1 wa1tzy

尚未进行身份认证

我要认证

速战速决!

等级
TA的排名 6w+

DeepLearing—CV系列总结(一)—常用的目标侦测网络

文章目录一、RCNN二、SPP-Net三、Fast-RCNN四、Faster-RCNN五、YOLOv3六、YOLOv4七、YOLOv5一、RCNN二、SPP-Net三、Fast-RCNN四、Faster-RCNN五、YOLOv3六、YOLOv4七、YOLOv5

2020-10-19 21:04:10

[Python+OpenCV项目实战]——全景图像拼接

文章目录一、代码二、效果一、代码import numpy as npimport cv2class Stitcher: #拼接函数 def stitch(self, images, ratio=0.75, reprojThresh=4.0,showMatches=False): #获取输入图片 (imageB, imageA) = images #检测A、B图片的SIFT关键特征点,并计算特征描述子 (kpsA, f

2020-08-12 08:53:17

[Python+OpenCV项目实战]——OpenCV的DNN模块

文章目录一、代码1.1 utils_paths.py1.2 utils_paths.py二、结果代码目录:一、代码1.1 utils_paths.pyimport osimage_types = (".jpg", ".jpeg", ".png", ".bmp", ".tif", ".tiff")def list_images(basePath, contains=None): # return the set of files that are valid return

2020-08-12 08:52:45

[Python+OpenCV项目实战]——答题卡识别判卷

文章目录import numpy as npimport cv2# 正确答案ANSWER_KEY = {0: 1, 1: 4, 2: 0, 3: 3, 4: 1}def order_points(pts): # 一共4个坐标点 rect = np.zeros((4, 2), dtype = "float32") # 按顺序找到对应坐标0123分别是 左上,右上,右下,左下 # 计算左上,右下 s = pts.sum(axis = 1) rect[0] = pts[np.argmi

2020-08-12 08:52:12

[Python+OpenCV项目实战]——背景建模

文章目录一、代码二、效果(视频格式)一、代码import numpy as npimport cv2#经典的测试视频cap = cv2.VideoCapture('test.avi')#形态学操作需要使用kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))#创建混合高斯模型用于背景建模fgbg = cv2.createBackgroundSubtractorMOG2()while(True): ret, fra

2020-08-12 08:51:32

[Python+OpenCV项目实战]——信用卡数字识别

文章目录一、代码二、效果一、代码# 导入工具包from imutils import contoursimport numpy as npimport argparseimport cv2import myutils# 指定信用卡类型FIRST_NUMBER = { "3": "American Express", "4": "Visa", "5": "MasterCard", "6": "Discover Card"}# 绘图展示def cv_show(name,img)

2020-08-12 08:51:04

使用yolov4训练自己的数据集——科大讯飞X光安检图像识别baseline

文章目录一、cfg文件修改二、data/下新建配置文件三、创建标注文件四、划分训练集、验证集与对应标签4.1 split_data.py4.2 xml2txt.py4.3 creattxt.py五、训练六、推理一、cfg文件修改创建yolov4-mydatasets.cfg,因为我用了yolov4.cfg训练太吃显存,2080TI的机子batchsize设置为2也会爆显存。其主要原因是mish函数太占显存了。修改的地方:将mish函数替代为relu函数,大大降低显存使用!另外filters设置为:

2020-08-05 12:22:10

使用yolov5训练自己的数据集——科大讯飞X光安检图像识别baseline

文章目录1、创建数据集的配置文件mydataset.yaml2、创建标注文件3、组织训练集的目录4、选择模型backbone进行模型配置文件的修改5、Train6、Visualize7、已有图像和xml制作标签的过程7.1 check_img.py7.2 check_box.py7.3 rain_val_split.py7.4 myData_label.py1、创建数据集的配置文件mydataset.yaml# train and val datasets (image directory or *.t

2020-08-05 09:21:06

xml与python文件常用转换

# coding:utf-8from PIL import Imageimport os.pathimport globimport xml.etree.ElementTree as ETimport xml.dom.minidomi = 0xmldir = r"D:\YOLOV5\数据集\outputs"imgsdir = r"D:\YOLOV5\数据集\danger2"for xmlfile in os.listdir(xmldir): xmlname = os.path.

2020-07-27 09:26:04

Pytorch实现姿态识别(三)——训练与推理

train.py#dataset:https://www.crcv.ucf.edu/data/UCF101.phpimport timeitfrom datetime import datetimeimport socketimport osimport globfrom tqdm import tqdmimport torchfrom tensorboardX import SummaryWriterfrom torch import nn, optimfrom torch.ut

2020-07-21 16:53:54

Pytorch实现姿态识别(二)——视频分析C3D的网络架构

C3D网络架构与结构图:3D卷积与2D卷积的区别:其中多了一个时间维度三维卷积与三维池化的理解:① nn.Conv3d(3, 64, kernel_size=(3, 3, 3), padding=(1, 1, 1))kernel_size=(3, 3, 3):第一个3:一共16帧,当前处理3帧;第二、三个3:H,W的大小;padding=(1, 1, 1):三维、高、宽都填充1② nn.MaxPool3d(kernel_size=(1, 2, 2), stride=(1, 2, 2))

2020-07-21 16:45:57

Pytorch实现姿态识别(一)——将视频数据处理为图像

文章目录一、mypath.py二、datasets.py一、mypath.pyclass Path(object): @staticmethod def db_dir(database): if database == 'ucf101': # folder that contains class labels root_dir = r'F:\DATASET\UCF-101\UCF-101' # Sa

