- 博客(9)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 yolov8目标检测多Batch批次C++ TensorRT推理
由于个人的项目特殊性，需要检测的图片分辨率很大，通常需要将一张图片切分4张/5张进行检测，尽管C++上TensorRT部署，模型的推理耗时已经得到了非常大的提升了，不过本着优化到极致的初衷，花了两周时间研究了下yolov8的python版本:onnx、tensorrt下的多batch部署和C++下TensorRT的多Batch部署，有感兴趣的可以下载学习，也可以加我微信，手把手教程。有需要可私信你的微信号，我加你发送(收费哦～)
2025-02-20 14:58:23
172
原创 YOLOV11自定义数据集制作(手把手详细教程)
最近正好有空，准备研究一下yolov11，训练和部署跑通之后，发现没有找到详细点的训练教程，呢就自己做一个，顺便分享一下，后续会分享yolov11的 python推理部署 和 C++(tensorrt)推理部署的手把手教程，路过的点个关注先，以免错过～运行完之后，会在datasets根目录下生成以下三个训练所需的文件：train.txt 、 val.txt 、 test.txt。对于yolov11的项目环境搭建，网上教程很多，也很详细，这里就不浪费时间了～xml转换为txt，创建：xml2txt.py。
2024-10-16 11:20:17
4351
2
原创 YOLOV8 det 多batch TensorRT 推理（python ）
bboxes： 100 4 变为 4 100 4。scores： 100 变为 4 100。后续抽空再补上TenormousrtC++的推理部分。labels： 80 变为 4 80。num_dets：1 变为 4 1。
2024-09-18 17:21:42
1043
2
原创 可视化模型特征提取能力
对模型输出增加两个坐标，将每个训练批次的数据映射到二维坐标系中，通过保存每个批次的映射图，查看模型训练程度。resnet18网络代码如下：(可一键切换为其他的res网络，测试选择了速度最快的res18)可视化效果如下：( epoch = 78，使用resnet18网络)
2024-07-09 10:06:49
668
原创 全连接、卷积网络优化 + MobilenetV2网络复现+小项目
由于链式法则在计算梯度时的影响，在神经网络的层数较多时，意味着连乘越多，因此很容易导致其中某一个比较小的值在连乘过程中被快速缩小，直至变为0，从而导致模型出现了梯度爆炸，也就是超出了计算机所能支持的最小计算精度。总结：如果是为了防止过拟合，就用L2，希望把W变小，减弱模型的学习能力就行了，但是不希望变成0，变成0，会导致模型的退化，Relu激活函数的缺陷就是，会把结果变为0.通过使部分模型权重失活的方式，来减少模型的参数量，以此防止过拟合的出现，需要对任务难度评估和对应的模型参数搭配非常熟悉。
2024-07-05 17:38:23
1149
原创 YOLOV5 Segment ONNX部署(python)随笔
2.模型推理得到的proto，后处理由于用onnx推理，输出并不是Tensor，初始想法是想将后处理部分中使用Tensor处理的部分全部用numpy替换，后来发现需要替换的地方太多，个别部分有点麻烦，所以还是选择转为Tensor进行处理。从推理结果发现，比上次使用pytorch直接推理的效果要好些，没有仔细找原因，有看出来的兄弟私信我。后处理部分，基于yolov5 的segment 后处理，优化了一些，因此和源码可能不太一样。如果需要半精度量化，参考之前发的yolov5 detect的onnx部署。
2024-07-02 16:17:55
664
原创 YOLOV5 Segment Pytorch部署(python)随笔
总结：和pred同时输出的，seg部分的proto的后处理部分需要仔细理解一下，二pred输以及后处理和detect基本完全一样。yolo的语义分割效果看起来并不是很好，当然，coco数据集的数据标注也并非挑不出毛病，因此，不排除效果差的原因来自于数据。
2024-07-01 16:24:53
404
2
原创 YOLOV5 Pytroch部署(python) 随笔
需要将yolov5s官方权重和模型打包在一起，便于使用，否则就得在项目中放入yolov5 model的源码，实时加载，不建议。有更好的建议，欢迎指点哈～
2024-06-28 15:51:46
197
原创 YOLOV5 onnx部署(python)随笔
3.推理耗时来看：fp16下：0.00583 fp32下：0.00900， fp16耗时提升3.17ms，性能提升35.22%，可以看出单张推理耗时上，fp16的优势较大。2.GPU占用：显卡使用的是NVIDIA GeForce RTX 4060，波动性较大，在1.1G - 4.2G之间，没有查明原因。4.模型大小来看：fp16：14.9MB fp32：27.9MB ，缩小13MB ，46.59%1.从推理的置信度来看没有太大的区别，但是并不代表自己的项目会没有较大影响，还是多做实验。
2024-06-28 15:40:52
846
使用pip instal -r requirements.txt安装的时候报错如下：
2022-03-26
TA创建的收藏夹 TA关注的收藏夹
TA关注的人