).

qq_59409332的博客 1504

大语言模型应用指南:幻觉和偏见问题

大语言模型应用指南:幻觉和偏见问题 1. 背景介绍 1.1 大语言模型的发展历程 1.1.1 早期的语言模型 1.1.2 Tr

AI天才研究院 959

通过Simulink搭建一个智能微电网能量管理系统(Energy Management System, EMS)

通过上述代码实现,您可以逐步创建一个智能微电网能量管理系统。多源能量集成:整合光伏、风力发电、柴油发电机、电池储能等多种能源资源。负荷预测与调度:基于历史数据和天气预报,预测未来负荷和可再生能源输出,进行优化调度。储能系统优化:设计合理的充放电策略,确保储能系统的高效利用和寿命延长。经济性分析:评估不同运行模式下的经济性,考虑电价、维护成本等因素。环境影响评估:分析微电网对环境的影响,如减少碳排放、提高可再生能源利用率等。硬件在环仿真(HILS)

amy_mhd的博客 314

乱七八糟的笔记:Transformer/ViT/Swin transformer/DETR

看B站沐神的课的即时笔记,乱但需要留一份。

m0_48610901的博客 1524

论文阅读:2024 ACM CCS “Do Anything Now”: Characterizing and Evaluating In-The-Wild Jailbreak Prompts on

大语言模型(LLMs)的滥用问题引起了公众和大语言模型供应商的高度关注。有一种特殊的对抗性提示,叫做越狱提示,它已成为绕过防护措施、让大语言模型生成有害内容的主要攻击手段。在这篇论文中,作者使用新框架JailbreakHub,对2022年12月至2023年12月期间的1405个越狱提示进行了全面分析。作者识别出131个越狱提示社区,发现了越狱提示的独特特征以及主要攻击策略,比如提示注入和权限提升。

CSPhD-winston的博客 1414

在深度学习中,如何统计模型的 ​​FLOPs(浮点运算次数)​​ 和 ​​参数量(Params)

• 示例:输入尺寸为224×224,卷积核3×3,输出通道64,则单样本FLOPs为3×3²×64×224×224×2≈5.2×10⁹。• FLOPs(复数)指总浮点运算次数,用于模型复杂度;FLOPS(全大写)指每秒浮点运算次数,衡量硬件性能。• 示例:输入通道为3,输出通道为64,卷积核3×3,则参数量为64×(3×3²)+64=1,792。• FLOPs仅反映理论计算量,实际速度还受内存带宽、并行优化等因素影响。• 某些自定义层(如注意力机制)可能未被统计,需手动补充。• 无参数,参数量为0。

hello! 2176

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

YOLO 系列算法的参数量

YOLO系列算法的参数量随版本和配置差异较大:YOLOv3约29.9M,YOLOv4达155M(Tiny版26M);YOLOv5从nano版2.8M到x版66.3M;YOLOv8进一步优化,nano版仅2.3M。不同规模模型适用于不同场景:轻量版适合移动端,大模型适用于高性能需求。版本迭代中,参数量可能降低而性能提升。选择时需权衡计算资源和精度需求。

直到世界的尽头 3489

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

YOLO26模型分析:参数量与计算量评估

本文介绍了基于星图GPU平台自动化部署最新 YOLO26 官方版训练与推理镜像的方法,适用于目标检测、姿态估计等AI应用开发场景。该镜像集成完整依赖环境,支持快速模型微调与性能评估,助力高效实现从训练到部署的全流程。

weixin_36288992的博客 723

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

上一篇: Windows 下高效文件复制:Robocopy 多线程+断点续传配置详解
下一篇: PyTorch与torch_geometric版本冲突?手把手教你解决‘default‘属性错误
Python
博客等级 码龄26年 1973粉丝 1567原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值