<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_44523137的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_44523137</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_44523137]]></copyright><item><title><![CDATA[FixMatch半监督学习方法]]></title><link>https://blog.youkuaiyun.com/qq_44523137/article/details/144383701</link><guid>https://blog.youkuaiyun.com/qq_44523137/article/details/144383701</guid><author>qq_44523137</author><pubDate>Tue, 10 Dec 2024 21:29:41 +0800</pubDate><description><![CDATA[伪标签生成：使用模型对未标记数据进行预测，生成伪标签，仅在预测置信度高时采用。一致性正则化：通过强增强和弱增强保持模型对同一数据样本的预测一致性。高效利用未标记数据，显著降低标注成本。简单易实现，不需要复杂的模型改动。在标记样本有限的情况下，具有良好的性能表现。初始阶段：模型使用有标签样本进行监督训练，学习基础特征表示。未标记样本引入使用强增强生成伪标签，仅在置信度足够高时采用伪标签。应用弱增强，确保强、弱增强样本的一致性。持续优化：结合有标签损失和无标签一致性损失更新模型。]]></description><category></category></item><item><title><![CDATA[个性化联邦学习方法]]></title><link>https://blog.youkuaiyun.com/qq_44523137/article/details/144133256</link><guid>https://blog.youkuaiyun.com/qq_44523137/article/details/144133256</guid><author>qq_44523137</author><pubDate>Fri, 29 Nov 2024 13:17:27 +0800</pubDate><description><![CDATA[个性化联邦学习方法综述]]></description><category></category></item><item><title><![CDATA[windows cuda11.x cudnn8.x TensorRT8.x 环境配置]]></title><link>https://blog.youkuaiyun.com/qq_44523137/article/details/125009228</link><guid>https://blog.youkuaiyun.com/qq_44523137/article/details/125009228</guid><author>qq_44523137</author><pubDate>Fri, 27 May 2022 20:48:58 +0800</pubDate><description><![CDATA[win10 CUDA11 cudnn TensorRT开发环境的搭建与测试
cuda，cudnn和tensorrt安装
cuda下载地址：
https://developer.nvidia.com/cuda-toolkit-archive
cudnn下载地址：
https://developer.nvidia.com/rdp/cudnn-archive
tensorrt下载地址：
https://developer.nvidia.com/nvidia-tensorrt-8x-download
请注意cudn]]></description><category></category></item><item><title><![CDATA[ubuntu 编译安装支持CUDA的OpenCV]]></title><link>https://blog.youkuaiyun.com/qq_44523137/article/details/124098406</link><guid>https://blog.youkuaiyun.com/qq_44523137/article/details/124098406</guid><author>qq_44523137</author><pubDate>Tue, 12 Apr 2022 12:51:00 +0800</pubDate><description><![CDATA[cuda和cudnn的安装过于简单这里就不过多解释。
一、安装opencv依赖包
sudo apt-get update
sudo apt-get upgrade
sudo apt install cmake pkg-config unzip yasm git checkinstall libjpeg-dev libpng-dev libtiff-dev libavcodec-dev libavformat-dev libswscale-dev libavresample-dev libgstreamer1]]></description><category></category></item><item><title><![CDATA[yolov5_dnn python/c++用opencv的dnn模块做yolov5目标检测]]></title><link>https://blog.youkuaiyun.com/qq_44523137/article/details/123672021</link><guid>https://blog.youkuaiyun.com/qq_44523137/article/details/123672021</guid><author>qq_44523137</author><pubDate>Tue, 22 Mar 2022 21:28:15 +0800</pubDate><description><![CDATA[opencv dnn模块调用yolov5-onnx权重文件做检测
非常简单的yolov5应用，不需要pytorch环境库，只需要opencv库即可，可以很简单很轻松的部署！！！
项目中自带yolov5n.onnx，如果需要yolov5其他模型onnx权重文件，可以从我的百度网盘提取。提取码： 1cj3
本项目支持对图片和视频进行检测，也支持摄像头实时检测。
有问题请及时留言，如果帮助到了你，请在github留下star！
github地址，yolov5_onnx_dnn

...]]></description><category></category></item><item><title><![CDATA[Win10配置SlowFast全过程并使用slowfast进行视频行为识别检测]]></title><link>https://blog.youkuaiyun.com/qq_44523137/article/details/123630564</link><guid>https://blog.youkuaiyun.com/qq_44523137/article/details/123630564</guid><author>qq_44523137</author><pubDate>Mon, 21 Mar 2022 12:20:53 +0800</pubDate><description><![CDATA[Windows10配置SlowFast环境全过程 并使用自己的视频进行demo检测环境简介开始配置配置demo环境结果
环境简介
pycharm
python=3.7.11
我就是不用linux，就要用window10配置。
你还需要安装git，下下来以后一直下一步即可。
可能还需要Visual Studio。
开始配置
首先下载官网的代码库
git clone https://github.com/facebookresearch/slowfast
cd SlowFast

