- 博客(36)
- 收藏
- 关注
RSS订阅原创 【Week-Y8】学习yolov8x.yaml文件，了解模型的输出数据
👉 本周任务：● 请根据YOLOv8nYOLOv8s模型的结构输出，手写出YOLOv8l的模型输出。
2024-05-08 21:52:03
556
原创 【Week-Y7】使用自己的数据集训练YOLO-v8
本次学习的模型为YOLO-v8，先调用官方模型测试，检查源码环境配置是否正确，其次使用本地数据集进行训练。
2024-05-01 15:20:34
711
原创 【Week Y6】修改yolov5s的网络结构
修改要求：(1)原第4层的修改为(2)原第6层的修改为(3)原第7、8层删除（注意删去这两层后的层索引值的变化）原YOLOv5s结构：修改后的结构：注意仔细观察网络结构的内容，以及每一层的索引号，都是有关联的，修改时要结合网络结构图，一一对应。还需要注意head的第一个卷积层的输入size，要和前面层数对齐。执行：得到：训练正常：
2024-04-18 09:31:16
139
原创 【Week Y5】yolo.py文件解读，插入C2模块到指定位置
模块结构如下：【Y4】周直接在C3的模块中减少了一次Conv，本次需要还原C3模块，并重新定义一个C2模块。
2024-04-09 22:16:14
344
原创 【Week-Y4】修改yolov5s中C3模块的结构，common.py文件解读
如左图，有3个conv模块，需要为右图，右图只包含2个conv模块。📕步骤：（1）首先找到coomom.py中定义C3模块的地方；（2）然后将代码与上图的左图对应起来，观察需要改动的位置，结合结构，更容易看懂代码；（3）找到之后按照要求修改，并运行train.py，看是否能跑通。中，保存的是v5s各个模块的实现，包括基本模块（如autopad、Conv、Bottleneck、BottleneckCSP、
2024-04-04 22:04:09
336
原创 【Week-Y3】修改yolov5s的backbone的第4层和第6层中C3的理论循环次数
（1）比较了本次学习和【week Y2】学习所打印的训练网络结构，本次学习打印出的网络layers为200，而【week Y2】学习所打印的层数为214，说明修改有效。
2024-03-29 07:47:43
729
原创 【Week Y2】使用自己的数据集训练YOLO-v5s
本文使用水果数据集、CPU进行训练，包含200张图像，水果类别分为4类，。本文先列出执行过程中遇到的问题以及解决办法，再将执行步骤一一说明，给出的代码是我修改过后的最终的代码。
2024-03-19 23:02:20
1155
原创 【Week Y1】调用官方权重进行检测
（1）本文下载YOLO-v5s源码，对其进行编译，并输入本地图片查看检测效果；（2）本文编译环境构成：单独下在python3.12安装包，直接安装；打开VSCode，打开所在的文件夹，然后创建虚拟环境，python版本选择刚安装的3.12，环境路径选择所在的文件夹路径；
2024-03-10 17:42:26
963
原创 【Week-P9】YOLOv5-Backbone模块实现天气识别
本文使用的网络结构详细说明可以参考：（1）【YOLOv5】Backbone、Neck、Head各模块详解（2）【目标检测 YOLOv5_6.0版本总结】
2024-02-29 10:59:38
839
原创 【Week-P8】YOLOv5-C3模块实现天气识别
增加C3模块，forward()函数内部无变化C3模块个数test_acc187.1%291.6%392.0%增加C3模块，forward()函数内部也相应增加C3模块C3模块个数test_acc187.1%23。
2024-02-22 16:31:35
898
原创 【Week-P7】VGG16识别咖啡豆
（1）本次学习分两次执行，第一次是优化器为Adam时，使用Jupyter Notebook运行；第二次修改优化器为SGD，PIPEERRORDataLoader；（2）本次学习在jupyter运行时，需要安装，因为时第一次用到，之前也没有安装过，后续在VSCode里运行，不需要重复安装；（3）Adam优化器训练后，。而SGD优化器训练后，。（4）
2024-02-01 13:33:04
867
原创 【Week-P6】VGG16-好莱坞明星识别
