- 博客(28)
- 收藏
- 关注
RSS订阅原创 OSSOD
到pretrained_model/backbone。训练前，请下载预训练好的骨干网ResNet-50（4.1 使用分布（ID）标记数据来训练基线。4.2 使用未标记数据训练半监督检测器。
2025-07-14 15:32:32
777
原创 Linux系统下运行项目5
1. from mmcv.runner import BaseRunner, EpochBasedRunner, IterBasedRunner --> from mmengine.runner import Runner # 在源代码中，BaseRunner, EpochBasedRunner, IterBasedRunner的内容需要被重写；2. cfg.merge_from_dict(args.cfg_options) # 合并命令行中的配置选项；# 初始化模型权重；
2025-05-23 19:28:07
284
原创 Linux系统下运行项目4
包含了从解析命令行参数、配置文件加载、模型构建、数据集准备到训练过程的所有步骤。6. --cfg-options # 用来覆盖配置文件中的某些设置；5. --launcher # 指定分布式训练使用的启动方式；3. import argparse # 用于处理命令行参数。4. config # 指定训练配置文件路径；在MMCV v2.0及之后的版本中，部分核心组件（如。用于解析命令行参数，返回。mmdet版本兼容问题；下一篇继续......
2025-05-23 15:16:57
218
原创 Linux系统下运行项目3
用于启动分布式训练的Bash脚本，根据不同的输入参数（训练类型、折数、标注数据比例、GPU数量）来选择不同的训练配置，并且支持分布式训练；，表示训练过程中使用的标注数据的百分比（例如10%表示使用10%的标注数据进行训练）；结构，这是命令替换的语法，意思是先执行括号内的命令，然后用其输出结果替换整个表达式；，表示交叉验证中的折数（fold），用于不同的数据划分；表示从第5个参数开始的所有额外参数，会传递给训练脚本。变量，它代表当前正在执行的脚本的名称，若脚本的路径是。路径操作，在Unix的路径表示中，
2025-05-23 11:19:26
396
原创 Linux系统下运行项目2
注：instances_train2017.1@1.json $ 第一个1，随机种子；第二个1，10%附标签图像；semi_coco.py是一个coco数据集分割文件，用于生成coco数据集的标注数据和未标注数据；prepare_coco_data.sh是一个Shell脚本文件，用于执行数据集的分割；# 注：instances_train2017.1@1-unlabeled.json。# 注："licenses"和"info"在标签文件中没有，注释掉即可；
2025-05-22 20:06:20
214
原创 Linux系统下运行项目1
5. cd /mnt/mySUB/paper_semi-supervised/baseline/ # 进入到项目文件目录下；2. sudo mount /dev/sdb1 /mnt/mySUB # 挂载，U盘对应的设备名，挂载点；1. sudo df -h # 以人可读的格式查看各文件系统的磁盘空间使用情况；3. conda env list # 查看已创建的虚拟环境；6. sudo umount /mnt/mySUB # 卸载。
2025-05-22 15:02:27
190
原创 显卡、显卡驱动、CUDA、cuDNN
CUDA Version表示驱动支持的最高CUDA运行时版本，而非实际安装的CUDA Toolkit版本。cat /usr/local/cuda-8.9.7(有所不同)/include/cudnn_version.h(或cudnn.h，有所不同) | grep CUDNN_MAJOR -A 2。注释：nvidia-smi(CUDA版本) >= nvcc -V (CUDA版本)特点：显示的是CUDA Toolkit的版本，而非驱动版本。查看NVIDIA GPU状态、驱动版本及驱动支持的CUDA版本。
2025-05-06 19:23:51
1229
原创 CUDA、cuDNN版本与TensorFlow兼容问题
网址：https://www.tensorflow.org/install/source?hl=zh-cn#gpu
2025-04-30 16:40:47
483
原创 设置全局环境变量
在Linux或类Unix系统中，环境变量（Environment Variables）是存储系统或应用程序配置信息的重要机制。仅对当前Shell及其子进程有效，关闭终端后失效。1. 直接使用export2. 验证变量是否生效echo $MY_VAR # 输出需要将export命令写入配置文件，使其在系统重启或新终端中生效。