然后新建一个虚拟环境。

然后]]></description><category></category></item><item><title><![CDATA[yolov5核心代码: anchor匹配策略，compute_loss和build_targets理解]]></title><link>https://blog.youkuaiyun.com/qq_44523137/article/details/123323917</link><guid>https://blog.youkuaiyun.com/qq_44523137/article/details/123323917</guid><author>qq_44523137</author><pubDate>Mon, 07 Mar 2022 11:00:01 +0800</pubDate><description><![CDATA[yolov5核心代码compute_loss和build_targets理解
本文主要讲述yolov5anchor匹配策略-跨网格预测以及损失函数计算的核心过程理解，网络部分相对容易这里不再赘述。
1. yolov5跨网格匹配策略
yolov5最重要的便是跨网格进行预测，从当前网格的上、下、左、右的四个网格中找到离目标中心点最近的两个网格，再加上当前网格共三个网格进行匹配。增大正样本的数量，加快模型收敛。
 j, k = ((gxy % 1. &lt; g) &amp; (gxy &gt; 1.)).T
 ]]></description><category></category></item><item><title><![CDATA[Pytorch实现nms (torchvision.ops.nms）和numpy实现nms]]></title><link>https://blog.youkuaiyun.com/qq_44523137/article/details/123259979</link><guid>https://blog.youkuaiyun.com/qq_44523137/article/details/123259979</guid><author>qq_44523137</author><pubDate>Thu, 03 Mar 2022 17:38:19 +0800</pubDate><description><![CDATA[Pytorch实现nms (torchvision.ops.nms）和numpy实现nms
pytorch实现
from torch import Tensor
import torch

def box_area(boxes: Tensor) -&gt; Tensor:
    """
    Computes the area of a set of bounding boxes, which are specified by its
    (x1, y1, x2, y2) coordinates.
]]></description><category></category></item><item><title><![CDATA[运行tensorrt显示找不到nvinfer.dll和nvparsers.dll]]></title><link>https://blog.youkuaiyun.com/qq_44523137/article/details/123178290</link><guid>https://blog.youkuaiyun.com/qq_44523137/article/details/123178290</guid><author>qq_44523137</author><pubDate>Mon, 28 Feb 2022 11:14:49 +0800</pubDate><description><![CDATA[运行tensorrt显示找不到nvinfer.dll和nvparsers.dll
因为复制tensorrt下的lib到cuda中时
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib\x64
没有添加到系统环境变量，所以会提示找不到。
添加到环境变量，重启电脑即可。

...]]></description><category></category></item><item><title><![CDATA[使用yolov5训练自己数据集并通过flask部署yolov5]]></title><link>https://blog.youkuaiyun.com/qq_44523137/article/details/120894588</link><guid>https://blog.youkuaiyun.com/qq_44523137/article/details/120894588</guid><author>qq_44523137</author><pubDate>Sat, 23 Oct 2021 18:39:44 +0800</pubDate><description><![CDATA[使用yolov5训练自己数据集的详细过程
1.准备数据集
yolo标签文件的格式如下：
102 0.682813 0.415278 0.237500 0.502778
102 0.914844 0.396528 0.168750 0.451389

第一位为 class，为图片中物体的类别
后面四位为图片中物体的位置，（xcenter, ycenter, h, w）即目标物体中心位置的相对坐标和相对高宽
图中存在两个目标

如果你已经拥有如上的label文件，可直接跳到下一步。
没有如上标签文件，可使用 l]]></description><category></category></item><item><title><![CDATA[pytorch中Convolutional Neural Networks的真正计算过程与理解]]></title><link>https://blog.youkuaiyun.com/qq_44523137/article/details/120571593</link><guid>https://blog.youkuaiyun.com/qq_44523137/article/details/120571593</guid><author>qq_44523137</author><pubDate>Thu, 30 Sep 2021 22:03:49 +0800</pubDate><description><![CDATA[关于Convolutional Neural Networks的真正理解
一般Convolutional Neural Networks包含卷积层，BN层，激活层以及池化层。池化层较为简单，不再赘述。借此机会详细的介绍其他三层是如何实现的，以及如何自定义卷积层参数。
Convolution layer
网上写卷积的博客不计其数，大都是长篇大论，其实卷积十分简单，见下图。

上图所示输入为 【5，5 ，1】 的图像，卷积核大小为 3 * 3，步长为1 【一步一步走】，padding=0【如果为1会在图像外面补]]></description><category></category></item><item><title><![CDATA[pytorch中交叉熵损失nn.CrossEntropyLoss()的真正计算过程]]></title><link>https://blog.youkuaiyun.com/qq_44523137/article/details/120557043</link><guid>https://blog.youkuaiyun.com/qq_44523137/article/details/120557043</guid><author>qq_44523137</author><pubDate>Thu, 30 Sep 2021 09:48:58 +0800</pubDate><description><![CDATA[关于nn.Cross Entropy Loss的真正理解
对于多分类损失函数Cross Entropy Loss，就不过多的解释，网上的博客不计其数。在这里，讲讲对于CE Loss的一些真正的理解。
首先大部分博客给出的公式如下：