说明：（1）本次学习使用VGG-16模型完成，调用官方接口得到VGG-16预训练模型，然后修改classifier模块的第6层；（2）本次学习调用官方动态学习率接口完成训练；（3）本次学习需要调整调整参数，使test_accuracy的值达到60%或以上（当前训练40个epoch的test_accuracy是16.7%）；（4）本次学习使用的数据集与的数据集是一致的，共有17位好莱坞明星的脸部照片；
2024-01-25 20:54:14
852
原创 【20240123】唠一下
需要注意的是，防止模型过拟合与提高模型的泛化能力是两个密切相关但又有区别的概念。防止模型过拟合可以提高模型的泛化能力，但仅仅防止模型过拟合并不能保证模型具有良好的泛化能力。要提高模型的泛化能力，还需要考虑其他因素，如模型的结构、训练数据的质量和数量等。的同时，兼顾模型的训练速度和推理速度是可能的，但需要权衡取舍。这些优化技术或算法可以与解决问题中提到的方法结合使用，以进一步提高VGG-16模型的准确率、训练速度和推理速度。网格搜索是一种超参数调整方法，它通过在超参数网格上评估模型的性能来找到最优的超参数。
2024-01-23 15:01:49
835
原创 【Week-P5】CNN运动鞋品牌识别
说明：根据自己定义的函数更新学习率。关键参数详解：●：是之前定义好的需要优化的优化器的实例名称●：更新学习率的函数用法示例：lambda1 = lambda epoch: (0.92 ** (epoch // 2) # 第二组参数的调整方法scheduler = torch.optim.lr_scheduler.LambdaLR(optimizer, lr_lambda=lambda1) #选定调整方法。
2024-01-19 00:44:32
967
原创 【Week-P4】CNN猴痘病识别（修改网络结构的部分，即6.2，待修改）
训练结果如下：训练结果表明：修改网络结构之后，test_accuracy反而从85.3%降低到82.5%，说明此次修改结构不能提升test_accuracy的值。训练结果表明：与6.2.1的修改方法相比，test_accuracy从82.5%提升到84.4%。
2024-01-04 00:01:44
942
原创 【Week-P2】CNN彩色图片分类-CIFAR10数据集
本文采用CIFAR10数据集，通过简单CNN来实现彩色图片识别。导入数据的方式和【Week P1】中的方法是一致的，都是通过下载数据集、通过加载数据集。等待漫长的4h35min后：对于一般的CNN网络来说，都是由特征提取网络和分类网络构成，其中特征提取网络用于提取图片的特征，分类网络用于将图片进行分类。用到的运算主要有：卷积、池化。网络结构：可以看到，训练10个epoch后的效果是非常差的，训练准确率和测试准确率都不到60%。函数原型：关键参数说明：函数原型：关键参数说明：函数原型：torc
2023-12-21 22:52:46
2655
原创 【Week-P1】 MNIST手写数字识别
（1）本文使用Pytorch 的 CPU版本，安装过程比较简单。在【官网】设置自己的配置，本文选用CPU版本，所以直接安装即可，下载时间比较久。漫长的等待之后，安装好了：打开确认安装情况，如下图运行情况，表示已经安装好CPU版本的Pytorch使用下载MNIST数据集，并划分好训练集与测试集。使用加载数据，并设置好基本的batch_size。对于一般的CNN网络来说，都是由特征提取网络和分类网络构成，其中特征提取网络用于提取图片的特征，分类网络用于将图片进行分类。是Pytorch自带
2023-12-12 22:12:43
947
原创 Week-T10 数据增强
print("--------# 自定义增强函数---------")# 这是大家可以自由发挥的一个地方# 随机改变图像对比度# Q: 将自定义增强函数应用到我们数据上呢？# 请参考上文的 preprocess_image 函数，将 aug_img 函数嵌入到 preprocess_image 函数中，在数据预处理时完成数据增强就OK啦。# 从本地路径读入图像数据print("--------# 从本地路径读入图像数据---------")# 划分训练集。
2023-11-19 12:17:55
1427
原创 Week-T9 猫狗识别2
二、准备数据2.1 获取数据集三种配置数据集的方式：： 打乱数据，关于此函数的详细介绍可以参考：https://zhuanlan.zhihu.com/p/42417456：预取数据，加速运行，其详细介绍可以参考我前两篇文章，里面都有讲解。：将数据集缓存到内存当中，加速运行2.2. 可视化数据3.2 编译模型在准备对模型进行训练之前，还需要再对其进行一些设置。以下内容是在模型的编译步骤中添加的：● 损失函数（loss）：用于衡量模型在训练期间的准确率。● 优化器（op
