蜗牛博客

transformer进行目标检测论文DETR的个人理解

coco2017数据集的简单介绍，coco类别列表

pycocotools包的使用，示例，和踩得一些坑

deeplab，空洞卷积，

深度学习模型显示工具netronnetron是很不的深度学习模型显示工具netron支持显示大多数的深度学习模型，不支持pytorch生成的pt或者pth文件，但是将这两种文件转为onnx格式，netron是支持的安装其他的系统个人还没有尝试过，但是github地址中有，个人暂时只在ubuntu下安装了，很简单pip install netron代码import torchimport torch.nn as nnimport netron...

梳理目标:整理自己在入门深度学习目标检测领域时读取的一些论文和对一些论文方法的见解。便于自己记忆和梳理思路，仅供参考。发展历程：思路整理:阅读过的内容:R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、YOLO v1、SSD、YOLO v2、FPN、Mask R-CNN、YOLO v3基于传统机器学习的目标检测方式：在梳理深度学习目标检测前，个人还是喜欢首先梳理一下传统机器学习的目标检测方式，因为深度学习的目标检测方式是在传统机器学...

环境说明：Python环境:Anaconda+pytorch+tensorflow+opencv，编程工具：PycharmC++环境:libtorch+opencv， 编程工具：Clion个人建议搞深度学习最起码还是要有一块显卡1. 安装anaconda:下载地址：anaconda所有版本链接：https://repo.continuum.io/archive/清华大学开源软件镜像站：https://mirrors.tuna.tsinghua.edu.cn/anac.

自己最近想要根据自己的硬件情况，定一个目标检测的主干网络，当然检测方法、fpn、检测层数等等影响到目标检测结果的东西，也都在考虑范围之类。我先写关于主题超参数调解，后面附一些个人对于检测方法的选择。个人觉得超参数调解这个位置，其实并不是很好做，论文和代码中自带的参数确实是比瞎试要强，但是根据实际的项目需求，你需要在别人训练好的模型上改很多东西，因此原始自带的学习参数可能并不适合你，还有就是发出...

一、结论：octave网络对Resnet这类运算量较大的网络有较好的增速效果，但是对于mobilenet这类已经对计算量进行过优化的网络，增速效果不理想甚至会造成减速二、测试结果： FLOPs(10^9) MACs(Multiply-Accumulation) ops interence time(ms) mobilenetv1 37092...