其中p为真是标签值，q为预测值。
在低维复现此公式，结果如下。在此强调一点，pytorch中CE Loss并不会将输入的target映射为one-hot编码格式，而是直接取下标进行计算。
import torch
import torch.nn as nn
import mat]]></description><category></category></item><item><title><![CDATA[pytorch中归一化transforms.Normalize的真正计算过程]]></title><link>https://blog.youkuaiyun.com/qq_44523137/article/details/120490093</link><guid>https://blog.youkuaiyun.com/qq_44523137/article/details/120490093</guid><author>qq_44523137</author><pubDate>Sun, 26 Sep 2021 17:07:31 +0800</pubDate><description><![CDATA[关于transforms.Normalize的真正理解问题transform.ToTensor()代码示例transforms.Normalize()求解mean和std结论
我们都知道，当图像数据输入时，需要对图像数据进行预处理，常用的预处理方法，本文不再赘述，本文重在讲讲transform.ToTensor和transforms.Normalize。
问题
transform.ToTensor(),
transform.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))

究竟]]></description><category></category></item><item><title><![CDATA[基于yolov3-deepsort-flask的目标检测和多目标追踪web平台]]></title><link>https://blog.youkuaiyun.com/qq_44523137/article/details/116323516</link><guid>https://blog.youkuaiyun.com/qq_44523137/article/details/116323516</guid><author>qq_44523137</author><pubDate>Sat, 01 May 2021 09:14:50 +0800</pubDate><description><![CDATA[目标检测和多目标追踪平台简介项目地址
简介
与yolov3、deep-sort和flash相结合，是一个可以在网页上运行的目标检测和多目标跟踪平台。你可以上传图片或视频。上传图像时，进行目标检测。上传视频时，进行多目标跟踪（默认为行人，可更改为其他对象）。移动终端提供在线拍摄接口，用于实时目标检测和多目标跟踪。
项目地址
项目已经开源。是兄弟就来star我。
Transformer-man/yolo-deepsort-flask

...]]></description><category></category></item><item><title><![CDATA[vs code快捷键CTRL+左键跳转快捷键失灵问题]]></title><link>https://blog.youkuaiyun.com/qq_44523137/article/details/116295837</link><guid>https://blog.youkuaiyun.com/qq_44523137/article/details/116295837</guid><author>qq_44523137</author><pubDate>Fri, 30 Apr 2021 10:33:26 +0800</pubDate><description><![CDATA[vs code快捷键CTRL+左键跳转快捷键失灵问题很简单，缺少插件
很简单，缺少插件

如图所示，安装python插件即可。

]]></description><category></category></item><item><title><![CDATA[阿里云ECS部署python,flask项目，简单易懂，无需nginx和uwsgi]]></title><link>https://blog.youkuaiyun.com/qq_44523137/article/details/112676287</link><guid>https://blog.youkuaiyun.com/qq_44523137/article/details/112676287</guid><author>qq_44523137</author><pubDate>Fri, 15 Jan 2021 16:41:17 +0800</pubDate><description><![CDATA[配置
使用的是阿里云的学生机
简要说明一下针对本文的环境情况：
系统：Ubuntu20.04 Server（自带python3.8）
进入阿里云服务器页面
进入管理台，重置密码，方便登录


加入安全组

我的安全组配置

这里表示端口开放
接下来，cdm进入命令行 ssh root@ip地址 进入你的服务器

然后执行所有升级
sudo apt update
sudo apt upgrade -y

pip换源（注意是pip3！！！！！）
sudo pip3 config set global.inde.]]></description><category></category></item><item><title><![CDATA[tensorflow2.0稳定版GPU简单安装]]></title><link>https://blog.youkuaiyun.com/qq_44523137/article/details/106112925</link><guid>https://blog.youkuaiyun.com/qq_44523137/article/details/106112925</guid><author>qq_44523137</author><pubDate>Thu, 14 May 2020 09:30:04 +0800</pubDate><description><![CDATA[近期很多小伙伴询问我如何安装GPU版本tensorflow，其实特别简单。首先你的电脑一定要有NVIDIA显卡，算力现在的电脑应该普遍满足，不做考虑。
看到网上有许多GPU安装的方法，倍感麻烦，在此做简单安装介绍。
第一步：
话不多说，cuda10.0，cudnn
cuda10.0安装其实直接默认即可，当然自定义也是可以的。去掉其中的flash插件，其实无伤大雅，方便考虑，默认即可。
cudnn解压后，复制到cuda底下，和bin相同目录即可。

这样就完成了重要的一步。
第二步 ： 配置环境变量
如图所示]]></description><category></category></item></channel></rss>