<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[vimpirespider的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/vimpirespider</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; vimpirespider]]></copyright><item><title><![CDATA[kaggle竞赛：纽约出租车行程时间NYC Taxi Trip Duration]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/144970172</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/144970172</guid><author>vimpirespider</author><pubDate>Mon, 06 Jan 2025 22:04:55 +0800</pubDate><description><![CDATA[作为一名（坦白说有点懒的）图像处理方向的研究生，说实话最近新开一个坑，可能是因为要寒假了比较无聊，这次带来的系列是kaggle数据处理竞赛的经典例题：纽约出租车行程时间问题。希望大家多多支持：）]]></description><category></category></item><item><title><![CDATA[YOLOV5改进系列（3）——ECA注意力机制]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/142812924</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/142812924</guid><author>vimpirespider</author><pubDate>Thu, 10 Oct 2024 14:29:54 +0800</pubDate><description><![CDATA[相比于SE模块复杂的两层全连接操作，ECA只需要很少的参数就能够实现较好的效果。：ECA使用1D卷积层来进行通道间信息的融合。具体来说，1D卷积通过一个可变的卷积核大小对通道之间的交互进行建模。这个公式根据通道数自动调整卷积核的大小，确保卷积核既不会太大，也不会太小，从而保证ECA能够捕捉到合适的跨通道信息。卷积核，这种操作避免了维度缩减并且有效地捕捉了通道之间的交互关系。这使得ECA能够通过少量的参数实现良好的效果。来自适应变化的，确保每层的通道数较多时，能够进行足够的通道交互。：卷积核的大小由公式。]]></description><category></category></item><item><title><![CDATA[YOLOV5改进系列（2）——CA注意力机制]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/142746828</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/142746828</guid><author>vimpirespider</author><pubDate>Tue, 08 Oct 2024 21:12:54 +0800</pubDate><description><![CDATA[Coordinate Attention（CA）是一种用于移动网络的轻量级注意力机制，旨在在不增加计算成本的前提下增强特征表达能力。与传统的通道注意力机制（如Squeeze-and-Excitation）不同，CA在通道注意力中嵌入了位置信息，从而能更好地在空间上进行关注。]]></description><category></category></item><item><title><![CDATA[YOLOv5改进系列（1）——添加CBAM注意力机制]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/142370523</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/142370523</guid><author>vimpirespider</author><pubDate>Mon, 30 Sep 2024 16:10:22 +0800</pubDate><description><![CDATA[例如，在图像分类任务中，模型不需要对整张图像的每一个像素都一视同仁，而是可以专注于那些关键区域，如目标物体的边缘或特征。在句子处理时，模型可以根据句子的上下文，专注于那些对语义理解最为关键的单词或短语，而忽略不太重要的部分。当你听到某些关键字时，比如“你的名字”或者“你感兴趣的话题”，你会自动把注意力从书上转移到他们的谈话上，尽管你并没有完全忽略书本的内容。（7×7比3×3效果更好）操作，降维为1个channel，即叠积核融合通道信息，特征图的shape从b,2,h,w - >b,1,h,w。]]></description><category></category></item><item><title><![CDATA[YOLOV5入门教学-common.py文件]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/141950586</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/141950586</guid><author>vimpirespider</author><pubDate>Fri, 06 Sep 2024 20:56:22 +0800</pubDate><description><![CDATA[LOGGER,ROOT,Profile,colorstr,xywh2xyxy,xyxy2xywh,yaml_load,Conv类继承自 PyTorch 的nn.Module，它实现了标准的卷积层。是默认的激活函数，使用的是 SiLU()（Sigmoid-Weighted Linear Unit），也叫做Swish 激活函数。这个激活函数在许多现代模型中表现良好。标准卷积：每个输出通道与输入的所有通道进行卷积操作，计算复杂度较高。深度卷积。]]></description><category></category></item><item><title><![CDATA[我的创作纪念日]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/141935291</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/141935291</guid><author>vimpirespider</author><pubDate>Thu, 05 Sep 2024 16:46:36 +0800</pubDate><description><![CDATA[我的文章逐渐得到了越来越多的关注，目前已经有超过5000位粉丝关注了我的创作。在日常学习过程中，我发现通过撰写文章，能够更好地梳理自己的思路，巩固学到的知识，同时也是与其他技术爱好者进行交流和碰撞的一个好方式。虽然日常工作和学习任务繁重，但我依然会抽出时间来进行创作，因为它不仅是我的兴趣爱好，更是我学习和成长的方式。在创作方面，我希望能够撰写更多优质的文章，甚至出版一本关于技术的书籍，与更多人分享我的经验和心得。希望在不久的将来，我能继续在创作的路上不断前行，也期待与更多的同行和爱好者交流，共同进步。]]