ruotianxia的博客

【代码】【基于detectron2训练数据集】

将using namespace detectron2之前的用下面代码覆盖。

参考博客：https://blog.youkuaiyun.com/weixin_43412762/article/details/129824339。

输入URL， 然后点击下载。

Linux 服务器中安装Anaconda如何在Linux服务器上安装Anaconda（超详细）

python 自带 split 仅可分割单个特定字符。

【代码】Linux系统下监视GPU实时占用情况。

从上图中可以看到，前面的卷积神经网络提前特征后，分别进行两个通道注意力计算，两个通道可以并行也可以串行，但是原作者在实验中发现，串行且channel在spatial之前，性能会更好。CBAM将这两个注意力模块嵌入到CNN的卷积层之间，以增强网络对重要特征的关注度。在common.py的尾部添加如下代码，即Channel Attention 模块、Spatial Attention模块、CBAMC3模块。如果运行之后的网络输出中，出现CBAMC3，则说明添加成功，下面就是等待训练的结果。

当数据集较小时，调节学习率的方法当数据集较小时，调节学习率的方法可以参考以下步骤：当数据集较小时，调节学习率的方法可以参考以下步骤：先尝试一个较小的学习率，如0.001，或者根据经验设置一个初始学习率。在训练过程中，观察模型的表现，例如损失函数的下降情况，以及在验证集上的准确率等。如果损失函数下降过快，或者验证集准确率下降过快，说明学习率可能过小，需要增大学习率。如果损失函数下降过于缓慢，或者验证集准确率上升过于缓慢，说明学习率可能过大，需要减小学习率。不断尝试和调整学习率，直到找到一个适合的学

测试集的分割效果不好，可能由以下原因导致测试集的分割效果不好，可能由以下原因导致：为了解决这些问题，可以尝试以下方法：测试集的分割效果不好，可能由以下原因导致：模型过拟合：如果模型在训练集上表现良好，但在测试集上表现不佳，这可能是因为模型过拟合了训练数据。过拟合可能是由于训练数据太少、模型太复杂或训练过程太长时间等原因导致的。数据分布差异：测试集和训练集的数据分布可能存在差异，例如在数据集中某些类别的样本数量不平衡，或者在测试集中有新的噪声或模式。这可能导致模型在测试集上的性能下降。测试集的分割问

https://blog.youkuaiyun.com/m0_51530640/article/details/129975257 参考文章。https://blog.youkuaiyun.com/m0_51530640/article/details/129975257 参考文章。预测的话在predict中，同样修改下文件路径就可以预测图片的结果。训练可以直接运行segment中的train,需要修改下文件的路径，根据自己的需要进行修改。操作比较简单，这里就不多说了，其保存的是json格式，需要转换成yolo需要的txt.

首先将11行中的classes改为自己标注的类别，然后执行下代码生成相应的文件夹，接着将图像copy到JPEGImages下，labels copy到Annotations下面，再次执行一次该代码即可。首先创建一个文件夹：cocoImages, 里面分别创建2个文件夹，images用来放置标注图片, vocLabels 用来放置标注文件。如果运行的时候出现如下报错，进入虚拟环境中搜索libiomp5md.dll，删掉一个即可。下面的文件是网络训练时的参数，可以进行修改，链接里是yolov5的预训练模型。

首先将11行中的classes改为自己标注的类别，然后执行下代码生成相应的文件夹，接着将图像copy到JPEGImages下，labels copy到Annotations下面，再次执行一次该代码即可。运行完成后，terminal中会出现以下提示，可以点击网址，然后从网址中打开路径中的best.onnx,即可查看网络模型。下面的文件是网络训练时的参数，可以进行修改，如果训练的次数少，没有结果，可以修改该配置里面的conf。

显示 torch.tensor图像卷积特征图1.定义特征显示函数2.定义一个卷积提取网络（博文里面使用的是keras,我这边改成了pytorch）3. 运行实例参考博文：https://blog.youkuaiyun.com/dcrmg/article/details/81255498/1.定义特征显示函数def get_row_col(num_pic): squr = num_pic ** 0.5 row = round(squr) col = row + 1 if squr - row

Swin Transformer1. 网络架构2. 参数意义与设置3. 将图像分割成不重叠的图像块（split image into non-overlapping patches）1. 网络架构先放一张网络架构图，看着方便！2. 参数意义与设置import torchimport torch.nn as nnimport torch.utils.checkpoint as checkpointfrom timm.models.layers import DropPath, to_2tupl

Transformer一、资料链接一、资料链接1. Attention is all you need.下载地址 ：https://arxiv.org/abs/1706.03762