2023-11-13 01:51:21
53
原创 WeekT8 - 猫狗识别1（VGG-16）
● 难度：夯实基础⭐⭐● 语言：Python3、TensorFlow2🔎 探索（难度有点大）其他说明：这篇文章中放弃了以往的model.fit()训练方法，改用model.train_on_batch方法。两种方法的比较：● model.fit()：用起来十分简单，对新手非常友好● model.train_on_batch()：封装程度更低，可以玩更多花样。此外也引入了进度条的显示方式，更加方便我们及时查看模型训练过程中的情况，可以及时打印各项指标。
2023-11-01 21:46:58
58
原创 Week T7 - 咖啡豆识别（VGG-16）
● 难度：夯实基础⭐⭐● 语言：Python3、TensorFlow2● 时间：9月5-9月9日🔎 探索（难度有点大）
2023-10-22 23:24:21
66
原创 Week T1：MNIST手写数字识别（CNN）
🍨 本文为🔗365天深度学习训练营内部限免文章（版权归K同学啊所有）🔗深度学习100例-卷积神经网络（CNN）实现mnist手写数字识别 | 第1天K同学啊 | 接辅导、项目定制K同学的学习圈子。
2023-09-08 20:27:12
68
原创 【22-03-03】Qt5文件夹操作
获取指定文件的2种方法：文件名包含特定字符（此处指定字符为“Vision”）QDir dir(filepath); // filepath：查找的路径dir.setFilter(QDir::Files); // 只查找 文件QFileInfoList = dir.entryInfoList(); // 获得所有的文件名，保存为列表for(int i=0; i<list.length(); i++) // 遍历，找到目标文件{ QString file = list.at(i).fi
2022-03-03 10:17:27
361
原创 2021-03-31【Caltech行人数据集的 .vbb 转 .xml 】（学习记录）
之前出过一篇 .seq 转 .jpg 的文，????：seq视频转jpgCaltech Pedestrian Benchmark数据集的标注文件，是vbb格式的：????我需要转成pascal voc的xml格式：????vbb转xml的点这里（有一点不好的是，所有的xml都在一个文件夹里，要是可以按视频分类放好就好了，自己改下保存的格式应该就行）...
2021-03-31 22:52:35
531
转载 2021-03-03【seq视频序列格式转img】
根据 数据集是 seq 文件的处理办法 的方法，得出的img结果如下：path改成自己存放seq文件的路径就可以了
2021-03-03 19:52:22
1477
4
原创 python3批量读取图片名（2020.10.08）
参考：Python批量读取文件名并保存至txt_废话少说99的博客_CSDN博客我只需要把所有图片的文件名保存在创建的列表中即可，所以将参考博主的代码稍加修改了一下，仅供自己学习记录代码如下：# P01 批量读取文件名，并将读取的文件名保存到指定路径下的txt中（带.*** 后缀）# 参考： https://blog.csdn.net/GeekYao/article/details/105074574import osdir = "E:\\dBeker_copy\\tf-faster-rcnn
2020-10-08 00:44:30
1392
原创 将ppm格式转换为bmp格式的方式有哪些？
学习需要，要将PPM格式的图片转换为bmp格式，试了两种方法：1.使用Photoshop 2019逐张转换，另存为你需要的格式。2.使用代码进行转换，这里我使用matlab工具进行转换参考博客%--------------------------2019-10-18----------------------%% 在当前工作环境下，本示例程序将 E:\10.15 综述总结\行人数据集...
2019-10-18 20:55:11
975
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人