import jsonimport refrom pylab import *fig = figure(figsize=(8,6), dpi=300)y1 = fig.add_subplot(111)y1.set_xlabel('Iterations')y2 = y1.twinx()y1.set_ylim(0,1.0)parsed=[]with open('./pointrend_rcnn_r101_FPN_3x/metrics.json') as f: try: .

mmdetection， detectron2中常见的，例如：mask_rcnn_r101_fpn_1x_coco.pymask_rcnn_r101_fpn_2x_coco.py1x, 2x表示epoch、和lr下降规则的设置。1x 表示：在总batch size为16时，初始学习率为0.02，在6万轮和8万轮后学习率分别下降10倍，最终训练9万轮2x 策略为1x策略的两倍，同时学习率调整位置也为1x的两倍。...

import numpy as npimport cv2import osfrom PIL import Image#from matplotlib import pyplotimport matplotlib.pyplot as pltimport random#from google.colab.patches import cv2_imshowimport detectron2from detectron2.utils.logger import setup_loggerset.

(1) create envs conda create -n env_name python=version_idfff

evaluationtools/dist_test.sh configs/swin/cascade_mask_rcnn_swin_base_patch4_window7_mstrain_480-800_giou_4conv1f_adamw_3x_coco.py latest.pth 1 --eval bbox segmsave resultrefer to demo/image_demo.py(1) edit mmdet/apis/inference.py show_result_pyp.

github:paper:data:config file: ./configs/trans10kv2/trans2seg/***.yamledit class num, class name: ./segmentron/data/dataloadertrain:bash tools/dist_train.sh configs/trans10kv2/trans2seg/trans2seg_medium.yaml```bash在这里插入代码片test:bash tools/dis

Image inpainting 论文总结: https://github.com/geekyutao/Image-InpaintingRecurrent Feature Reasoning for Image Inpaintinggithub:https://github.com/jingyuanli001/RFR-Inpainting环境：Ubuntu16.04, python 3.6, cuda 10.0, pytorch 1.1.0python run.py --data_roo.

Libra_R-CNN:github:https://github.com/OceanPang/Libra_R-CNN

Libra_R-CNNgithub:https://github.com/OceanPang/Libra_R-CNN1. install pytorch(version>=1.1,python version>=3.5)pip install torch==1.1 torchvisionProblem:1. mmcv-full installation failed as the cuda version (10.0)

Tensorflow版本需要1.14.0及以上。之前用的是1.13.1，后面重装了1.14.01. github:https://github.com/fizyr/keras-retinanetgit clonehttps://github.com/fizyr/keras-retinanet.git2. follow README--> 编译环境 ①pip install ...

Cascade Github:①Caffe版:https://github.com/zhaoweicai/cascade-rcnn②Pytorch版：https://github.com/guoruoqian/cascade-rcnn_Pytorch③Tensorflow版：https://github.com/DetectionTeamUCAS/Cascade-RCNN_Tenso...

1. 数据准备一直想用acrgis画标签，但是安装的arcgis有问题，就用了labelme做标签D-linknet是做二分类，道路和其他。https://github.com/zlkanata/DeepGlobe-Road-Extraction-Challenge\ 用的是python2, pytrochimage和label一起放在dataset文件夹下的trainl里面。...

建议：装环境之前，先把自己安装的版本弄清楚，后面出现版本不匹配的问题再重装就会比较烦。注意tensorflow-gpu-2.0有几处代码改动，在跑faster-rcnn的时候有点问题，所以后面需要把tensorflow-gpu版本改成1.1+的。我这里的环境是：Ubuntu16.04+2080ti+Display Driver430.50+cuda10.0+cudnn7+Anacond...

Mask-rcnn训练自己的数据实践，这里只做了一类。主要步骤：1. 数据准备（1）做标签：这里用的labelme，一张图片对应一个.json文件。数据大小1024×1024。（2）转数据格式：在./labelme/cli/路径下找到 json_to_dataset.py，这里需要小改动一下，实现批量转格式。将步骤（1）中的.json转成训练需要的数据，一张图片对应5个文件，具体如...

1、安装显卡驱动：根据自己电脑的显卡下载适合的显卡驱动2、安装CUDA8.0 安装完成后查看cuda版本： 在命令行输入nvcc -V3、安装cudnn v6.0将该文件夹下的cuda文件夹下对应的文件目录拷贝到第一步安装的CUDA  文件目录4、安装Anaconda3 4.2.0 (对应python3.5) 备注：环境变量一般会自动添加5、tensorflow-gpu 版本tensorflow-...

目标检测算法脉络 综述：深度学习时代的目标检测算法更新算法至2017.12.31目前目标检测领域的深度学习方法主要分为两类：two stage的目标检测算法；one stage的目标检测算法。前者是先由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类；后者则不用产生候选框，直接将目标边框定位的问题转化为回归问题处理。正是由于两种方法的差异，在性能上也有不同，前者在检测准确率和定位精度...

https://www.leiphone.com/news/201708/3J34FP06VPbSdhRm.htmlhttps://www.zhihu.com/question/53727257/answer/136261195雷锋网(公众号：雷锋网)按：本文原载于知乎CNN 那么多的网络有什么区别吗？如何对 CNN 网络进行修改？下 ZOMI 的回答。获得作者授权转载

 在网上看了一下额深度学习调参技巧，放在这篇文章做个整理。https://www.zhihu.com/question/250979931.Visualize Layer Activations2.Visualize Layer Weights ----------------------------------作者：Captain Jack链接：https://www.zh...

