- 博客(146)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 YOLO-V5分类实战系列 —— 调优自己的数据集+RK1808部署
YOLO-V5分类实战系列 —— 调优自己的数据集1、保存训练和测试图片2、数据归一化3、数据增强3.1、数据增强库：albumentations3.2、数据增强库：torchvision4、ONNX CPU 推理4.1、Pt 模型转为 ONNX4.2、ONNX 推理验证4.3、 ONNX CPU推理（C++）5、RK 1808 部署5.1、查看模型输入、输出名字5.2、转换为RKNN模型5.3、C++ 芯片部署6、调优策略6.1、数据标注6.2、数据清洗6.3、网络调优
2023-07-17 22:30:39
5117
原创 Ubuntu 20.04 LTS 安装教程
1、Ubuntu 系统下载2、制作U盘安装盘3、安装Ubuntu系统4、必要软件安装4.1、调整系统时间4.2、安装搜狗中文输入法4.3、anaconda 安装
2023-06-16 12:17:29
12793
原创 YOLO-V5分类实战系列 —— 快速训练自己的数据集
YOLO-V5 训练自己的分类模型1、获取官方源码2、测试官方源码2.1、公开数据集测试源码3、源码模块解析3.1、数据读取4、快速开始训练自己的数据4.1、准备自己的数据4.2、配置训练参数
2023-06-14 14:45:39
8439
7
原创 AIGC 综述 2023：A History of Generative AI from GAN to ChatGPT
最近，ChatGPT，DALL-E-2[1,2021] 以及 Codex[2,2021]一起受到了社会的广泛关注。因此，许多人已经开始对相关的资源感兴趣，并正在寻求揭示其令人印象深刻的表现背后的背景和秘密。事实上，ChatGPT和其它生成人工智能（GAI）技术属于人工智能生成内容（AIGC）的范畴，它涉及到通过人工智能模型创建数字内容，如图像、音乐和自然语言。AIGC 的目标是使内容创建过程更高效和可访问性，允许以更快的速度生产高质量的内容。
2023-05-19 17:06:58
3649
5
原创 Rockchip RV1126 模型部署（完整部署流程）
YOLO-V5在RV1126部署全流程（环境配置，模型转换，C++模型推理，芯片运行），验证有效。
2023-03-16 21:46:07
8157
15
原创 opencv-c++ error：libopencv_imgproc.so.4.1: undefined reference to expf@GLIBC_2.27
Ubuntu18下编译的 opencv-4.1，Ubuntu16下工程引用编译好的 opencv 库，出现如下错误
2023-03-06 18:27:04
832
原创 单目室内三维场景重建——Joint Layout, Object Pose and Mesh Reconstruction for Indoor Scenes from a Single Image
基于单张图进行3D场景理解，可以预测单张图内的目标形状（object shapes），目标姿态（object poses），场景布局（scene layout），最终重建整个室内场景的Mesh网格。
2023-03-01 09:31:36
492
原创 YOLO-V5 系列算法和代码解析（八）—— 模型移植
文章目录：工程目标；芯片参数；查阅官方文档；基本流程；Python 版工具链安装；RKNPU2的编译以及使用方法；移植自己训练的模型；
2023-02-18 11:25:24
2764
5
原创 指标评估 —— AP & mAP 详细解读
文章目录：问题背景；相关概念；两个阈值；非极大值抑制；Precision x Recall Curve；Average Precision；实例展示；参考链接；
2023-02-06 20:41:35
4990
1
原创 YOLO-V5 系列算法和代码解析（六）—— 分布式训练
文章目录：预备知识，DP，DDP，DP和DDP对比，YOLO-V5 实际使用，参考链接；
2023-01-05 11:34:56
2417
原创 YOLO-V5 系列算法和代码解析（三）—— 训练数据加载
文章目录：调试准备，Debug 设置，代码修改，调试数据，代码运行逻辑，类初始化，启动迭代器，数据增强；
2022-12-27 17:37:58
1889
3
原创 YOLO-V5 算法和代码解析系列（二）—— 【train.py】核心内容
文章目录：调试设置，整体结构，代码解析，Model，Trainloader，分布式训练，Freeze，Optimizer，Scheduler，EMA
2022-12-27 16:22:16
1038
原创 YOLO-V5 算法和代码解析系列（一）—— 快速开始
如何快速验证官方开源YOLO-V5的有效性？文章目录：运行环境配置，Demo，重新训练 YOLO-V5s
2022-12-19 10:32:25
1929
原创 YOLO-V5 算法和代码解析系列 —— 学习路线规划综述
为什么学习 YOLO-V5 ？博客文章列表面向对象开源项目学习方法预备知识项目目录结构
2022-12-18 21:01:29
1053
原创 应用程序无法正常启动0xc000007b的解决方法
基本情况 刚装完系统，估计是电脑缺少很多相应的组件，所以在安装【CloudCompare】软件后，无法启动，会报 “应用程序无法正常启动0xc000007b的解决方法” 的错误，如下图所示，解决方案 下载软件：aio-runtimes_v2.5.0，双击打开（如下图所示），然后安装相应的组件即可。...