2025-04-30 13:20:46
605
原创 Mixup增强策略
mixup是2018年发表在ICLR上的一种数据增强方法，核心思想是从每个batch中随机选择两张图像，并以一定比例混合生成新的图像。需要注意的是，全部训练过程都只采用混合的新图像训练，原始图像不参与训练过程。如何理解Mixup？下图是Mixup增强策略的简单可视化图。)是同一个batch中随机选择的两个样本及对应标签，为从beta分布中随机采样的数，
2025-04-16 19:47:03
541
原创 知识蒸馏算法【Knowledge Distillation】
再把数据输入到学生网络，学生网络可能是还没有训练的网络，也可能是训练一半的半成品网络。此时，如果想让soft targets更加平缓，高的降低，低的升高，实现方法是在softmax的分母处加个T。平滑的soft targets有助于提高模型的鲁棒性，使其对输入数据的小变化更加稳定。一种是教师网络的输出。T和分布的关系如上图，T从1增加到10，值之间的差异越来越小，softmax的放大效果被冲淡。把一个大的神经网络(定义为教师模型)所学的知识，教给一个小的神经网络(定义为学生模型)。
2025-04-16 18:45:26
895
原创 1. 如何加载数据集
xl = [augment(x) for _ in range(FLAGS.nu)] 生成多个增强视图：对输入数据x进行多次增强(默认两次)，并将增强后的图像和标签沿新维度堆叠。将生成的数据集配置列表添加到DATASETS字典中，举例，key = 'cifar10.3@250-5000'，value为相应的配置。是一个生成器函数，用于生成多个可迭代对象的笛卡尔积，它会遍历所有输入可迭代对象的所有可能的组合，并返回这些组合的元组。6(种子)×6(标签)×2(验证)=72种组合。
2025-04-11 22:46:04
322
原创 学习如何搭建深度学习网络-tf框架2
2. assert FLAGS.nu == 2 # 验证FLAGS.nu是否为 2，如果不是则立即抛出AssertionError并终止程序，其中，nu表示对未标记数据的增强次数。1. del argv # 所有配置通过FLAGS全局对象访问，argv无剩余有用信息。加载数据集(这个，很重要)
2025-04-11 16:32:45
288
原创 学习如何搭建深度学习网络-tf框架1
2. tf.logging是TensorFlow 1.x中的日志记录模块(基于Python标准库logging封装)，用于控制TensorFlow运行时输出的日志级别。4. flags.DEFINE_integer是absl库中用于定义整型命令行参数的方法。3. flags.DEFINE_float是absl库中用于定义浮点型命令行参数的方法。lower_bound=None, # 可选最小值。FLAGS = flags.FLAGS # 获取全局FLAGS对象。调用main()函数开始训练。
2025-04-11 15:20:40
600
原创 使用MMDetection训练自己的数据集5
此时我们运行work_dirs目录下的配置文件，然后就可以开始训练啦！可以查看每个epoch的loss、剩余时间等等。，里面有模型的配置文件，权重文件。以及训练过程中的记录。
2025-02-26 19:25:03
284
原创 使用MMDetection训练自己的数据集4
在配置文件中创建一个metainfo，将自己的classes（标签类别）和palette（调色板）写入，并。具体选择的faster_rcnn类型为：faster-rcnn_r50_fpn_1x_coco.py；# 可以看到mmdetection文件夹中生成了一个work_dirs子文件夹，中就是完整的配置文件；在configs文件夹中选择想要使用的目标检测模型，我这里选择的是faster_rcnn；在这里，根据自己的设备修改为了epoch=***，batch=***；2.4 预训练权重的使用。
2025-02-26 16:36:26
463
原创 使用MMDetection训练自己的数据集3
在mmdetection文件夹下新建一个data文件夹，再新建一个子文件夹名为coco，然后存放自己。由于是coco格式的数据集，因此可以直接复制名为coco.py文件的内容到SSDD.py文件，然后修。进入mmdet/datasets这个文件夹里，并创建一个自己命名数据集的python文件，我的叫做。import的内容就是我们自定义的dataset名字；.py中仿照coco的格式把我们自己的数据集进行录入。1. 准备好coco格式的数据集。标注的颜色换成自己的数据。coco.py中的类名。
2025-02-26 14:13:27
329
1
原创 使用MMDetection训练自己的数据集2
