- 博客(20)
- 资源 (38)
- 收藏
- 关注
RSS订阅原创 Docker常用命令记录
1. 背景了解1.Docker概述 ①docker的思想来源于集装箱，刚刚诞生的时候，没有引起行业的注意。 ②2013年将docker开源，越来越多的人发现了docker的优点。Dcoker每个月都更新一个版本， ③2014年4月9日，Docker 1.0发布 ④Docker获得原因，十分的轻巧。在容器技术出来之前，我们都是使用虚拟机技术。虚拟机：安装虚拟机软件，通过该软件可以虚拟出来一台或者多台电脑。笨重 ⑤虚拟机也是属于虚拟化技术，Docker容器技术，也是一种虚拟化技术 ⑥D
2022-04-11 19:36:51
1166
原创 hive环境配置
记录一下hive环境(Mac m1)的配置过程，以防忘记。可能遇到的问题1.安装hadoop1).首先，安装hadoop:brew install Hadoopm1安装brew可以用一下两种命令:/usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"如果第一种不行请试下面这种：/bin/zsh -c "$(curl -fsSL https://git
2021-08-02 23:04:09
659
6
原创 yolov4训练自己的数据集(详细)
之前说了好几个目标检测的模型了，今天我们就来讲讲如何运用yolov4来训练自己的数据集。在开始之前我们需要准备好所需的环境:# 系统环境centos=7.9.2009python=3.7.0cuda=10.2.89cudnn=7.6.5# 自己安装CMake >= 3.12: CUDA >= 10.0;OpenCV >= 2.4:cuDNN >= 7.0;GPU with CC >= 3.0:GCC or Clang;1.数据准备前期的数据标注可
2021-01-14 21:58:33
5753
原创 mmdetection训练自己的数据集(详细)
今天我们来说说怎么使用mmdetection来训练自己的数据集。所用的环境:centos=7.9.2009python=3.7.0cuda=10.2.89cudnn=7.6.5torch=1.6.0torchvision=0.7.01.数据集的准备数据的格式参考yolov3。目录格式如下:mmdetection----data--------VOCdevkit------------VOC2007----------------Annotations-----------
2021-01-13 22:16:54
20213
26
原创 detectron2训练自己的数据集及demo测试
今天就写写detectron2训练自己的数据。1.环境准备python=3.7.0cuda=10.2.89cudnn=7.6.5torch=1.6.0torchvision=0.7.02.数据准备(数据转换) 1.按照yolov3的文件目录(相关脚本下载提取码tfcj):VOC2007----Annotations----JPEGImages----ImageSets--------Main----test.py #脚本----
2021-01-10 22:14:33
7360
13
原创 yolov5训练自己的数据(详细)
已经说过了yolov3的编译、训练的流程了。那今天就来说说yolov5的训练过程了。1.环境准备python=3.7.0cuda=10.2.89cudnn=7.6.5torch=1.6.0torchvision=0.7.02.源码下载1.通过以下的命令来下载源码和相关以来库的安装：git clone https://github.com/ultralytics/yolov5# 如果网速不够快的可以尝试git clone https://github.com.cnpmjs.org/ul
2021-01-10 15:14:12
11488
3
原创 YoloV3运行自己的数据集(详细)
因为实习工作的需要，要做一些目标检测的项目。用到了一些目标检测的网络，那就记录一下，这次就先记录一下yolov3的训练之路吧。1.数据集的准备安装labelImg软件，来标注自己的数据集。pip install PyQt5 -i http://pypi.douban.com/simple/pip install labelimg安装完之后再终端输入labelimg就行，之后就可以开始标注数据了。①是选择图片所在位置，②选择保存xml文件的位置。③创建矩形框用于选择目标位置。 创建形如
2021-01-10 00:52:25
3790
10
转载 yolov3: cfg/yolov3-voc.cfg参数解释
[net] # [xxx]开始的行表示网络的一层，其后的内容为该层的参数配置，[net]为特殊的层，配置整个网络# Testing # 测试模式，batch 和 subdivisions 一般都为1#batch=1 #subdivisions=1# Training # 训练模式，batch 和 subdivisions 需要自己选取。# batch=32
2021-01-09 22:27:55
459
原创 Deeplearning——自编码器(Autoencoder)
前言自编码器（autoencoder, AE）是一类在半监督学习和非监督学习中使用的人工神经网络（Artificial Neural Networks, ANNs），其功能是通过将输入信息作为学习目标，对输入信息进行表征学习（representation learning）。其结构图如下图1所示图1 自编码器结构图一.生成模型 1.1.什么是生成模型 1.2.生成模型的类型二.自编码器(Autoencoder) 2.1.自编码器的定义 2.2.自编码器分类 2.3自编码器的应用
2020-10-05 08:18:38
