zikyou的博客

解决方法：将from scipy.misc import imreadfrom scipy.misc import imresize转换成from imageio import imread

学习目标了解常用目标检测数据集 了解数据集构成官网地址：TThe PASCAL Visual Object Classes Homepage (ox.ac.uk)下载地址：Pascal VOC Dataset Mirror地址：Open Images Dataset V6官网：tzutalin/labelImg: 🖍️ LabelImg is a graphical image annotation tool and label objec

1.案例效果：2.案例需求：代码：对结果进行标记-完整代码：def tag_picture(self, images_data, outputs): """ 显示预测结果到图片中 :return: """ # 获取每张图片预测结果的值 for i, img in enumerate(images_data): # 解析输出结果,每张图片的标签，置信度和位置 pre

候选框生成结构之后还会进行微调，利用四个variance做回归调整候选框

Fast R-CNNFast R-CNN整体结构：

/映射SSPNet完整结构：

候选区域方法：提供了一个物体检测的一种重要思路R-CNN步骤：1.对于一张图片，找出默认2000个候选区域 2.2000个候选区域做大小变换，输入AlexNet当中，得到特征向量 2000 * 4096 3.经过20个类别的SVM分类器，对于2000个候选区域做判断，得到（2000， 20）得分矩阵 4.2000个候选区域做NMS，取出不好的，重叠高度的一些候选区域，得到剩下分数高的，从而得到好的框 5.修正候选框，做一个bbox的回归微调...

对于多个目标的情况，就不能以固定个数输出物体的位置值 滑动窗口首先定义若干个大小窗口，k个 k中每个窗口都要滑动图片，每个窗口滑动M次 K * M暴力破解方式 计算量太大

项目结构数据采集层：主要做数据收集标注工作深度模型层：YOLO，SDD模型，模型导出，Serving部署用户层：跟前端交互（web后台） 对接部署模型

案例迁移学习利用数据，任务和模型之间的相似性， 都是分类问题 在旧的领域学习过或训练好的模型 应用于新的领域进行训练模型地址：models/research/slim at master · tensorflow/models · GitHubfine tuning， 微调调整模型参数不需要过多调整 调整模型结构，微微调整 其中Pre_trained:预训练模型 fine tuning：微调后的模型预训练模型：tensorflow Model .

/数据集：http://39.78.67.216:9000/csdn-downloads/2022-04-20/20220420Z6t8A1C9.zip案例效果2. 数据集以及迁移需求数据集是某场景下5个类别图片的识别我们利用现有的VGG模型去进行微调思路和步骤读取本地的图片数据以及类别 keras.preprocessing.image import ImageDataGenerator提供了读取转换功能 模型的结构修改（添加我们自定的分类层） freeze掉原始VG

学习目标：掌握基本的超参数以及调参技巧·掌握BN的原理以及作用/批标准化：根本上不是去优化模型，而是帮助我们更好地去训练，简单训练过程，节省时间。 解决目的：内部协变量偏移 对于深层网络一些层级输出进行批标准化在标准化之后，增加一个状态分布参数，让标准数据进行修改分布 garma beta 作用：BN减少不同数据分布状态带来的影响，模型鲁棒性强，测试准确率高，防止过拟合作用。 BN使得不同层...

学习目标：知道LeNet-5网络结构。了解经典的分类网络结构知道一些常见的卷机网络结构的优化知道NIN中1x1卷积原理以及作用知道Inception的作用了解卷积神经网络学习过程内容应用应用：使用pre_trained模型进行VGG预测LeNet-5解析...

Goole在提供VGG进行预测时效果会更好一些，所以选择使用VGG来进行测试在tensorflow,keras.applications存在很多的模型Xception 88 79.0% 94.5% 22.9M 81 109.4 8.1 VGG16 528 71.3% 90.1% 138.4M 16 69.5 4.2 VGG19 549 71.3% 90.0% 143.7M 19

目录tensorflow2.keras深度学习正则化解决方法对于高方差，有以下几种方式:获取更多的数据，使得训练能够包含所有可能出现的情况·正则化(Regularization) 寻找更合适的网络结构对于高偏差，有以下几种方式:扩大网络规模，如添加隐藏层或者神经元数量 寻找合适的网络架构,使用更大的网络结构，如AlexNet·训练时间更长一些不断尝试，直到找到低偏差、低方差的框架。正则化项的理解：keras.layers.Conv.

tensorflow2交叉熵的计算读取图片数据：def read_pic(): """ 读取图片数据 return filename_batch, image_b """ # 1. 构造文件名队列 # 获取文件名列表 file_names = glob.glob("./data/GenPics/*.jpg") # print("file_names:\n", file_names) ...