原创 PLT繪圖相關
1. 使用 plt.savefig() 時圖例在圖像外面,直接保存會導致圖例只保存部分。 使用PIL.savefit('name',dpi=1200,bbox_inches = 'tight')
原创 pytorch 從頭開始YOLOV3(四):測試
本文實現了mAP函數,其中計算了精確率(Precision),召回率(Recall) 首先需要了解mAP的概念和計算方式. 具體原理可以查看:https://www.cnblogs.com/lixiunan/articles/956662
原创 pytorch 從頭開始YOLOV3(五):檢測
github地址:https://github.com/18150167970/pytorch-yolov3-modifiy 預測完,只要讀取模型,然後進行預測就ok了. 1.讀模型 # Set up model model = D
原创 pytorch 從頭開始YOLOV3(一):COCO數據集準備和讀取
YOLOV3是工業上可以用的兼顧速度和準確率的一個深度學習目標檢測模型,本系列文章將詳細解釋該模型的構成和實現,本文代碼借鑑:https://github.com/eriklindernoren/PyTorch-YOLOv3 YOLOv3
原创 pytorch 從頭開始YOLOV3(二):訓練模型
1.基本流程 pytorch在訓練過程有一個很基本的流程,正常情況下就按這個流程就能夠訓練模型: 1.加載模型,2初始化數據,3.預定義優化器,4.訓練 # 模型加載 model = Darknet(opt.model_
原创 pytorch 從頭開始YOLOV3(三):訓練過程中的真值標籤
1.獲得真值標籤用於計算損失 從數據集獲得的真值標籤爲整個樣本的標籤,而在訓練過程中預測的標籤是每一個特徵圖上每一個像素的(x,y,w,h,c),因此需要把對每一個特徵圖上每一個像素製作相應真值標籤. 首先,初始化真值標籤數組.
原创 ROI pooling的一系列介紹
1.SPP:https://blog.csdn.net/a362682954/article/details/85173693 2.是ROIpooling:https://www.cnblogs.com/wangyong/p/852381
原创 知識蒸餾論文的一些自己總結
本文只是對論文的一些總結,不關注於具體細節公式,主要是瞭解思想,如果有空我會專門的開博客對一些論文進行細節講述,如果本文說明有問題的,歡迎聯繫我,歡迎指正。 一. Attention Transfer Paying More Attent
原创 樸素貝葉斯法的一些概念知識
聯合概率、邊緣概率、條件概率的相關知識詳細可以查看:https://blog.csdn.net/tick_tock97/article/details/79885868 先驗概率:事情發生前的預判概率
原创 轉載:C++:map函數的使用
轉載,請到原文查看,本文轉載爲自學 作者:琦小蝦 來源:CSDN 原文:https://blog.csdn.net/ajianyingxiaoqinghan/article/details/78540736 一、原型 temp
原创 劍指offer中使用的C++知識
棧: 建棧:stack<int> a; 出棧:a.pop(); //出棧沒有返回值,只能用top查看棧頂。 入棧:a.push(value); 查看棧頭:a.top(); 查看是否爲空:a.empty(); vector: 初始化:v
原创 稀疏性的優點
稀疏指的是參數或者數據中零的個數,零的個數越多,參數或者數據就越稀疏.這種稀疏性帶來許多優點. 參數稀疏有什麼好處 1)特徵選擇(Feature Selection): 大家對稀疏規則化趨之若鶩的一個關鍵原因在於它能實現特徵的自動選擇。一
原创 focal loss
Focal Loss for Dense Object Detection 首先,需要了解交叉熵是怎麼工作的: https://blog.csdn.net/tsyccnh/article/details/79163834 本文的核心公式
原创 SPP: Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
爲了適應不同大小的圖片, 該篇論文使用池化層將卷積得到的特徵圖池化成固定大小 例如使用三層池化的SPP採用了三個卷積核大小,卷積核大小爲圖像大小除以1,4,16,這樣就可以獲得固定特徵大小爲1,4,16. 然後將特徵圖累加成長度爲21一維