4521
1
原创 深度学习中的超参数以及两个重要的超参数——学习率和batch_size
前言 在深度学习中有很多参数是我们在训练模型之前自己设定的，我们把这些参数就称为——超参数。其中主要超参数包括了:学习率、batch_size、梯度下降法循环的数量、隐藏层数目、隐藏层单元数目、激活函数的选择等。1.超参数2.学习率3.batch_size 1.超参数1.1 超参数的选择如何选择最优的超参数对模型的性能起着非常重要的作用，下面提供了一些常用的选择超参数的方法: 1.猜测和检查：根据经验或直觉，选择参数，一直迭代。 2.网格搜索：让计算机尝试在一定范围内均匀分布的一组值
2020-10-05 08:18:25
11868
4
原创 对过拟合和欠拟合的理解以及解决办法
前言 不管是在深度学习还是在机器学习中训练的模型存在着过拟合和欠拟合的现象，而且这种现象或多或少可能都是难以避免的。在介绍拟合和欠拟合之前我们先来了解一下其他几个概念。“误差”(偏差)：训练得到的模型实际预测输出和样本的真实输出之间的差异叫做误差。方差：描述的是模型实际的预测输出的变化范围，离散程度，也就是离其期望值的距离。方差越大，数据的分布越分散;“泛化误差”：模型在训练集上得到的误差叫做"训练误差"，在新的样本或者说测试集上的误差叫做"泛化误差"。1.过拟合和欠拟合在了解了上面的概念之后我们就
2020-10-04 13:58:00
1160
原创 对图像中语义信息、高层和底层特征的理解
前言 在计算机视觉中，大家经常会提起图像的语义信息以及图像的高层特征和底层特征。那么到底什么是图像的语义呢，图像的高层特征和底层特征又包含哪些信息的呢？今天我们就来说一说。1.图像的语义信息: 图像的语义分为视觉层、对象层和概念层，视觉层即通常所理解的底层，即颜色、纹理和形状等等，这些特征都被称为底层特征语义；对象层即中间层，通常包含了属性特征等，就是某一对象在某一时刻的状态；概念层是高层，是图像表达出的最接近人类理解的东西。通俗点说，比如一张图上有沙子，蓝天，海水等，视觉层是一块块的区分，对象层
2020-10-04 13:57:07
43145
10
原创 行人重识别(Person re-identification)概述
在人的感知系统所获得的信息中，视觉信息大约占到80%～85%。行人重识别（person re-identification）是近几年智能视频分析领域兴起的一项新技术，属于在复杂视频环境下的图像处理和分析范畴，是许多监控和安防应用中的主要任务，并且在计算机视觉领域获得了越来越多的关注。下面我们就仔细来聊聊行人重识别(ReID)。1.什么是行人重识别2.行人重识别研究的背景、意义及现状3.行人重识别的应用和目前存在的问题4.行人重识别目前所采用的方法5.行人重识别数据集6.行人重识别的评价指标7.
2020-10-04 13:56:21
11395
原创 目标检测中的Anchor
前言:在计算机视觉四大基本任务(检测、分类、定位、分割)中，图像的目标检测受到的了研究者们越来越多的关注。今天我们就来聊一聊在目标检测中一项重要的机制——Anchor。Anchor机制在凯明大神提出的Faster-RCNN(2015年提出)时兴起。下面将从三方面来叙述Anchor.目录1.什么是Anchor2.Anchor的机制3.Anchor的优缺点 1.什么是Anchor 在目标检测任务中，输入图像经过骨干网络提取得到特征图，该图上的每个像素点，即为anchor锚点；或者说在feat
2020-10-04 13:55:15
5962
原创 Mathtype的公式转化为优快云中LaTex
因为刚开始写博客，要输入公式，但是优快云纯手写的代码公式比较复杂。后来发现可以利用Mathtype可以快速转换成优快云中MD公式。下面我就来说说怎么进行转换:1.安装Mathtype从百度云下载安装好Mathtype。2.在Mathtype编辑好自己的公式:3.然后在菜单栏中选择Preferences—>cut and copy Preferences…4.选择MathML or Tex,选择Plain Tex，下面两个复选框不要选:5.设置完之后就可选择刚才编辑公式，进行剪切
2020-10-04 13:53:30
268
原创 机器学习中max(x)和argmax(x)的区别
max(x)和argmax(x)都是取最大值的意思。但是，两者的意思是不一样的。比如:maxip(i∣j)\mathop {\max }\limits_i p(i|j)imaxp(i∣j)中指的是当i取得特定值时p(i∣j)p(i|j)p(i∣j)取得最大值。而argmaxip(i∣j)\mathop {\arg \max }\limits_i p(i|j)iargmaxp(i∣j)指的是当p(i∣j)p(i|j)p(i∣j)取得最大值时对应i的值。...
2020-10-04 13:52:43
2116
原创 计算机视觉、图像处理顶会顶刊历年论文链接
CVPR、ICCV、ECCV、IJCAI、AAAI等计算机视觉、图像处理顶会顶刊历年论文链接在本文中只列出近年的论文网址，之前的论文的网址可根据地址栏的参数来进行改变。例:http://openaccess.thecvf.com/CVPR2020.py是CVPR2020年的http://openaccess.thecvf.com/CVPR2019.py是CVPR2019年的CVPR历年论文链接（每年开一次）CVPR2020论文链接CVPR2019论文链接CVPR2018论文链接ICCV历年论
2020-10-04 13:51:45
4424
2
原创 NVIDA CUDA显卡算力对照表
来源:https://developer.nvidia.com/cuda-gpus
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人