2022-04-29 15:29:56
1919
原创 VSCode远程配置流程（详细图解）
1安装软件2安装完成后，弹出如下红色框内的控件（用于远程连接）3 点击远程控件，进入下图，4 点击【+】，弹出下图，输入远程IP5 输入远程IP【ssh 用户名@IP地址】，回车，如下图6 选择第一项，得到如下7 打开config文件，如下图所示，到此，已经配置完成第一个远程服务器的连接。8 鼠标悬浮在该IP地址上，出现下图的红色框，点击就可以添加远程目录，打开远程工程9 由于远程LInux，所以选择Linux（第一项）10输入密码即可连接到远程服务器输入密码后，
2022-04-22 09:02:36
11318
原创 Ubuntu 下统计文件数量的命令
1. 查看当前目录下的文件数量（不包含子目录中的文件）ls -l|grep "^-"| wc -l实例展示：如下图所示，当前路径下，有2个json文件和2个文件夹，统计文件数量为2，【./train】下的文件数量为：22446【./valid】下的文件数量为：15002. 查看当前目录下的文件数量（包含子目录中的文件） 注意：R，代表子目录ls -lR|grep "^-"| wc -l实例展示：22446+1500+2 = 239483. 查看当前目录下的文件夹目录个数（不包含子
2022-03-29 09:24:44
8885
原创 VoteNet：Deep Hough Voting for 3D Object Detection in Point Clouds
基本简介论文下载地址：https://arxiv.org/pdf/1904.09664v2.pdf代码开源地址：https://github.com/facebookresearch/votenet作者以及论文信息如下： Abstract目前，3D目标检测类算法严重受2D检测类算法影响。为了利用2D检测器的网络结构，常把3D点云转化为规律的网格（比如，体素网格，或者鸟瞰图像），或者基于2D图像的3D边框预测。很少有工作直接在点云中检测3D目标。在本文工作中，我们回归第一性准则，直接基于
2022-02-23 17:58:27
1105
原创 动手学习深度学习——2.7 文档（Pytorch）
2.7 文档（Pytorch） 由于本书篇幅的限制，我们不可能介绍每一个单独的【PyTorch】函数和类。API文档，其他教程和示例提供了许多本书之外的文档。在本节中，我们将为您提供一些探索【PyTorch API】的指导。2.7.1 查找模块中的所有函数和类 为了知道模块中可以调用哪些函数和类，我们调用了【dir】函数。例如，我们可以查询模块中用于生成随机数的所有属性：import torchprint(dir(torch.distributions))# 输出如下['AbsTran
2022-02-09 17:10:17
315
原创 动手学习深度学习——2.6 概率论
2.6 概率论 在某种形式下，机器学习就是关于预测的。根据病人的临床病史，我们可能想要预测病人明年心脏病发作的概率。在异常检测，我们可能想要评估一下，如果飞机的喷气发动机正常工作的话，它的一系列读数可能性有多大。在强化学习中，我们希望代理人（agent）在一个环境中智能地行动。这意味着我们需要考虑在每个行动下获得高回报的可能性。当我们建立推荐系统时，我们也需要考虑概率。例如，假设我们为一家大型网上书店工作。我们可能需要估计特定用户购买特定书籍的概率。为此，我们需要使用概率的语言。整个课程、专业、论文、职
2022-02-09 16:28:42
1379
原创 动手学习深度学习——2.5 自动微分
2.5 自动微分 正如 【2.4 微积分】所说，微分是深度学习中几乎所有最优化算法的关键步骤。虽然求这些导数的计算过程很简单，只需要一些基本的微积分知识。但对于复杂的模型，手工计算参数的更新可能很痛苦(而且经常容易出错)。深度学习框架通过自动计算导数加快了这一工作，即自动微分（Automatic Differentiation）。在实践中，基于我们设计的模型，系统构建了一个计算图，跟踪哪些数据结合哪些操作进而产生输出。自动微分使系统能够反向传播梯度。在这里，反向传播只是意味着跟踪整个计算图，填充关于每个
2022-02-07 17:51:09
1424
原创 动手学习深度学习——2.4 微积分
2.4 微积分 直到至少2500年前，发现多边形的面积一直是个谜，直到古希腊人将一个多边形分割成多个三角形，并将这些三角形的面积相加，才得出多边形的面积。
2022-01-26 18:02:56
1796
Ubuntu官方推荐：制作Ubuntu系统U盘安装盘的烧录工具
2023-06-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人