墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
200+累计阅读
258平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
git clone https://github.com/eric612/MobileNet-YOLO.git
cd MobileNet-YOLO
mkdir build
cd build
cmake ..
make
cd ../models/darknet_yolov3
python darknet2caffe.py yolov3.cfg yolov3.weights yolov3.prototxt lwd.caffemodel
deeplearning
Pytorch版本YOLOv3模型转Darknet weights模型然后转caffemodel再转wk模型在nnie上面推理
Pytorch版本YOLOv3模型转darknet weights模型然后转caffemodel再转wk模型在nnie上面推理 文章目录Pytorch版本YOLOv3模型转darknet weights模型然后转caffemodel再转wk模型在nnie上面推理前言1. 海思nnie设备以及转换思路转换思路2. Pytorch pth模型 —— Darknet weights模型3. Darknet weights模型 —— caffemodel4. Caffemodel —— wk模型新建并且配置环境设置
Darknet2Caffe 大概步骤
文章目录1训练模型2转换模型2.1安装Caffe2.2拓展 upsample 层2.3转换模型 1训练模型 我的模型训练是在 Linux 服务器上进行。因为我的笔记本没有 GPU。 使用 yolov3 训练模型网上有很多教程。大体上就是先标注数据再训练得到模型。 大家查一下就可以看到很多图文并茂的教程了。我就不重复了。 完事之后，你会得到如下2个文件： xxx.cfg xxx.weights 2转换模型 因为相机需要的是 WK 模型，而 WK 模型只能从 Caffe 模型转换得到。 所以我们先把 Dar
Vectorless dynamic动态功耗分析——Voltus
power 计算工具会根据设计信息和用户提供的activity和switching约束来生成虚拟的worst-case的power vector，难点在于哪些instances视为switching，在没有仿真的前提下如何确定开关的时间，使用timing文件（TWF）
如何在Ubuntu18.04上安装caffe+darknet2caffe环境
Ubuntu的安装请参考《如何快速安装Ubuntu18.04》 samba服务的配置请参考《如何在Ubuntu配置Samba服务》 0、由于在安装darknet2caffe环境的时候需要下载并安装torch 在执行 pip3 install torch的时候，总是会被killed(已杀死)，所以这里需要对Ubuntu的运行内存做一下配置。 确保你的Ubuntu是在关机状态，点击内存，将内存调至4GB(至少)，然后再给Ubuntu开机，此时Ubuntu的运行内存就是4GB了。 一、在Ubuntu18.
【OpenCV】复杂场景下的高精度圆检测实战（附完整代码）
本文针对OpenCV霍夫圆检测在复杂场景下易失效的问题，提出了一套基于轮廓分析的高精度圆检测实战方案。通过图像预处理、轮廓发现及多轮几何筛选（面积、周长、椭圆拟合、多边形逼近），有效排除噪声和类圆干扰物，显著提升复杂场景下的检测鲁棒性，并附完整可调参的Python代码实现。
Contest 226 - C - Martial artist
from atcoder Problem Statement Time Limit: 2 sec / Memory Limit: 1024 MB Score :300300points Takahashi is a martial artist. There areNNmoves that a martial artist can learn, called Move11,22,\ldots…,NN. For each1 \leq i \leq N1≤i≤N, it takes...
【yolov4-tiny】一、darknet-＞caffe
手撕caffe
避坑指南：Cursor AI生成Flutter代码时最容易翻车的5个配置细节
本文深入剖析了使用Cursor AI生成Flutter代码时，因.cursorrules配置文件不当而导致的五大常见问题。重点探讨了如何通过制定清晰、具体的规则，避免状态管理混乱、设计图输入低效、项目架构脱节、性能隐患及规则维护缺失等陷阱，从而将AI转化为高效、可靠的开发伙伴，提升代码质量和团队协作效率。
docker配置darknet2caffe问题及操作记录
创建volume挂载 docker run -i -t -v /d/Project/caffeFile:/mnt --name data bvlc/caffe:gpu /bin/bash 文件交互 cp指令 cp Makefile.config /mnt cp /mnt/Makefile.config Makefile.config 报错cannot find -lopencv_imgcodecs 显而易见 缺少opencv3.x 库 apt-get update apt-get install bui
UNet改进（24）：注意力机制-从基础原理到高级融合策略
本文系统探讨了如何通过引入各类注意力机制增强UNet在医学图像分割中的性能。文章分为基础篇、进阶篇和高级篇三个层级：基础篇介绍了时序注意力、可变形注意力、分层注意力等8种基础机制；进阶篇提出了5种混合注意力设计；高级篇则探讨了全局+局部+多尺度等复杂组合机制。实验表明，这些注意力模块在心脏MRI、肺部感染等任务中能提升2-15%的分割精度。文章还提供了硬件适配建议和完整实现代码，为研究者提供了全面的技术参考。未来方向包括NAS优化、量子注意力等前沿探索，为UNet在医疗影像等领域的应用革新提供了理论指导。
上位机 寻边器 通讯实战
寻边器通讯接口实现 本文介绍了上位机与盖泽(Gazer)和JEL品牌寻边器的通讯接口实现方案。主要内容包括： 接口定义：创建了IAlignerOperation接口，定义了获取状态、控制运动、真空吸附等核心功能。 具体实现： 盖泽寻边器(GazerAlignerCjh)：通过串口通讯，实现了回零、校准、移动位置等操作 JEL寻边器(JelAligner)：同样基于串口通讯，包含错误处理、状态查询等功能 工厂模式：通过AlignerFactory工厂类根据设备品牌创建对应的实现对象。 设备加载：展示了如何在系
海思3159A运行yolov3（三）——darknet2caffe
可以参考原作者：https://github.com/ChenYingpeng/darknet2caffe 一、环境 Python2.7 Caffe Pytorch >= 0.40 二、caffe参数配置 1. caffe_layers/mish_layer/mish_layer.hpp,caffe_layers/upsample_layer/upsample_layer.hpp into include/caffe/layers/. 2. Copy caffe_layers/m.