前言开始本文内容之前，我们先来看一下上边左侧的这张图，从图中你看到了什么物体？他们在什么位置？这还不简单，图中有一个猫和一个人，具体的位置就是上图右侧图像两个边框(bounding-box)所在的位置。其实刚刚的这个过程就是目标检测，目标检测就是“给定一张图像或者视频帧，找出其中所有目标的位置，并给出每个目标的具体类别”。目标检测对于人来说是再简单不过的任务，但是对于计算机

迁移学习是一种机器学习方法，就是把为任务 A 开发的模型作为初始点，重新使用在为任务 B 开发模型的过程中。深度学习中在计算机视觉任务和自然语言处理任务中将预训练的模型作为新模型的起点是一种常用的方法，通常这些预训练的模型在开发神经网络的时候已经消耗了巨大的时间资源和计算资源，迁移学习可以将已习得的强大技能迁移到相关的的问题上。读完本文，你将学会如何使用迁移

1、显卡驱动：quadroK6202、CUDA8.0查看cuda版本： 命令行 nvcc -V3、cudnn v6.04、Anaconda3 4.2.0 (-----对应的python3.5) 5、tensorflow-gpu 版本 tensorflow-gpu-1,3,0.0rc0另外需要的package有：protobuf-3.5.1 t

一、数据准备：（1）原始数据11类 包括目标和场景目标：plane, oiltank, ship, warship, vehicel场景：building, desert, residential, water车辆：包括完整的和不完整的车辆（2）扩充数据 ①在原始框进行缩放平移，利用numpyfrom __future__ import divisioni

第一步：安装VS2013第二步：查看电脑显卡型号 在NVIDA官网下载对应版本的cuda驱动 安装（我默认的安装路径）第三步：安装cuda，下载cuda安装包安装（这里我也默认了安装路径）第四步：下载最新版本的Anaconda2.7 安装Python第五步：编译caffe   在github下载这个压缩包：  https://github.com/happynear/caffe-w

(1)将RGB图像转为HSV, LAB, GRAY, 顺变将不是224大小的图片resize一下# -*- coding: utf-8 -*-import osimport cv2N = 0imgPath = "TrainDataExpd/"savePath = "TrainDataFinal/"for root, dirs, files, in os.walk(imgPath)

（3）给数据做标签：trainData：valData = 7:3随机将数据分开再Label Image:txt格式，例如：plane/plane_0.jpg2from __future__ import divisionimport os import randomimport cv2#将TrainDataFinal里面的数据分别移到FinalTrain和FinalVa

(一)List，可以变，因此可以append,insertlist = [1,2,3,4,5]，list中可以有list:[1,2,[1,6],4,5],取list[2][1]=6，相当于二维数组访问列表，索引从0开始：list[0]=1, list[-1]=5(-1倒数第一个)，list[2:3] =[3,4], list[1:] =[2,3,4,5]从第二个开始所有的元素。更新：l

如果用cv2。imread()接口读图像，读进来直接是BGR 格式and 0~255所以不需要再缩放到【0,255】和通道变换【2,1,0】，不需要transformer.set_raw_scale('data',255)和transformer.set_channel_swap('data',(2,1,0)###################分割线###################

(1)数据准备好，标签制作好之后，转数据格式，求均值文件在Ubuntu下，用.sh文件转格式#!/usr/bin/env sh# Create the imagenet lmdb inputs# N.B. set the path to the imagenet train + val data dirs# EXAMPLE: storage directory of cov

下载的数据是pascal voc2012的数据，已经有annotation了，不过是xml格式的，训练的模型是在Google模型的基础上加了两层网络，因此要在原始图像中裁剪出用于训练的部分图像。另外，在原来给的标注框的基础上，做了点框的移动。最后同类目标存储在同一文件夹中。from __future__ import divisionimport osfrom PIL impo

1.python环境python3.5下载：https://www.python.org/downloads/在已有anaconda2.7的环境下安装python3.5增加环境变量，并将python3根目录下的python改为python3在命令行输入pyhton对应python2, python3对应python32.安装pip3https://pypi.pyth

R-CNN --> SPPNet-->  FAST-RCNN --> FASTER-RCNN 1、R-CNN:  https://zhuanlan.zhihu.com/p/23006190?refer=xiaoleimlnote(1)输入测试图像；(2)利用selective search 算法在图像中从上到下提取2000个左右的Region Proposal；

import osimport cv2import numpy as nptry: import xml.etree.cElementTree as ETexcep

参考：https://mp.weixin.qq.com/s?__biz=MzI0ODcxODk5OA==&mid=2247487991&idx=1&sn=7b6d2fb6fe8fc12c4fd5f2b8edd96f2a&chksm=e99d220edeeaab18ef37c6128269b5edb1564f6b240429c0c8a66ce594ffe6fd9b128f314092&scene=2

转载自：https://www.cnblogs.com/keguo/p/6244253.html本文从梯度学习算法的角度中看学习率对于学习算法性能的影响，以及介绍如何调整学习率的一般经验和技巧。在机器学习中，监督式学习（Supervised Learning）通过定义一个模型，并根据训练集上的数据估计最优参数。梯度下降法（Gradient Descent）是一个广泛被用来最小化模型

TypeError: bottleneck() argument after ** must be a mapping, not tuple