- 博客(18)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 pytorch模型打包成exe遇到的问题
编码问题在终端输入chcp 65001回车迭代溢出问题增加迭代次数设置在打包成exe过程中会生成spec文件，在这个文件头部添加以下内容import syssys.setrecursionlimit(10000)pkg_resources.py2_warn问题有两种方法（1）C:\Users\lieweiai\anaconda3\Lib\site-packages\pkg_resources把init文件中的86行__import__(‘pkg_resources.py2_warn’
2020-08-22 16:27:33
1388
1
原创 关于yolov5训练后权重较大的原因及其解决方案
yolov5在官方预训练权重的基础之上再训练后权重较预训练权重大很多，为了大家更加直观的了解为什么及其解决方案，此篇简单介绍一下。精度变化官方给的预训练权重是FP16，而我们训练的时候是使用混合精度训练（支持CUDA才行），半精度训练只能在CUDA下进行，不支持CUDA默认是使用单精度训练，最终我们保存的权重是FP32，较FP16储存空间大了一倍。直接上代码视图：import argparsefrom models.common import *if __name__ == '__main
2020-08-22 16:19:21
13157
13
原创 yolov5部署问题
yolov5源码地址https://github.com/ultralytics/yolov5在yolov5开发部署中遇到了一点坑，在这里分享一下，希望能帮助到大家首先官方给出了onnx的部署文件，如何部署jit能，我们从源码中就可以看出，yolov5的权重是包含模型在内的，但是比葫芦画瓢还是可以可以的。（1）onnx部署import argparseimport onnxfrom yolov5_ultralytics.models.common import *from utils im
2020-07-18 16:22:27
4041
2
原创 yolov5人脸识别(yolov5-facenet-svm)
yolov5出来的这段时间，挺火，自己试着跑了以下，速度精度确实不错，相比yolov3性能要高，相比yolov4这个咱不敢说。以下用yolov5做一个人脸识别的demo。一、yolov5yolov5的原理这个就不介绍了，网上一查一大堆，github官方源码地址https://github.com/ultralytics/yolov5现在来谈谈yolov5在这个人来能识别demo中的作用（框出人脸）：怎么才能框出人脸呢，yolov5官方预训练权重只能框出整个人，要想框出人脸只能在其基础之上再训练，训练
2020-07-18 15:39:47
40068
49
原创 yolov5训练详解
最近跑了一下yolov5，在此给大家介绍一下如何用yolov5训练自己的数据集，github官方代码https://github.com/ultralytics/yolov5官方权重我已经下载下来了，见https://download.csdn.net/download/qq_41334243/12572600【注】本文所说的训练只针对官方代码。1）数据集制作数据集选择：（1）自己做的数据集（2）开源数据集（1）自己做的数据集本人使用精灵标注助手做了一个猫狗识别，把每张图片上的猫和狗都框出来，
2020-07-18 13:21:45
31361
24
原创 opencv-直方图及其操作
opencv中的直方图是反应一张图片中的颜色分布import cv2import matplotlib.pyplot as pltimg = cv2.imread('t2.jpg')cv2.imshow('test',img)img_B = cv2.calcHist([img],[0],None,[255],[0,255]) #蓝颜色直方图plt.plot(img_B,label='B',color='b')img_G = cv2.calcHist([img],[1],None,[255
2020-07-07 20:25:51
220
原创 opencv-图像无缝融合
鉴于上一篇写的图像金字塔，其中一个应用场景就是图像的无缝融合，现在来看一下如何应用。import cv2import numpy as npA = cv2.imread('f3.jpg')B = cv2.imread('f4.jpg')# A = cv2.resize(A,(640,640))# B = cv2.resize(B,(640,640))# 对图像A进行高斯金字塔下采样G = A.copy()gpA = [G]for i in range(6): G = cv2
2020-07-07 16:52:25
809
原创 opencv-高斯金字塔与拉普拉斯金字塔