华为OD机试2025A卷 - 分苹果（Java & Python& JS & C++ & C ）
华为OD机试2025A卷 - 分苹果（Java & Python& JS & C++ & C ）
darknet-yolov3转caffemodel
下载https://github.com/ChenYingpeng/caffe-yolov3 1. 修改CMakeLists.txt 主要修改交叉编译器为x86_64编译，修改自己的caffe路径（其中caffe.proto中增加upsample层），修改自己的opencv路径 cmake_minimum_required(VERSION 2.8) project(sysDetectSpe...
微信小程序 - 获取当前日期时间（函数封装）
效果图 前言 摘自微信小程序demo程序中utils.js方法。 普通newDate()出来的日期时间，并不是我们想要的格式，所以要进行格式整理。 解决方案 打开utils.js文件（随意），复制以下代码： /** *获取当前时间 *@description自定义日期分钟秒数 *@param{Object}date-newData()对象 *@returnString */ functionformatTime(date){ //年月日
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
海思AI芯片（HI35xx）:darknet转caffemodel
# The caffe module needs to be on the Python path; # we'll add it here explicitly. caffe_root='/home/qif/smf/caffe/' #os.chdir(caffe_root) import sys # sys.path.insert(0, caffe_root+'python') sys.path.append(r'/home/qif/smf/caffe/python') import caffe imp
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
海思AI芯片（35xx）:yolov3的darknet模型转caffemodel模型
解决办法： 加sudo权限： sudo python 解决办法： sudo python3 原因在于：
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
海思Hi3519AV100深度学习方案（一）darknet转caffmodel之caffe安装（基于Ubuntu16.04+python3.5+opencv3.4.0+cuda10.0）
最近把一个用海思芯片做的项目收尾，做了好几年了，现在看海思的博文都几年前的了。之前项目逻辑功能已完成，发现3519AV这款芯片的算力还不错，也支持深度学习，因此就想把之前训练的模型再优化一下，争取移植到板子上。
darknet版本yolov4转caffe
参考链接： https://zhuanlan.zhihu.com/p/357316097
darknet(yolov2)移植到caffe框架
yolov2到caffe的移植主要分两个步骤：一、cfg,weights转换为prototxt,caffemodel1.下载源码：git clone https://github.com/marvis/pytorch-caffe-darknet-convert.git2.安装pytorch，使用conda指令：(需要有torch模块)conda install pytorch torch...
海思AI芯片(Hi3519A/3559A)方案学习（十）将yolov3的darknet模型转换为caffemodel
前言 海思35xx系列的nnie硬件引擎只支持caffe1.x模型。所以任何使用其它框架训练出来的算法模型想要在nnie上进行推理必须先要将其转换成caffemodel。 本文所讨论的平台是ubun18.0.4+cuda8.x+opencv3.4.3 caffe安装 1.下载代码 git clone git://github.com/BVLC/caffe.git cd caffe/ ...
darknet的yolov3转换为yolov3.caffemodel，并验证是否转换成功
前提：默认已经配置好caffe 1、caffe配置：加入unsample层 https://pan.baidu.com/s/13GpoYoqKSCeFX0m0ves_fQ#list/path=%2F 密码：bwrd 其中的upsample_layer.hpp放入include/caffe/layers下面； upsample_layer.cpp与upsample_layer.cu放在src/caffe/layers下面。 修改相应的caffe.proto文件，src/caffe/proto/caf
【代码使用】ghost-yolo--darknet转caffe记录
之前读了一下ghostnet的文章，然后搭建了一下ghost-yolo-2layer的结构，这里主要是记录一下ghost-yolo转caffe的流程~ 论文笔记：https://blog.youkuaiyun.com/weixin_38715903/article/details/105285570 darknet:https://github.com/AlexeyAB/darknet/ darknet...
darknet模型转化为caffe模型
darknet模型转化为caffe模型 基于基于Darknet框架利用YOLOV3/V4跑通自己数据，可以得到基于darknet框架所得到的weights权重文件，同时还有一个cfg训练文件。 但是，如果想将训练好的yolov3模型迁移到海思相机端，那么就必须要转成caffemodel和prototxt格式，那么就有了darknet模型转化为caffe模型的需求~ 参考链接：https://blog.youkuaiyun.com/qq_40421682/article/details/106855155 ...
yolov2-Tiny在darknet下训练模型转caffe再到ncnn实现
最近一直和师兄在调试ncnn下使用yolov2-Tiny，感觉资料很少，踩了很多坑，就记录一下过程吧。 yolov2-Tiny在darknet下训练过程可以参考我之前的博客： https://blog.youkuaiyun.com/qq_29377279/article/details/83141239 过程都类似，只是聚类的anchor有点不太一样，yolov3是9个，yolo-Tiny是5个。 这是我聚类...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2845
扫一扫
