小羊苏西的博客

shufflenetv2前段时间 shufflenetv2 官方放出了 shufflenet 一系列对模型，参考官方对性能数据，都要比mobilenet 系列稍快稍准一些。不过用起来真的区别不大，不过又一个有点是参数量少，可以比mobilenet作为backbone的模型体积小不少。移动端还是很有用的。作为tensorflow用户，一直都没有一个精度恢复的很好，并且带有预训练模型的开源模型，于是对官方pytorch训练好对模型进行了转换，到tensorflow下进行其他开发。source还是直接放代

Centernet 移动端的优化简介centernet 是一个很简洁的目标检测框架，原理很简单，关键点估计加宽高回归。文章不介绍算法细节， 注意是一个centernet在端侧的优化。backbone 采用了mobilenetv3，但是只改backbone 提速不够，head 还是比较重的，所以采用可分离卷积来实现，并且采用了类似inception的结构，并把深层和浅层的特征进行了融合，取得...

文章没别的，只是记录一下发现的一个好用的工具，Receptive Field Calculator， from Fomoro AI链接RFC

移动端检测算法的训练和部署简介mobilenetv3出来了，这次用mobilenetv3 做backbone 实现一个改进的ssd。当然，并不是原始的ssd，添加了很多最近新的研究中广泛有增益的组件，例如fpn，focal loss 等。这次我们把预处理，结果的decode以及后处理nms 放进了模型里，可以更加方便的进行部署。也就是我们的模型是一个十分干净的模型，没有琐碎的前后处理。这里...

轻量级的人脸检测模型简介人脸检测现在已经被做坏了，各种算法，轻重都有，总有一款适合你，今天我们做一个轻量级的，模型大小只有800kb。

FaceBoxesFaceBoxes: A CPU Real-time Face Detector with High Accuracysource code1. introductionfaceboxes 是一个相对cpu高效的人脸检测算法，本质上还是一个ssd结构，在小anchor上做了稠密策略。本文不再原理上过多赘述，想知道原理还是看论文。本文旨在帮助大家跑起来并看到结果！其实gi...

tensorflow 1.14后， 可以自动开启混合精度训练，在nvidia 某些设备上支持的很好，可以提速和节省显存，使用也很方便。简介看官方的介绍更好Nvidia,auto_mix_precision使用方法在opt 后加上一句就好，opt = tf.train.experimental.enable_mixed_precision_graph_rewrite(opt)，在终端会...

一个人脸关键点算法。

作为一个图像处理，以及计算机视觉领域的从业人员，在使用深度学习算法的过程中经常需要写一些图像增强的simple code。虽然不同的计算框架多多少少的都实现了不同的数据增强方法，但是个人认为使用起来还不是很方便，难以满足个人的需求。尤其是涉及到一些相对“复杂”的数据增强手段，例如，物体检测，关键点检测，语义分割等任务，对图像做矩阵操作的同时还需要对标注信息做变换。自己实现的方法用起来也会顺手一些...

mxnet是一个相对简洁的框架，下面我们将介绍如何用mxnet来实现图像分类。其实关于图像分类的博文有很多了，这一篇算是自己的一个记录吧，以防以后会再用到，可以方便的捡起来：)我自己构建了一个mxnet的分类toolkit，可以方便的进行数据集的建立，几乎支持一键训练。 可以直接clone代码进行玩耍 https://github.com/610265158/My_Mxnet_toolki...

        深度学习做图像相关的内容时候，数据集增强是常用并且十分有效的手段，可以有效的对口过拟合以及提高模型的准确率，针对不同的问题有时候需要特定的方式对数据进行变换。Mxnet已经内置了一些常用的增强手段，例如randomcrop，mirror，颜色抖动等。        但是，当需要具体的针对性的数据增强的时候，就需要自己写一个augmenter，对此 mxnet还是比较简单的和灵活的。...

mxnet 源码里面有SSD的example， 现在支持VGG,RESNET，等网络，没有mobilenet的支持, 但是在另外一个repo里面有，就是这个example的作者自己维护的一个repo。所以这次对代码稍加修改来采用mobilenet_v2做骨干网络来训练SSD。同时，照猫画虎，可以选择其他新型预训练网络来train 你自己的SSD。wget http://host.robots.ox...

这段时间的工作一直在围绕移动端展开。项目需要在手机上跑一个深度学习模型，所以直接上resnet或者是其他的比较好的重量级的模型是不现实的，甚至mobilenet都是不太理想的，我用的一个千元机，跑mobilenet几乎需要1秒的时间。所以网络压缩是一个必然的选择。而进行该部分的工作，对模型参数的解析是个前提工作，下面来看如何读取模型的参数，并对其修改。 对于mxnet来说还是比较方便的：...

实现深度学习模型的时候，有时候dataiter会不能满足自己的需求，所以需要继承下来，自己写一下。mxnet写customed dataiter代码也比较简单，直接上代码了import mxnet as mxclass custom_iter(mx.io.DataIter): def __init__(self, data_iter): super(custom_ite...