墨门

Keywords: FocalNet介绍此榜单用于评比网上开源的目标检测模型；模型入选标准不使用额外的训练数据；Paper and Code1. YOLOv5x6-TTA, boxAP: 55.0模型名称：YOLOv5x6-TTA2. Swin-S, boxAP: 51.9模型名称：Swin_Transformer-Object_Detection-S

1 CNN的优势1.1 对齐性CNN对于sample和target是对齐的情况效果比较好；

目录1 前言2 框架选择3 项目需求3.1 自动更新4 开发环境4.1 Yarn安装4.2 基础库安装react-fontawesome5 项目初始化&配置5.1 复制ERB模板5.2 安装ERB项目依赖5.2.1 使用“yarn”命令进行项目依赖包的安装5.3 安装electron5.3 安装第三方依赖5.4 启动调试5.4 脚手架预配置5.5 移植时node_modules文件夹可以删除6 软件运行分析6.1 端口检测——`./internals/scripts/CheckPortInUse.j

Keywords: 可视化 visio1 Visualization可视化这里我们将会记录一下关于Visualization的学习笔记～2 模型Visualization使用TensorBoard，可以参考教程《PyTorch TensorBoard Support》；首先需要安装TensorBoard使用conda命令安装，conda install pytorch torchvision -c pytorch

1 坐标格式图像大小：(w,h)(w,h)(w,h)

1 致谢感谢PaddleDetection对开源社区的分享以及在目标检测领域做出的贡献！2 Letterbox——YOLO家族使用的预处理方法代码链接：yolov5-letterbox

1 问题描述运行PyTorch程序时出现“interrupted by signal 9: SIGKILL”错误；根据网友lwten的回答：感觉应该是内存不足导致的；

1 参数设置粒子数量：根据解空间的特点来进行设置；

1 前言SAST是由百度PaddleOCR团队自研的文本检测算法；2 SAST算法介绍2.3 后处理算法在NMS模块，使用的是EAST模型的Locality-Aware-NMS算法；

1 PaddleDetection介绍PaddleDetection是由百度推出的目标检测开源模型库；2 模型训练/评估/预测infer.py —— 模型预测# 预测python tools/infer.py -c configs/faster_rcnn_r50_1x.yml --infer_img=demo/000000570688.jpg2 运行分析2.1 图像预测我们可以使用如下的命令来预测图像中的物体目标# 用PP-YOLO算法在COCO数据集上预训练模型预测一张图片pytho

1 致谢感谢网友ShellCollector的帮助，原文链接如下：https://blog.youkuaiyun.com/jacke121/article/details/808245752 前言今天在学习FaceBoxes~感觉PyTorch中的维度操作挺多的，于是想着想要记一下笔记~2 张量——torch.Tensor2.1 张量的复制操作获得不进行反向传播的tensor副本（“类似于.copy()”）tensor.clone().detach_()2.2 张量的索引操作掩码选择——tor

1 HRNet论文学习论文：《Deep High-Resolution Representation Learning for Visual Recognition》arxiv链接：https://arxiv.org/abs/1908.079192 代码学习来自于stefanopini开源项目：simple-HRNet感谢stefanopini的分享！

1 前言我们开始进行实例分割的学习~2 数据集——APOLLOSCAPE-Lane-Segmentation我们选择的数据集是来自于APOLLO的车道线数据集；数据集的构成，训练数据：road02、road03和road04测试数据：road05

1 ReLU——最常用的激活函数我们可以看看ReLU的图像2 SiLU——较为平滑的激活函数可以看看SiLU的图像

1 前言此博文记录了YOLOv5的学习笔记~

register_backward_hook()作用是获取神经网络反向传播过程中，各个模块 输入端和输出端的梯度值 。

1 问题描述“RuntimeError: CUDA out of memory.”是PyTorch写作中常见的一种运行错误，这里我们将记录一下调试过程中发现的一些解决方案；2 解决方案2.1 模型较大——可以降低batch_size一种常见的原因就是模型的参数量较多，此时降低batch_size是一种可行的方法2.2 读取loss值时没有使用item()函数这是我之前在写作中出现的一个错误，我需要使用loss值作为训练过程时的输出，不过在取的张量的值之后，没有只用item()函数，而是直接用in

