cumtchw

深度学习算法训练和部署流程介绍--让初学者一篇文章理解算法训练和部署流程

参考:https://github.com/zerollzeng/tiny-tensorrthttps://forums.developer.nvidia.com/t/tiny-tensorrt-a-simple-efficient-easy-to-use-tensorrt-wrapper-for-cnn-sopport-c-and-python/83644

1.首先安装YOLOv5需要的环境为了不和服务器上其他的环境冲突，这里使用conda创建yolov5需要的环境，conda create -n yolov5 python=3.8conda activate 然后下载yolov5工程git clone https://github.com/ultralytics/yolov5 # clone repocd yolov5pip install -r requirements.txt # install dependencies

1.前言标准的yolov5的输出有三个，分别是1x255x80x801x255x40x401x255x20x20其中这里的255是85*3，这里的3是指RGB三个通道，每个通道都会产生一个结果，而这里的85是指5+80=85，其中80是类别数量，每个类别数量对应一个label score,一共80个label score,而5是指box的四个坐标加一个box score.2.代码这里以瑞芯微的代码为例，只不过在前面和后面加上了有关padding resize的处理，瑞芯微的具体代

1.增加数据，数据越多越好，深度学习，数据为王。2.检查数据，有些数据一张图片却包含另一类的对象，比如猫狗分类，一张图片里面既包含狗，又包含猫。所以最好是把所有的数据过一遍，把不太好的数据删除掉。3.数据shuflle，prototxt已经shuffle了，但是还可以用脚本把txt文件给弄乱。4.数据增强，就是旋转，光线。5.调节学习率。6.迁移学习，网上找一个类似的网络进行学...

瑞芯微RV1126部署YOLOv8全流程：环境搭建、pt-onnx-rknn模型转换、C++推理代码、错误解决、优化、交叉编译第三方库

YOLOv8-OBB：利用TensorRT编写Plugin，CUDA编写后处理相关核函数，TensorRT和CUDA代码逐行分析

目标跟踪算法：ByteTrack、卡尔曼滤波、匈牙利算法、C++代码逐行解读

目标跟踪算法：SORT、卡尔曼滤波、匈牙利算法

我改完之后，输出变成x y w h box_score idxs label1_confidence label2_confidence .... labeln_confidence.原来的yolov5输出是x y w h box_score label1_confidence label2_confidence .... labeln_confidence.为了适配C++工程代码，我在导出onnx模型时，会把models/yolo.py里面的forward函数改成下面这样，

上图就是tpu-mlir的整体架构图，主要分两步, 一是通过将原始模型 转换成mlir文件, 二是通过将mlir文件转换成bmodel/cvimodel。如果要转INT8模型, 则需要调用生成校准表, 然后传给。如果INT8模型不满足精度需要, 可以调用生成量化表, 用来决定哪些层采用浮点计算， 然后传给生成混精度模型。

基本上没有什么有用信息，于是我想那我就去Python的flask库源码里面看看，然后我在flask库源码里面添加了打印，至于在哪些代码添加打印，从报错可以看到代码执行顺序，所以按照报错信息提示的代码执行流程去添加打印。这里很明显有个问题，就是我传进去的port是10000，然后第一次打印确实是10000，但是第二次打印为什么变成0了，于是去找第二行打印那里的代码。修改完之后再次执行程序，现在发现两行打印的端口号是统一的了，第二行打印不再是0了，程序也不再报错了，问题解决。然后我运行程序，发现打印内容如下。

本脚本主要参考了yolov5工程文件夹下面的detect.py，将yolov5算法封装成了一个在线的推理服务，可以接受app请求，然后推理图片，并将检测结果以json返回，该服务可以供数据标注平台请求。

本来利用yolov5检测浓雾的，但是发现yolov5的检测结果会把一些正常天气检测成雾天，这种时候其实可以通过增加正常类，也就是将正常天气被误检成浓雾的图片当成一个正常类别去训练，但是不想标注图片，也不想重新训练算法了，因此想是不是可以用opencv对yolov5检测到的图像进行二次识别，从而提高准确率，结果发现是可以的。

YOLOV2算法详解博客https://blog.youkuaiyun.com/u014380165/article/details/77961414一 Better1.对每一层都做了归一化2.先利用分类数据对网络进行训练，然后迁移学习。3.不再和YOLOV1那样直接预测bounding box，YOLOV2中开始利用ancher box,4.Dimension Clusters，利...

平时我们在训练模型时，会利用预训练模型做迁移学习，但是有时候我们想前面的几层直接复用预训练模型的参数，然后只训练后面的几个网络层，这时候需要冻结参数，停止反向传播。1.首先获取预训练模型darknet partial cfg/cspdarknet53.cfg cspdarknet53.weights cspdarknet53.conv.104 104这样就获取了yolov4模型的前面104层的参数。2.修改cfg文件，在cfg文件中的104 layer后面增加参数：stopbackw

用如下脚本将yolov5模型转换成rknn模型if __name__ == '__main__': # Create RKNN object rknn = RKNN() if not os.path.exists(ONNX_MODEL): print('model not exist') exit(-1) # pre-process config print('--> Config model') rknn.c

一：安装darknetgit clone https://github.com/AlexeyAB/darknet/修改makefile里面的值，GPU=1CUDNN=1CUDNN_HALF=1OPENCV=1OPENMP=1LIBSO=1DEBUG=1然后进行编译cd darknetmake二：首先以VOC的数据格式准备好自己的数据VOCdevkit VOC2007 Annotations ImageSets...

tensorRT推理yolov5.trt模型崩溃

针对不同大小的目标检测，传统的做法是先将图像转换成不同大小，然后分别检测，最后将结果综合起来，而SSD算法则利用不同卷积层的feature map进行综合也能达到同样的效果。对于不同的卷积层，会把图像分割成不一样的feature map，对于每一个feature map cell都有一系列default box，假设每个feature map cell有k个def...

参考文献：https://blog.youkuaiyun.com/v_JULY_v/article/details/80170182?utm_medium=distribute.pc_relevant.none-task-blog-2~default~BlogCommendFromMachineLearnPai2~default-2.control&dist_request_id=1331647.128.16183075360181787&a...

一：制作lmdb数据制作成VOC的数据格式，在项目目录下分别创建几个目录Annotations:该文件夹用来保存生成的xml文件JPEGImages：该文件夹用来保存所有的图片，labels:该文件夹用来保存所有的txt文件。ImageSets：Main：创建ImageSets文件夹并在里面创建Main文件夹。由于图片数据和标注的txt文件存在一些错误，因此在制作lmdb之前...

基于darknet封装了initObjectDec函数和objectDectect，具体代码见自己的私密文章。