></description><category></category></item><item><title><![CDATA[YOLOV5入门教学 - yolo.py文件]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/141887696</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/141887696</guid><author>vimpirespider</author><pubDate>Thu, 05 Sep 2024 14:48:55 +0800</pubDate><description><![CDATA[深度调整：通过gd），减少某些层的深度，降低计算开销。宽度调整：通过gw），减少每层的输出通道数，使模型变窄，减少参数量和计算量。输出调整：通过确保输出通道数是硬件友好的倍数，便于优化计算效率。这个案例展示了YOLOv5模型是如何根据配置动态调整深度和宽度的，使得同一个网络架构可以适应不同的计算资源条件。处理模块的输入输出通道不同的模块需要不同的输入和输出通道处理方式，这段代码根据模块的类型动态调整其输入通道数c1和输出通道数c2。特定模块的逻辑对于卷积类模块（如C3），输出通道数由配置中的。]]></description><category></category></item><item><title><![CDATA[YOLOV5入门教程-yolov5s.yaml文件]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/141865223</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/141865223</guid><author>vimpirespider</author><pubDate>Wed, 04 Sep 2024 10:29:55 +0800</pubDate><description><![CDATA[这段backbone共有9个层次，每个层次逐步提取图像特征并下采样。最后输出的特征图尺寸为40x40，通道数为1024。这个特征图包含了从输入图像中提取到的高层次特征，准备在后续的网络层中用于目标检测。]]></description><category></category></item><item><title><![CDATA[YOLOV5入门教程day3]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/141808614</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/141808614</guid><author>vimpirespider</author><pubDate>Mon, 02 Sep 2024 16:08:10 +0800</pubDate><description><![CDATA[这段代码的主要功能是设置YOLOv5项目的根目录，并确保该目录被添加到Python的模块搜索路径中。获取当前文件的绝对路径使用Path对象操作来获取当前执行的脚本的绝对路径，并将其赋值给FILE变量。确定项目根目录通过parents[0]属性获取当前文件的父目录，通常这是 YOLOv5 项目的根目录，并将其赋值给ROOT变量。添加根目录到模块搜索路径检查ROOT是否已经在 Python 的模块搜索路径（sys.path）中。如果不在，则将其添加。]]></description><category></category></item><item><title><![CDATA[YOLOV5入门教程2-detect.py文件]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/141632107</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/141632107</guid><author>vimpirespider</author><pubDate>Wed, 28 Aug 2024 17:15:16 +0800</pubDate><description><![CDATA[用于处理不同后端的检测模型类，如支持在不同硬件加速器上运行（CPU、GPU、TPU等）。: 支持的图像格式列表（如.jpg.png: 支持的视频格式列表（如.mp4.aviLoadImages: 用于加载图像文件的类。: 用于加载视频流或摄像头数据流的类。包含各种通用工具函数：LOGGER: 日志工具，用于记录信息。check_file: 检查文件是否存在。: 检查并调整图像大小，以确保与模型输入大小兼容。: 检查是否支持显示窗口（通常在无显示的环境中使用）。: 检查依赖项是否满足。]]></description><category></category></item><item><title><![CDATA[YOlOV5入门教程]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/141460278</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/141460278</guid><author>vimpirespider</author><pubDate>Mon, 26 Aug 2024 09:33:08 +0800</pubDate><description><![CDATA[因项目需求，所以要使用yolo进行操作，现在对yolov5进行教程，代码可以在这下载：https://github.com/ultralytics/yolov5。]]></description><category></category></item><item><title><![CDATA[图书管理系统数据结构大作业实现]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/139761611</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/139761611</guid><author>vimpirespider</author><pubDate>Tue, 18 Jun 2024 09:32:38 +0800</pubDate><description><![CDATA[python数据结构]]></description><category></category></item><item><title><![CDATA[pytorch学习day5]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/139452881</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/139452881</guid><author>vimpirespider</author><pubDate>Tue, 04 Jun 2024 20:54:26 +0800</pubDate><description><![CDATA[除了常见的损失函数之外，PyTorch还支持用户自定义损失函数，以适应特定的任务需求。通过定义自定义损失函数，用户可以根据具体情况设计特定的损失计算方式，从而更好地优化模型的训练效果。优化器在深度学习中扮演着关键的角色，它管理和更新模型中可学习参数的值，以使模型的输出更接近真实标签。在PyTorch中，优化器负责计算参数的梯度并更新参数值，实现模型的优化和训练。]]></description><category></category></item><item><title><![CDATA[pytorch学习day4]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/139419294</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/139419294</guid><author>vimpirespider</author><pubDate>Mon, 03 Jun 2024 20:04:22 +0800</pubDate><description><![CDATA[输入特征图的通道数。