1. cd mmdetection # 进入mmdetection对应的文件夹下。pip install -v -e # 安装配置文件。1. 在github上，下载mmdetection项目文件的源码到本地。二、下载源码并安装配置文件。2. 安装源码中的配置文件。
2025-02-26 13:09:06
282
原创 使用MMDetection训练自己的数据集
需要注意，安装与cuda、torch兼容的mmcv库；需要注意，安装与cuda兼容的pytorch版本；需要注意，安装与torch兼容的numpy版本；1. 创建mmdetection的虚拟环境。3. 安装mmdetection所需要的包。2. 安装GPU版本的torch。
2025-02-26 12:54:26
325
原创 Ubuntu下的一些常用指令
文件 unzip filename.zip。3. 移动某个文件夹下全部文件到另一文件夹下。2. 移动某个文件到另一个文件夹下。
2024-11-28 13:29:34
747
原创 显卡与GPU(单卡与多卡)
显卡除GPU外，还负责输出图像到显示器及通信。但是，大多数情况下，可以将显卡叫做是GPU。输入命令 nvidia-smi。GPU负责处理图像和视频信息。1. GPU是显卡的核心部件。
2024-11-27 21:41:17
490
原创 Ubuntu下的一些常用指令
执行命令来查看图片分辨率 identify -format "%w %h" your_image_file.jpg。查看图片分辨率命令 identify -verbose <想要查看的图片的路径>使用命令行工具打开图片文件所在目录。1. 查看图片的属性。
2024-11-27 21:16:46
207
原创 修改YOLOv8网络模型
需要将数据集配置文件下(cfg\datasets\seaships.yaml)，path，train，val，test键配置好正确的地址值。在YOLOv8代码中，模块的存放位置，主要集中在 ultralytics\nn\modules\Conv.py。在YOLOv8中，为新添加的模块配置输入参数列表，在task文件下的parse_model方法中配置。3. 对新添加的模块，配置参数列表 ultralytics\nn\task.py。2. 将新设计好的模块，添加到代码中。
2024-09-28 23:46:04
859
原创 Ubuntu下的一些常用指令
8. 创建一个新环境： conda create -n yolov8 python=3.9.19。2. 查看CUDA版本： nvcc --version 或 nvcc -V。复制命令： Ctrl+Shift+C。粘贴命令： Ctrl+Shift+V。1. 利用Prompt，查看python版本 python -V。3. 查看Ubuntu的版本： lsb_release -a。复制命令： Ctrl+C。粘贴命令： Ctrl+V。5. 显示该位置下的所有文件： ls。
2024-09-10 00:30:29
813
原创 Ubuntu中文输入法
3. 安装google拼音输入法 sudo apt install fcitx-googlepinyin。2. 安装fcitx输入法框架 sudo apt install fcitx。1. 将google拼音输入法，设置为最高优先级。1. 更新源 sudo apt update。1. 将键盘输入法系统，切换成Fcitx 4。2. ctrl+空格，可实现中英文切换。打开Ubuntu终端。
2024-09-08 20:50:56
250
原创 YOLOv8训练自己的数据集2
注释：导出onnx模型的时候，需要设置opset=11，不然导出模型可能会报错，或者会出现警告。此外，最好设置动态导出onnx，这样模型的输入就不会仅限制在640*640，而可以是任意batch_size，还有任意尺寸的图片了，并且可以同时预测batch_size张图片。验证文件 validation.py。导出文件 exportion.py。验证其实是加载验证集，然后使用best.pt进行推理，得到的各项指标数据。预训练权重文件 yolov8s.pt。
2024-09-07 21:55:34
514
原创 YOLOv8训练自己的数据集
注释：在设置模型规模(n，s，m，l，x)的时候，直接通过Model_yaml参数来设置：model_yaml=r"D:\edge\YOLO\YOLOv8_Official_Version\ultralytics\cfg\models\v8\yolov8s.yaml"，虽然该路径下没有yolov8s.yaml的文件，但是v8可以识别出来选择的模型类型。路径：ultralytics\cfg\models\v8\yolov8.yaml 模型加载文件 只需要修改类别数nc即可。train(文件夹)
2024-09-07 21:19:02
3584
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人