_icrazy_的博客

背景HDF5和LMDB都是Cafffe中常用的数据库。相对来说，HDF5的读写格式简单；LMDB采用内存-映射文件（memory-mapped files），所以拥有非常好的I/O性能，而且对于大型数据库来说，HDF5的文件常常整个写入内存。所以HDF5的文件大小就受限于内存大小，当然也可以通过文件分割来解决问题，但其I/O性能就不如LMDB的页缓存（page cachiing）策略了。MNIST手

1. Pascal VOC Dataset2. ILSVRC2012

不经常用PyTorch, 所以也不熟悉里面的各种常用操作. 简单修改自己的代码时最常见到的的问题是忘了各种数据类型之间如何转换, 记录常用转换过程:同时, 其它的常用方法: Tensor的维度信息: *.Size() 将一个c*h*w的图像读入到张量中, 现在需要把它reshape到四维: *.unsqueeze(0) or *.view(1, *(size)) ...

在Ubuntu16.04 平台 源码编译安装Caffe2（CPU版），遇到了一些问题，以及最后的解决方案整理如下。Step1：安装 安装过程 参考的是官方主页上给出的安装教程，链接 https://caffe2.ai/docs/getting-started.html?platform=ubuntu&configuration=compile在执行最后一步sudo make insta

在window平台使用Xming接收X11转发图像，可以将无法在终端中显示出来的图形窗口在本地得以显示。常用在本地进行远程调试，显示图像；或者弹出其它窗口。软件环境: 服务端: Ubuntu16.04 mate 64位 本 地 : Windows7 旗舰版 64位 0. 服务器配置需要安装必要的软件, 比如ssh, xbasesudo apt-get install ope...

nms（non maximum suppression） 非极大值抑制算法在检测任务中非常常用，常常会出现在同一个目标位置处产生多个候选框；因此nms的作用是剔除掉检测结果中重合率（IOU）大于给定阈值（threshold）的候选框，最终期望达到在一个目标位置处只保留一个最优检测结果。算法原理方法的输入参数由两部分组成：dets 所有候选区域，包含每一个检测框的左上和右下角位置坐标以及置信...

参考: https://blog.paperspace.com/how-to-implement-a-yolo-object-detector-in-pytorch/ https://blog.paperspace.com/how-to-implement-a-yolo-v3-object-detector-from-scratch-in-pytorch-part-2/ https://ju...

上一篇已经介绍了yolov3使用到的网络darknet53每一层的结构,现在这里来完成代码解析和模型创建本章所有代码: ???????????????1. 加载并解析配置文件cfg/yolov3.cfg配置文件包含6种不同type, 分别为'convolutional', 'net', 'route', 'shortcut', 'upsample', 'yolo', 其中'net'...

通过给定锚点在特征图上进行目标位置预测和分类 在上一篇中我们谈到了用于yolo v3 网络模型检测的DetectionLayer层, 它的核心是通过锚点在特征图中进行运算,并通过回归的方式,最终输出目标区域位置坐标和分类信息(yolo v3 目标的分类也是用的回归而不是常用的softmax)功能实现放在了util.py的predict_transform(prediction, inp_di...

对上一步模型直接检测层的预测结果进行进一步过滤, 核心还是nms1.核心代码def write_results(predictions, confidence, num_class, nms=True, nms_thresh=0.4): # 保留预测结果中置信度大于给定阈值的部分 # predictions: shape=(1,10647, 85) # mask...

