自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(9)
  • 收藏
  • 关注

原创 YOLOv8-seg修改mask颜色

第四步:进入colors,在里面添加你想要的颜色,可以在RGB2HEXL里选择你想要的颜色,附上链接(下面这段来自博客的评论区 具体是那个我忘记了 (侵立刻删,私信我)第一步:ctrl进入model.py下的predict。其他教程也没问题 但是修改过后是不是还是没变化?第三步:全局搜索Masks再继续进入MASKs。这段内容是实现mask有多个颜色的修改代码。下面我示例一个修改mask颜色的方法。第二步ctrl进入Result。是因为你修改的方式不对。

2024-08-22 15:23:34 1001 2

原创 【目标检测回归损失函数合集】

目标检测 损失函数

2024-06-07 10:28:42 1700

原创 【今天记录一些学习笔记 有点乱】

CNN与Transformer的区别

2024-06-06 10:08:36 749

原创 【Mask RCNN的前世今生】

1、FCN: 与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类(全连接层+softmax输出)不同,FCN可以接受任意尺寸的输入图像,采用反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的尺寸,从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在上采样的特征图上进行逐像素分类。它在下面的情况下可以更高效:让卷积网络在一张更大的输入图片上滑动,得到多个输出,这样的转化可以让我们在单个向前传播的过程中完成上述的操作。

2024-06-04 11:17:01 2032

原创 【分布式训练DP&DDP】

对应代码就是使用 args.gpu_id=“2,7” 和 os.environ[‘CUDA_VISIBLE_DEVICES’] = args.gpu_id 来配置 gpu 序号,其实目的就是设置 os.environ[‘CUDA_VISIBLE_DEVICES’] = “2,7”,这样 device_ids[0]对应的就是物理上第2号卡,device_ids[1]对应的就是物理上第7号卡。DP 会把输入数据再切分为多个小块,把这些小块数据分发到不同的GPU之中进行计算,每个模型只需要处理自己分配到的数据。

2024-06-02 18:44:00 2055

原创 MASK RCNN TCDD Debug :ValueError: Cannot convert an unknown Dimension to a Tensor: ?

报错原因:在TensorFlow中,当尝试将一个未知维度(unknown dimension)转换为张量(Tensor)时,会出现ValueError: Cannot convert an unknown Dimension to a Tensor:?的错误。未知维度是指在构建计算图时,某些维度的大小是未知的,即在运行时才能确定。这可能是因为数据的维度在运行时才能确定,或者是因为在构建计算图时使用了动态形状(dynamic shape)。(具体见。

2024-05-23 16:05:59 233 1

原创 利用高分辨率卫星图像在红树林中进行基于深度学习的单个树冠描绘【论文阅读与翻译】

红树林是脆弱的生态系统,需要大规模监测。为此目的,已经出现了基于卫星图像的各种解决方案,但仍然缺乏准确描绘单个树冠的方法。林内林冠大小和形状、林冠结块和破碎以及林下植被的变异阻碍了这些生态系统的圈定。为了应对这些因素,该方法将基于深度学习的ITCs增强与标记控制的分水岭分割算法相结合。利用MT-EDv3神经网络计算树冠像素到树梢的归一化欧氏距离,并在分割前对得到的图像进行拉普拉斯高斯滤波以增强树冠边界。该方法应用于全球四个红树林地点的WorldView图像,并与先前发布的使用标准化指标的方法进行了比较。

2024-05-23 15:54:12 1462 1

原创 encoder------decoder

在解码器的第一步中,为了将先前生成的部分序列与编码器的输出相结合,解码器通常会使用嵌入层将先前生成的部分序列中的索引转换为向量表示。这样可以将先前生成的序列与编码器的输出以及其他相关信息整合在一起,为解码器提供更丰富的输入。编码器的输出:编码器的输出包含了输入序列的信息,其中每个时间步骤都有一个向量表示。总结起来,解码器的输入通常是先前生成的部分序列(通过嵌入层转换为向量表示)以及编码器的输出。在给定编码器的输出和先前生成的部分序列的情况下,解码器生成下一个输出。

2023-05-16 17:57:45 339 1

原创 批量-序列-批量

在每个时间步,RNN 只需要处理当前序列的输入,而不需要同时考虑其他序列的输入,这样可以更好地跟踪序列的发展和理解序列的上下文。因此,在处理序列数据时,将数据从以批量为单位组织的形式转换为以序列为单位组织的形式,有助于 RNN 模型的逐步处理。因此,将数据从以批量为单位组织的形式转换为以序列为单位组织的形式,类似于我们在阅读时逐步理解故事的发展,有助于 RNN 模型更好地处理序列数据。也就是说,原先数据是以批量为单位组织,每个批量包含多个序列,而解压后的数据则是以序列为单位组织,每个序列包含多个批量。

2023-05-15 18:30:13 163 3

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除