weixin_48174100的博客

图像增强在深度学习的作用目的就是扩充数据集，opencv和torchvision中的transform只是提供一种手段，防止重复造轮子知道内核后，再去理解图像增强，才能具体情况具体对应torchvision.transform对于简单的图像旋转、拼接等处理可以直接用torchvision.transform下面介绍的功能都是在torchvision.transforms以及torchvision.transforms.functional.下可以用最短的代码达到标准预处理效果torchvisi

yoloV5v5和v4没有很大的创新型改进，但是改进了很多tricks，这些tricks都是当前目标检测中比较流行或者有用的，而且高集成度让目标检测更加容易了！Yolov5模型先看理论知识，不然直接看代码会一头蒙v5对比v4出了4个基础模型，分别对应4个大小：s(mall),m(ediam),l(arge),x(吃我大X）实际上就是对几个关键位置加了深度，如果你看了前面yolov4的网络源码，你就会很清楚知道区别。偷张大白的图：可以看到前面backbone是不是有v4的影子，先别急，我们先

yolov4的pytorch源码我没有找到上述tricks的对应code只能去搜罗相似的代码了，yolo5如果有源码的话我今后会补充进来我觉得贴源码没什么意思，我就大白话说下这个是干啥的，有兴趣自己看下我贴的源码就好CBNCBN就是所谓的Cross-iterationBatchNormCBN就是batchNorm是对一批batch数据做归一化的，如果batch很小（比如目标检测任务中，图片太大加上GPU的限制，一般batch都设定的很小），BN的效果就不太好针对这个问题，提出的解决方案，就是每

输入是啥？现在 我们知道了yolo的模型，知道了模型获取的推理输出，在进入训练代码之前，我们需要了解到yolo数据的处理方式，以及用了何种图像增强方法。（不然连输入是啥都不知道，你怎么看的懂训练过程呢）数据载入其实数据载入这块没有必要单独拿出来说的，但是学会如何写collate function是很重要的我们先看下数据源## 如果你多进程报错 num_workers要改成1 大部分CPU训练机器都会出这个问题## batchsize = batch // subdivisions 所以你就知道超

补一下源码地址我们先从简单的开始说起，怎么判断loss？IOU（交并比）IOUyolov4用了CIOU_loss 和DIOU_LOSS简单说一下，有个具体了解，都是从左到右发展来的IOUGIOUDIOUCIOU作用主要考虑检测框和目标框重叠面积在IOU的基础上，解决边界框不重合时的问题在IOU和GIOU的基础上，考虑边界框中心点距离的信息在DIOU的基础上，考虑边界框宽高比的尺度信息具体实现交并比加了一个尺度相交（两个矩形外接最大矩形）GIOU+欧式距

yolo探测法说代码前 简单提一句，you only look once（yolo）这个英文名 是对标滑动窗口探测滑动窗口要看好几次，yolo只要看一次，因为yolo的特殊标注方式可以将目标检测问题简化为单步回归问题yolo的标签是：P:物体存在与否（置信度）xyxxyy:坐标和长宽c 类别置信度）Px，y，w，hc物体存在与否（置信度）坐标和长宽类别置信度所以一个类别(c=1) 的话 一个标签就有6个值，有多少个格子 多少个anchorbox（yolo一般是3

yoloV4关于YOLOV1-3自行参考百度，本文只用代码展现YOLOV4中核心部分实现方式1. CBM CBL以下代码部分参考源码内容，图片参考了江大白的知乎conv+batch+mish(Leaky relu)效果：就是leakly relu的效果，防止梯度为0结果：backbone用了mish，准确率提高了0.3%-0.9%class Conv_Bn_Activation(nn.Module): def __init__(self, in_channels, out_cha

TensorRTnvidia推理框架，原理自行百度跑推理的时候用的两种方式第一种nvidia自家的转换这里拿pytorch做举例，其他的框架差不多torch2trt这里太简单了 我就把官方例子给一下import torchfrom torch2trt import torch2trtfrom torchvision.models.alexnet import alexnet# create some regular pytorch model...model = alexnet(p

NMS 非极大值抑制理论知识请自行百度 此处只用pytorch快速完成代码虚拟数据import numpy as npimport torchboxes=np.array([[100,100,210,210,0.72], [250,250,420,420,0.8], [220,220,320,330,0.92], [100,100,210,210,0.72], [230,240,325,330,0.81], [220,

手撸代码keras有个model.summary(） 查看网络结构参数pytorch没有一般用print(model)查看网络结构然后自己手写一个方法统计权重参数量def CustomCal(net): res = 0 for i in net: weight = i.weight.shape bias = i.bias.shape tmp=1 for j in weight: tmp *= j

数据长度不一致用pytorch做rnn的时候，如果输入数据不一样长，可以用两种方式解决。一种是自定义collate方法，#自定义collate_fndataloader.DataLoader(dataset,4,True,collate_fn=my_collate)然后里面写数据和标签载入方式即可def my_collate(batch): data = [item[0] for item in batch] target = [item[1] for item in batc

安装自行github下载：openlabelingyolov5自动标注软件openlabeling实际上就是标注软件里面，给你内嵌一个追踪算法，可以是光流的，也可以是边缘检测的安装的时候记得在里面放个DaSiamRPN（其他也行，自己看readme）DaSiamRPN然后你标注前几张 按P 就能自动标注了，甚至标注完格式什么的都是不用改的直接就用yolov5pytorch版的yolov5集成度很高了基本上就加一个配置yaml就行了data里新建一个你的配置文件，改下path标注数据

安装本文注重快速落地，有不懂的另行百度首先安装facenetpip install facenet_pytorch验证数据库构造先用mtcnn提取脸部图片import cv2from facenet_pytorch import MTCNN,InceptionResnetV1resnet=InceptionResnetV1(pretrained='vggface2').eval()mtcnn = MTCNN(keep_all='true') #如果只图片只有一个人 这个true要去掉 然