在工作中经常用到比较工具，比较两个文件夹或是文件等是否不同；使用Linux服务的过程中，用过了MELD和BCOMPARE两款工具，主要是做本地的diff工具，以及用来做文本的合并（code source）。MEDL： http://meldmerge.org/ Beyond COMPARE： http://www.scootersoftware.com/MELD 文本 diff & merge

R-CNN: Regions with Convolutional Neural Network Features 该方法在2014由rbg大神提出，在github开源项目地址：https://github.com/rbgirshick/rcnn服务器环境： Ubuntu16.04 x64环境，TITAN Xp，CUDA8，cudnn5.1， OpenCV3.2， Matlab2016b依赖

配置SSD模型，用于目标检测实验。第一部分：源码下载，编译git clone https://github.com/weiliu89/caffe.gitcd caffegit checkout ssd# 或者是git clone -b ssd https://github.com/weiliu89/caffe.gitcd caffe下载的项目文件夹为caffe, 表示为$CAFFE_ROO

NVIDIA 显卡TESLA P100 搭载 NVLINK 技术的 TESLA P100 加速器可使数据中心应用程序性能提升高达 50 倍 TITAN X NVIDIA 解决方案DIGITS DevBox DCX-1

直接使用caffe中的画图功能,会遇到问题: ImportError: No module named pydot,说明缺少pydot库直接安装pydot：pip install pydot重新测试画图~/ml/caffe/python$ python draw_net.py \../examples/mnist/lenet_train_test.prototxt lenet5.pngDrawin

1. 综述sloth是一款开源的数据标注软件,可以用于深度学习中数据的标注。还可以以此为基础进行二次开发（我在这里增加了给不同类型label设置不同color的功能）。 项目地址: https://github.com/wanghao00/sloth/ 原地址：https://github.com/cvhciKIT/sloth 开发者文档：http://sloth.readthedocs.or

1. Google ProtobufGitHub项目地址Protocol buffers谷歌开发者文档Google Protobuf 开发指南python下使用protobufprotobuf、prototxt的使用/Windows/VSprotobuf源码编译与安装2.Google GFLAGSgoogle gflags 库完全使用g++ -L 和-l && -I参数3. Go

想在windows上安装的pycharm上进行tensorflow的开发调试, 但是尴尬的是本机上并没有配置相应的环境, 也懒得在重新配置; 正好拿实验室的服务器上配置环境直接远程调试开发tensorflow机器学习的代码.1. 在远程计算机上安装pydevd模块首先，在本地开发环境的PyCharm安装路径中找到pycharm-debug.egg文件（若远程计算机运行的是Python3，则需要py

1. 基本运算:随着tensorflow的版本升级, 一些函数的名称发生了变化, 如 运算 old new + tf.add(x1, x2) tf.add / ? - tf.sub(x1,x2) tf.subtract * tf.mul tf.multiply / tf.div(x1, x2) tf.div / tf.divide -(x

Python中加载并显示一张图片比较常用的库为OpenCV, matplotlib, PIL. 下面给出一些最简单例子来总结下.1. opencvopencv是做计算机视觉的人们最常用的库(绘制各种图形、文字, 仿射变换等等), 在python中ml(深度学习)也很常用.import cv2 as cvimg = cv.imread("/home/wanghao/Pictures/001.jpg"

跟着51CTO唐老师的“Tensorflow案例实战视频课程”学习的时候, 发现自己对numpy和matplotlib掌握还很不够, 所以督促自己抽时间整理好资料写篇博客来记录下。1. numpy参考: * NumPy的详细教程 * 给深度学习入门者的Python快速教程 - numpy和Matplotlib篇1.1 随机模块（random）随机模块包含了随机数产生和统计分布相关的基本函数，P

Faster R-CNN中提供了一个很好用的python下计时工具，用于分析模型运行速度的评估。import timeclass Timer(object): """A simple timer.""" def __init__(self): self.total_time = 0. self.calls = 0 self.start_

前面已经搭建了YOLO V3的网络, 只需要在此基础上提供输入,并对预测结果过滤,就可以输出了,完整工程代码已分享.所有代码: https://github.com/wanghao00/pytorch-yolo-v3/blob/master/0021. 图像预处理部分preprocess.py给定图像路径以及期望的尺寸, 进行整体缩放后, 居中放置在画布上,并返回, 返回值值包括 :...