2020-07-21 16:44:54

DeepLearing—CV系列(二十四)——Pytorch实现OCR识别图片转文字(2)——CRNN+CTC_Loss理论

文章目录一、CRNN(卷积递归神经网络)1.1 CRNN介绍与网络结构1.1.1 网络结构二、网络结构详解2.1 CNN2.2 Map-to-Sequence2.3 RNN2.3 CTC Loss2.3.1 序列合并机制2.3.2 训练阶段2.3.3 划分标准2.3.4 CRNN总结结一、CRNN(卷积递归神经网络)1.1 CRNN介绍与网络结构CRNN模型,即将CNN与RNN网络结合,共同训练。主要用于在一定程度上实现端到端(end-to-end)地对不定长的文本序列进行识别,不用先对单个文字进行切

2020-07-15 12:35:51

DeepLearing—CV系列(二十四)——Pytorch实现OCR识别图片转文字(1)——CTPN理论

文章目录一、OCR简介二、一、OCR简介文字识别也是图像领域一个常见问题。然而,对于自然场景图像,首先要定位图像中的文字位置,然后才能进行文字的识别。所以一般来说,从自然场景图片中进行文字识别,需要包括2个步骤:文字检测:解决的问题是哪里有文字,文字的范围有多少文字识别:对定位好的文字区域进行识别,主要解决的问题是每个文字是什么,将图像中的文字区域进转化为字符信息。OCR的作用:提取图像中的文字,并转换成文本形式,供后续NLP任务使用。二、...

2020-07-15 12:03:40

Pytorch项目打包和部署(4)——代码——TensorRT+Android

文章目录前言一、TensorRT二、Android前言首先下载TensorRT,进入官网NVIDIA TensorRT | NVIDIA Developer,点击download now,选择对应的TensorRT版本,windows下建议下 TensorRT7,点击同意,选择TensorRT 7.0(7.1是预览版本,不建议下载),选择对应的系统,此处windows下载要对应CUDA版本,一定要更新到对应的版本上去,否则运行会报错。对于Tensor RT的使用,可以参考TensorRT的开发向导(第

2020-07-14 17:35:16

Pytorch项目打包和部署(3)——代码——flask+onnx

文章目录一、Flask部署1.1 httpserver.py1.2 clinet.html二、传图片2.1 clinet.html2.2 httpserver.py三、返回json格式3.1 clinet.html3.2 httpserver.py四、官网实例转JSON4.1 httpserver2.py4.2 clinet2.html五、导出与调用onnx(跨平台使用)5.1 导出onnx5.2 检查onnx5.2.1 onnxruntime评测模型精度不一致问题排查5.3 调用onnx一、Flask部

2020-07-13 20:16:17

Pytorch项目打包和部署(2)——代码——flask+socket+pt2pt

文章目录一、flask1.1 module.py1.2 flash_test.py1.3 MTCNN侦测网络的flask通信流程二、Socket2.1 server_demo.py2.2 client_demo.py2.3 socket实现的对话2.3.1 server.py2.3.2 client.py三、MNIST打包3.1 模型打包的时候注意的问题一、flask1.1 module.pyimport torchfrom torch import nnclass TestModel(nn.M

2020-07-13 17:05:11

Pytorch项目打包和部署(1)——理论

文章目录一、什么是模型打包部署二、模型打包部署的作用三、学习模型打包部署的目的四、模型部署语言五、模型部署平台六、模型部署设备七、模型部署方式八、模型部署接口九、模型部署相关工具十、模型可视化先上Pytorch官网:Pytorch一、什么是模型打包部署模型打包就是把程序化的模块打包成一个能在指定平台上可执行文件。Pytorch中的打包和调用方法:torch.save()torch.load()模型部署就是将打包好的文件在指定的平台上进行部署实施,使其能够正常使用。二、模型打包部署的作用模型

2020-07-13 14:09:26

Machine Learning——sklearn系列(八)——鸢尾花分类的逻辑回归实现

文章目录前言一、详解Numpy中的数组拼接、合并操作(concatenate, append, stack, hstack, vstack, r_, c_等)二、Python字符串格式化三、代码前言项目描述:根据鸢尾花的花萼长度与宽度的特征数据统计,对其进行逻辑回归分类。特征:花萼长度、花萼宽度类别标签:0 - 山鸢尾(setosa)1 - 杂色鸢尾(versicolor)2 - 维吉尼亚鸢尾(virginica)一、详解Numpy中的数组拼接、合并操作(concatenate, appen

2020-07-13 10:58:11

Machine Learning——sklearn系列(七)——降维

文章目录一、PCA(主成分分析)1.1 PCA主成分分析的矩阵原理-特征值与奇异值1.1.1 特征值1.1.2 奇异值1.1.31.2 PCA代码二、LDA2.1 代码一、PCA(主成分分析)主成分分析(PCA)实现一般有两种,一种是对于方阵用特征值分解去实现的,一种是对于不是方阵的用奇异值(SVD)分解去实现的。1.1 PCA主成分分析的矩阵原理-特征值与奇异值1.1.1 特征值特征值很好理解,特征值和特征向量代表了一个矩阵最鲜明的特征方向。多个特征值和特征向量的线性组合可以表示此矩阵。选取特征

2020-07-13 09:43:00

查看更多

勋章 我的勋章
  • GitHub
    GitHub
    绑定GitHub第三方账户获取
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!
  • 勤写标兵Lv4
    勤写标兵Lv4
    授予每个自然周发布9篇以上(包括9篇)原创IT博文的用户。本勋章将于次周周三上午根据用户上周的博文发布情况由系统自动颁发。