qq_41389330的博客

单目相机标定

经典目标检测模型

自动驾驶onnx推理

RAII+接口模式+生产者-消费者模型

RAII+接口模式

压缩模型、、知识蒸馏、剪枝量化

yolov5的onnx简化到trt推理

yolo预处理等比缩放黑边填充中的缩放平移

说明：按比例划分数据集适用于域自适应或域泛化根据不同于不同类别进行数据及自动划分目录层级为：root/domains/class.import osimport randomfrom tkinter import image_typesimport shutiltrainval_percent = 0.9 # 训练和验证集所占比例，剩下的0.1就是测试集的比例train_percent = 0.8 # 训练集所占比例，可自己进行调整savePath_root = '.\\d

深度学习训练场景常常使用服务器集群实现，终端连接远程服务器长时间训练任务时由于网络波动等原因会断开连接，此时训练任务被中断，且前台打印信息丢失，原因是终端接收HUP信号关闭子进程，解决方法：1. nohup命令让终端忽略HUP信号：nohup python3 -u train.py 再加&可转入后台，此时生成.out文件打印训练信息。2. setsid命令以该命令运行的进程父进程不属于该终端：setsid python3 -u train.py > info.txt打印信息存放在inf

导入预训练模型在通常情况下都能加快模型收敛，提升模型性能。但根据实际任务需求，自己搭建的模型往往和通用的Backbone并不能做到网络层的完全一致，无非就是少一些层和多一些层两种情况。1. 自己模型层数较少net = ... # net为自己的模型save_model = torch.load('path_of_pretrained_model') # 获取预训练模型字典（键值对）model_dict = net.state_dict() # 获取自己模型字典（键值对）# 新定义字典

1. 首先安装visdom库pip install visdom2. 安装完成终端输入命令python -m visdom.server此时可能长时间出现以下提示：解决方法：找到安装的visdom库目录，目录下有个server.py文件，打开文件注释掉def download_scripts_and_run(): 下的download_scripts()语句。成功运行后如下：打开网址即可看到visdom可视化的界面，此时没有任何内容：3. 可视化...

np.eye()用于生成对角矩阵，在深度学习中，可以将标签数组进行one-hot编码方便后续操作。one-hot编码例如一个batchsize为8的batch数据，其对应的标签batch为类别总数为3的数组[0,1,2,1,2,0,1,1]，那么它的one-hot形式则为[[1,0,0],[0,1,0],[0,0,1],[0,1,0],[0,0,1],[1,0,0],[1,0,0]]，行为batch的样本数，列为所属类别，对应哪个类别就将哪个列索引上的数置1。np...