高斯金字塔高斯金字塔其实原理很简单，就是通过高斯模糊（高斯滤波）后进行上采样和下采样，其中Down表示下采样函数，下采样可以通过抛去图像中的偶数行和偶数列来实现，这样图像长宽各减少二分之一，面积减少四分之一。opencv提供了pyrDown()函数用于下采样，效果如下：import cv2img = cv2.imread('7.jpg')for i in range(3): cv2.imshow(f'img{i}',img) img = cv2.pyrDown(img)
2020-07-07 15:48:58
319
原创 数据增强常用手段
常用数据增强手段Albumentationsgithub地址论文地址Albumentations 数据增强方法BlurCLAHEChannelDropoutChannelShuffleCoarseDropoutDownscaleEqualizeFancyPCAFromFloatGaussNoiseGaussianBlurGlassBlurHueSaturationValueIAAAdditiveGaussianNoiseIAAEmbossIAASharpenIAAS
2020-07-07 15:02:11
652
原创 Canny边缘提取算法
原理祥解彩色图像转换为灰色图像高斯滤波，滤除噪声点计算图像梯度，根据梯度计算边缘幅值与角度非极大值抑制双阀值边缘连接处理二值化图像输出结果非极大值抑制非极大值抑制是一种边缘稀疏技术，非极大值抑制的作用在于“瘦”边，对图像进行梯度计算后，梯度值提取的边缘仍然很模糊（边缘比较厚），而非极大值抑制则可以帮助将局部最大值之外的所有梯度值抑制为01.将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较2.如果当前像素的梯度强度与另外两个像素相比最大，则该像素点保留为边缘点，否则该像素点将被
2020-07-06 20:33:20
502
原创 人工智能-图像滤波
滤波概念1）滤波过程就是把不需要的信号频率去掉的过程2）滤波操作一般用卷积操作赖实现，卷积核一般称为滤波器3）滤波分为：低通滤波、高通滤波、中通滤波、阻带滤波4）低通滤波也叫平滑滤波，获取一些低频信息，可以使图像变模糊，主要用于去噪5）高通滤波，获取一些高频信息，一般用于获取图像的边缘、轮廓或梯度6）中通滤波一般用于获取已知频率范围内的信号7）阻带滤波一般用于去掉已知频率范围内的信号8）滤波分析一般有时域分析和频域分析9）时域分析是直接对信号本身进行分析10）频域分析是对信号的变..
2020-07-06 11:32:30
478
原创 opencv-图像的几何变换小结
resize/transpose/flipdef resize(src, dsize, dst=None, fx=None, fy=None, interpolation=None)。src 输入图。dst 输出图，形态和输入图相同，当dsize不等于0，输出图尺寸会和dsize相同,当dsize等于0，输出图尺寸会由输入图尺寸、fx、fy计算而得。dsize 输出尺寸，当输入为0时，fx、fy皆不可为0，dsize = Size(round(fxsrc.cols),round
2020-07-05 16:47:48
487
原创 opencv常用色彩空间
色彩空间（RGB、RGBA、GRAY、HSV、YUV）RGB1）R(Red:红)、G(Green:绿)、B(Blue:蓝) 。2）色光三原色 RGB：吸收俩种，反射自身颜色；在屏幕上显示的图像，就是RGB模式表现的。3）RGB的每个元素在计算机内存中占用1个字节（8bit），所以RGB每个元素的取值范围为：0~255(2的8次方).4) 我们常用的jpg格式的图片就是三通道的RGBRGBA相比RGB多了一个通道，透明度通道A（Alpha 透明度）我们常用的png格式的图片..
2020-07-05 12:15:39
321
原创 人工智能激活函数小结
什么是激活函数激活函数（Activation functions）将非线性特性引入到我们的网络中。其主要目的是将A-NN模型中一个节点的输入信号转换成一个输出信号。该输出信号现在被用作堆叠中下一个层的输入。为什么需要激活函数如果没有激活函数，我们每一层的输出都是线性的，线性的累加仍是线性的，所以整个模型下来结果是线性的，而我们碰到的很多问题都不是线性能解决的，训练的结果就是模型没什么用，所以我们要引入非线性能力，这就需要靠激活函数，所以激活函数都是线性的，线性的激活函数没什么意义。如..
2020-07-04 20:42:32
959
原创 人工智能常用评估指标
模型评估准确率（Accuracy)所有被预测正确的样本（包括正、负）占所有样本的比例精确率（Precision)又叫查准率，正确预测为正的占所有预测为正的比例召回率（recall）又叫查全率，正确预测正样本占标注为正的比例真正类率(True Postive Rate)代表分类器预测的正类中实际正实例占所有正实例的比例。TPR=Recall。负正类率(False Postive Rate)代表分类器预测的正类中实际负实例占所有负实例的比例。直接上图
2020-07-04 12:32:05
5540
yolov5数据集生成（celeba、wideface、xml解析）
2020-07-03
yolov5_facenet_svm
2020-07-03
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人