- 博客(2)
- 收藏
- 关注
原创 视觉大模型学习之CLIP&VIT
Vision Transformer(VIT)是CLIP架构的视觉塔部分,这部分实现了将图片转化为1*D的特征向量,并使用了分块处理的思想。
2026-01-21 10:55:53
1225
原创 ONNX推理_部署
好,话说回来,数据reshape成单通道二维数组后,通过行遍历,统计计算每行数据置信度,大于阈值的计算80类得分最高的那一类别,并将类别id和分数记下来,如果类别分数大于阈值,将其检测框的坐标宽高记录下来,同时记录置信度、类别id。得到推理结果后,要进行同样很重要的后处理,首先C++的推理结果output结构和python上是不一样的,不能直接取output[0]作为pred结果,而是被拆成大目标、中目标、小目标这种分散在output的维度里。所以这些要通过遍历循环。然后进行最重要的一步,模型的推理。
2026-01-13 18:23:18
943
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
RSS订阅