qiumokucao的博客

通过多次实验对比pytorch1.13和pytorch2.0.1，发现2.0.1比1.13提速8%左右，但是compile没有效果，暂时没搞清楚什么原因。难道是40系显卡还不支持？另外从官方介绍也可以看出，提速效果跟硬件、模型结构都有关系，所以具体能提速多少，还得自己在实际项目中尝试。

把transformer直接应用于图像块序列，也可以在图像分类任务上表现很好。通过在大数据集上预训练，然后迁移到中等规模和小规模数据集上，ViT可以取得和SOTA的卷积网络同样出色（甚至更好）的结果，同时需要更少的训练资源。1、将标准transformer直接应用于图像，只做最小可能修改将一幅图像分割成多个图像块，然后将这些图像块的embedding序列作为输入，送到transformer。这里的图像块类似于NLP中的token。

参考：https://github.com/Weifeng-Chen/DL_tools/blob/main/coco2yolo.py源代码时间复杂度太高，O(mxn)，修改后为O(m+n)，时间从几个小时变成几秒。"""COCO 格式的数据集转化为 YOLO 格式的数据集--json_path 输入的json文件路径--save_path 保存的文件夹名字，默认为当前目录下的labels。"""import os import jsonfrom tqdm import tqdm

对于有的硬件不支持上采样层的，可以将上采样层改为反卷积层。修改配置文件：# parametersnc: 80 # number of classesdepth_multiple: 0.33 # model depth multiplewidth_multiple: 0.50 # layer channel multiple# anchorsanchors: - [10,13, 16,30, 33,23] # P3/8 - [30,61, 62,45, 59,119]

一、安装opencv和dlib我使用的anaconda，安装比较方便。安装opencv，在指定环境下输入：conda install opencv安装dlib：conda install -c conda-forge dlib二、实现1、项目结构介绍其中face_detect文件夹保存检查到的人脸，face_repo里是待检测的人脸照片，face_test里...