原创 win10系統下Tensorflow Faster RCNN 的安裝配置與測試

最近在學習深度學習的目標檢測(Objection Detection),對比了YOLO V3、Faster R-CNN、SSD及其它的目標檢測

原创 Faster RCNN 訓練中遇到的問題及解決辦法

https://www.cnblogs.com/shuimuqingyang/p/10152809.html https://blog.csdn.net/qq_27637315/article/details/78849756

原创 深度學習(CNN)用到的圖像預處理技術

參考連接:https://www.zhihu.com/question/59430291 數據增強 也就是增加數據量,本來這一類的圖太少了,怎麼辦?把已有的圖翻轉,平移,霧化,去燥等方法,增加樣本量,便於訓練。 就比如,你現在的圖

原创 標註工具生成的xml文件轉爲txt格式

import os import sys import xml.etree.ElementTree as ET import glob def xml_to_txt(indir,outdir): os.chdir(in

原创 如何在Ubuntu 16.04上開啓SSH服務

參考博客:https://blog.csdn.net/md521/article/details/52597398 1、安裝openssh-server,在終端輸入: sudo apt-get install openssh-se

原创 ubuntu 16.04安裝anaconda3

前面已經安裝好NVIDIA顯卡驅動、CUDA和Cudnn,安裝教程Ubuntu16.04安裝Nvidia顯卡驅動、CUDA和Cudnn,現在安裝anaconda 參考鏈接:Ubuntu 16.04安裝anaconda3詳細教程 一

原创 Ubuntu16.04安裝Nvidia顯卡驅動、CUDA和Cudnn

硬件:GPU: Geforce GTX1080Ti CPU: Intel core i7-9700k @3.6GHz 系統:Ubuntu16.04 LTS 剛剛新裝的ubuntu16.04系統,花了一天時間連網然後安裝中文輸入

原创 windows10系統關閉自動更新服務

博客原文:https://www.cnblogs.com/taiyonghai/p/10489105.html 一、關閉Windows10系統的自動更新服務 1:使用快捷鍵Win+R,打開運行 2:輸入命令:services.m

原创 Labelme標註的數據解析與批量實現json_to_dataset將json文件轉換爲訓練所需的dataset

使用的系統是:ubuntu 16.04, anaconda 一、安裝 安裝方式參考labelme 的gitbub上面的教程,我主要是在anaconda的虛擬環境下安裝,安裝步驟爲: conda create --name=labe

原创 目標檢測數據擴增——翻轉和旋轉

原文鏈接:https://blog.csdn.net/Mr_health/article/details/82667538 標題HBB格式的數據擴增 該格式下目標被標註爲xmin,ymi

原创 Ubuntu 16.04把終端信息輸出到文本文件中的方法

把終端中所有信息都寫到文本文件中的方法如下: 在終端的命令行中輸入以下命令: $ script -f output.txt $ script -f output.txt 這樣在終端的當前文件夾下就會生成output.txt文件

原创 Ubuntu16.04 Anaconda3虛擬環境caffe47,python=2.7成功編譯caffe

一、環境配置 Ubuntu16.04 Anaconda3虛擬環境caffe47, python=2.7 caffe文件的位置:home/drl/workspace/envscaffe47/caffe/ 二、難題 編譯caffe的時

原创 虛擬環境caffe47,python=2.7 py-faster-rcnn安裝及訓練自己的數據集

一、硬件和環境: GTX 1080 Ti, Cuda 9.0, Cudnn 7.6.0 Ubuntu16.04 Anaconda3 caffe47虛擬環境 (caffe3虛擬環境用pip install opencv-pytho

原创 Ubuntu 16.04 anaconda3虛擬環境caffe3下安裝編譯caffe並用caffe訓練MNIST數據集

雖然在這篇博客裏面裝了caffehttps://blog.csdn.net/kellyroslyn/article/details/96835290, 但是後來發現沒有去掉WITH_PYTHON_LAYER :=1和USE_CUD