图像局部特征提取评价准则环境配置：local feature evaluation + colmap一、下载与编译colmap1.下载colmap2.安装依赖项3.编译colmap二、下载与编译local-feature-evaluation一、下载与编译colmap1.下载colmap% 第一次连接不上，就再尝试一次，知道下载成功，或者直接手动从GitHub上下载git clone https://github.com/colmap/colmap.git2.安装依赖项sudo apt-ge

服务器Linux环境下安装Matlab2018b一、下载Linux版本Matlab2018b二、上传Matlab2018b镜像三、安装Matlab2018b四、激活Matlab一、下载Linux版本Matlab2018b在网上可以直接搜到，这里就不给到链接了。二、上传Matlab2018b镜像新建一个文件夹，存放Matlab镜像mkdir MATLAB由于服务器的实例不能挂载，所以要使用7z,安装7zsudo apt-get install p7zip-full p7zip-rar7z

Faster R-CNNFaster R-CNN 源码地址：https://github.com/ShaoqingRen/faster_rcnn参考网址https://senitco.github.io/2017/09/02/faster-rcnn/https://blog.youkuaiyun.com/qq_36269513/article/details/80422276http...

在 考虑数值计算稳定性情况下的Softmax损失函数的公式如下 ：对所有样本及计入正则化惩罚后，损失函数公式为：我们先从 Li看起。f(i,j)即矩阵f(x,w)中的第i,j个元素。我们与之前一样求出样本集与权重集之间的评分集即可。max(fj)即在第i个样本的所有分类得分中最大的得分。从式中看，评分集中的每一个元素都需要减去这个最大得分，这可以通过矩阵操作的广播机制来完成。同...

编译 Faster RcnnRcnn 是比较经典的做目标检测的算法，今天准备学习一下，啥都不用说，先把程序调通。一、编译caffe 编译caffe是最麻烦的事情。。首先下载rcnn 的代码git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git 然后开始编译cd /home/mmt/Desktop/py-f

Joint Detection and Identification Feature Learning for Person Search这篇是学习 Joint Detection and Identification Feature Learning for Person Search的代码的记录 。https://github.com/ShuangLI59/person_search一、Caf

Fast R-CNN 许多文章都是基于R-cnn系列做的Person search，同时R-cnn系列的算法也都是非常经典的。所以今天准备详细的学习一下Fast R-cnn，。代码网址： https://github.com/rbgirshick/fast-rcnn一、编译运行程序 首先肯定是要先把程序调通，运行出结果，才有继续看下去的欲望。Fast R-cnn是基于caffe的，所以首先做的就

Caffe 环境搭建 （ubuntu 14.04，16.04, cuda 8.0, Nvida 8.0）一、首先从官网上下载相应版本的cuda和显卡驱动安装nvidia sudo opt install gdm (选择gdm) sudo /etc/init.d/gdm stop ctrl+ALT+F1 sudo sh NVIDIA-linux-x86-173.14.22.run

Caffe 编译错误记录装了opencv 3之后，以前可以编译成功的的caffe总是出现错误，现记录下来，作为备份：1、build_release/lib/libcaffe.so：对‘cv::imdecode(cv::_InputArray const&, int)’未定义的引用 对于各种cv出错： 解决方法： 修改Makefile: LIBRARIES += glog ...

LIFT: Learned Invariant Feature Points的运行 环境的配置总体上是采用这个网址，https://blog.youkuaiyun.com/xdzhangzhenhao/article/details/79058963，下面主要记录的是配置ｏｐｅｎｃｖ3.2.0的过程．ｏｐｅｎｃｖ的编译主要参考以下网址：https://blog.youkuaiyun.com/wangpengfei163...

M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network阅读笔记文章摘要阅读笔记文章摘要特征金字塔是经典的单阶段（one-stage）与多阶段(multi-stage)目标检测算法使用的一种策略，单阶段如： DSSD, RetinaNet, RefineDet; 多阶段如： MaskRC...

边缘检测：更丰富的卷积特征 Richer Convolutional Features for Edge DetectionSource code and paper addressAbstract1. 经典边缘检测2. 作者的观点3. Richer Convolutional Features (RCF)4. Annotator-robust Loss Function5. 多尺度分层边缘检测...

源码学习（Pytorch）—边缘检测：更丰富的卷积特征 Richer Convolutional Features for Edge DetectionSource code and paper address1. Pytorch 环境配置 Windows 10 + Pytharm + Python3.62.编译 Pytorch Version RCF2. 作者的观点Source code...

Deeplabv2 调试全过程（Ubuntu 16.04+cuda8.0）本人刚接触深度学习与caffe，经过几天的填坑，终于把Deeplabv2的 run_pascal.sh与run_densecrf.sh成功运行，现将调试过程整理如下：一、安装必要的依赖库 安装 matio: 安装方法1： sudo apt-get install libmatio-dev 安装方法2： 下载mat