：输出特征图的通道数。：卷积核的大小，可以是单个整数或者元组。stride：卷积核的步幅，决定了上采样的倍数。padding：在输入图像四周填充的像素数。：输出图像额外的填充，控制输出尺寸。bias：是否使用偏置，默认为True。池化层（Pooling Layer）是卷积神经网络（CNN）中的一种常见操作，通常用于减少数据的空间维度（即宽度和高度），从而减少参数数量和计算量，同时保留重要的特征信息。线性层的操作可以用以下数学公式表示：x 是输入向量或输入张量。]]></description><category></category></item><item><title><![CDATA[pytorch学习day3]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/139361864</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/139361864</guid><author>vimpirespider</author><pubDate>Fri, 31 May 2024 21:55:33 +0800</pubDate><description><![CDATA[VGG块由多个卷积层和一个池化层组成。我们定义一个函数来创建这些块。我们利用来堆叠多个VGG块，最后添加全连接层。return x。]]></description><category></category></item><item><title><![CDATA[pytorch学习day2]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/139334868</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/139334868</guid><author>vimpirespider</author><pubDate>Thu, 30 May 2024 21:33:03 +0800</pubDate><description><![CDATA[示例数据data = torch.randn(100, 3) # 100个样本，每个样本3个特征labels = torch.randint(0, 2, (100,)) # 100个标签# 创建自定义数据集。]]></description><category></category></item><item><title><![CDATA[pytorch学习day1]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/139303499</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/139303499</guid><author>vimpirespider</author><pubDate>Wed, 29 May 2024 19:41:34 +0800</pubDate><description><![CDATA[模块描述torch包含激活函数和主要的张量操作定义了张量的数据类型，方法可返回新张量，方法后缀带下划线可修改张量本身torch.cuda定义了 CUDA 运算相关的函数，如检查 CUDA 是否可用，清除缓存，设置 GPU 计算流等torch.nn神经网络模块化的核心，包括卷积神经网络和全连接层，以及一系列损失函数定义神经网络相关的函数，卷积函数、池化函数、log_softmax 等激活函数，torch.nn 模块调用 torch.nn.functional 的函数。]]></description><category></category></item><item><title><![CDATA[matlab相机标定实验]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/133748940</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/133748940</guid><author>vimpirespider</author><pubDate>Tue, 10 Oct 2023 15:58:36 +0800</pubDate><description><![CDATA[相机的参数对目标的识别、定位精度有很大的影响，相机标定就是为了求出相机的内外参数。标定中有3个不同层次的坐标系：世界坐标系、相机坐标系和图像坐标系（图像物理坐标系和图像像素坐标系）。世界坐标系也称真实或现实世界坐标系，它是客观世界的绝对坐标。相机为中心制定的坐标系，一般取相机的光学轴为Zc轴。图像物理坐标系是在相机内所形成的像平面xy坐标系，一般取像平面与相机坐标系平面平行。为了确定相机的内参数，需要知道相机的成像芯片做构成的图像平面坐标系和相机采集的图像的像素坐标系之间的关系，如图1示。]]></description><category></category></item><item><title><![CDATA[MutualNet: Adaptive ConvNet via MutualLearning from Network Width and Resolution文章精读]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/132775342</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/132775342</guid><author>vimpirespider</author><pubDate>Thu, 21 Sep 2023 15:46:44 +0800</pubDate><description><![CDATA[本文提出了宽度-分辨率相互学习的方法（MutualNet），根据动态的资源约束来训练网络，实现运行时自适应的准确率-效率的平衡。相对于目前SOTA的自适应网络 US-Net，本文方法在ImageNet上取得了更高的top-1准确率，要比最优的复合尺度的MobileNet和EfficientNet 高1.5 % 1.5\%1.5%。但是，这些网络都忽略了一个事实，计算成本由网络的大小和输入的大小决定。作者对不同的配置进行了网格搜索，选择最佳的配置，作者认为网络的大小和输入大小应该结合不同配置信息一起来考虑。]]></description><category></category></item><item><title><![CDATA[微信小程序错误-TypeError: this.setData is not a function]]></title><link>https://blog.youkuaiyun.com/vimpirespider/article/details/130401365</link><guid>https://blog.youkuaiyun.com/vimpirespider/article/details/130401365</guid><author>vimpirespider</author><pubDate>Thu, 27 Apr 2023 10:42:02 +0800</pubDate><description><![CDATA[TypeError: this.setData is not a function错误。]]></description><category></category></item></channel></rss>