1 前言我觉得DCN是一个十分具有实力的技术，在Deformable-DETR跟PP-YOLO中都有用到DCN；2 DCN的特点理论上可以获得任意大小的感受野（由于其deformable的特性）

1 预处理的作用预处理是为了使得模型能够更好地收敛；2 预处理技术可以采用的预处理技术如下：数值归一化（x/maxx/maxx/max）特征归一化（(x−mean)/std(x-mean)/std(x−mean)/std）2.1 数值归一化（x/maxx/maxx/max）将输入信号的值归一化到[0,1][0,1][0,1]之间，比较简单的一种做法就是f:x/maxf:x/maxf:x/max；2.2 特征归一化（(x−mean)/std(x-mean)/std(x−mean)/std）

1 前言后处理方法是很重要的，我在学习训练COCO数据集时深有体会，这里用笔记记录一下后处理的相关知识2 常用的后处理方法后处理方式推荐的使用顺序：阈值过滤 →\rightarrow→ 按类别Top-K →\rightarrow→ 按类别NMS2.1 阈值过滤——最简单的后处理设置一定的阈值范围对boxes进行过滤，感觉0.5一般是不错的选择；2.2 NMS——最常用的后处理方法2.3 Top-K——“也还挺简单的”2.3.1按类别top-K——“比较physical的处理方式”可以按

1 前言现在最强的YOLO系列算法是Scaled-YOLOv4，也是目前Papers-With-Code上面的SOTA模型！2 后处理算法Scaled-YOLOv4论文中没有具体给出NMS设置的描述，于是我们参考了YOLOv4中的设置，使用了DIoU-NMS；还可以看看Scaled-YOLOv4的代码来确认一下2.1 NMS Screening——DIoU-NMSYOLOv4使用了DIoU-NMS作为后处理的方法；...

1 训练和测试数据集的划分比例数据集的划分比例为train: val: test = 7: 2: 1；2 数据随机选择（打乱）使用sklearn中的train_test_split()函数；经过测试train_test_split()函数在默认参数，（也就是不显式地设置random_state参数的情况下），随机种子的初始化是一种真随机的初始化，测试过程如下：第一次测...

1 错误描述今天在调试PyTorch代码时出现“RuntimeError: Found dtype Double but expected Float”的错误，相关提示信息如下File “/home/…/train.py”, line 78, in mainrunning_loss = trainer.train_one_epoch(epoch, qa=qa)File “/home/…/model/…py”, line 347, in train_one_epochloss.backward()

Keywords: COCO json1 COCO数据集的大小train和val集总共数量：1232872 EDA2.1 COCO数据集存在width或者height小于10像素的目标在对COCO数据集进行探索性数据分析之后，我们知道COCO数据集中是存在很小的目标的，例如“width或者height小于10像素的目标”，这里我们可以看看一个示例图像，........................

1 前言这是《南溪的目标检测学习笔记》的目录~2 学习目标检测的思路——“总纲”《南溪的目标检测学习笔记》——目标检测的学习笔记我在这篇文章中介绍了自己学习目标检测的思路和方法，相当于是“总纲”啦（这个是我看《诛仙》里面的“天书”想到的）~3 目标检测之模型写作——PyTorch《南溪的目标检测学习笔记》——PyTorch模型搭建模板在编写深度学习模型之前，一个好的模板是十分重要的，这里我们介绍了平常可以获得的一些开源代码的模板，比如：PyTorch的官方模板~...

2 剪枝模型剪枝是很有效的，因为模型在初始化时会有很多的神经元，也就是“想的很多”，通过剪枝可以消除一些作用小的神经元；

Keywords: Windows Win11 Win101 前言重装系统是需要经常使用的操作2 重装系统的步骤step 1: 首先需要制作U盘启动盘；step 2: 启动电脑，打开BIOS设置，

1 基于遗传算法的全局匹配方法选取特征子算法，可以使用SIFT特征子；使用遗传算法进行coarse匹配；