摘要：Paper: http://arxiv.org/abs/2110.06864 Code: https://github.com/ifzhang/ByteTrack Leaderboard: https://motchallenge.net/result 参考 1. ECCV2022 ByteTra
阅读全文
摘要：作者提出focal loss的出发点也是希望one-stage detector可以达到two-stage detector的准确率，同时不影响原有的速度。既然有了出发点，那么就要找one-stage detector的准确率不如two-stage detector的原因，作者认为原因是：样本的类别
阅读全文
摘要：几种IoU的理解 IoU IOU是用来衡量两个边界框的重叠程度的。 GIoU 论文的地址为：https://arxiv.org/abs/1902.09630github代码地址：https://github.com/generalized-iou这篇论文出自CVPR2019，这篇论文提出了一种优化边
阅读全文
摘要：darknet的网络结构使用network结构体进行保存，network的构建过程主要包括以下几个函数： load_network(src/networks.c) > parse_network_cfg(src/parser.c) >make_network(src/network.c) >pars
阅读全文
摘要：前言 Yolov3网络的输入默认为416x416，然后待检测的图片不总是416x416，这就产生了如何将待检测图片，在不破坏特征的情况下缩放至416x416，并对应在网络产生预测框后，如何将416x416图中的预测框还原至原图的问题。 预处理过程letterbox_image letterbox_i
阅读全文
摘要：前言 训练定制数据集之后，测试发现bbox框的位置有时候不准确，当然与定制数据集的大小有很大关系，另外，是否也和模型参数配置有关呢？！ 重点 Kmeans原理及其改进算法kmeans++算法原理的理解，以及应用； anchorbox的理解 1. 修改主干部分的模型参数，还能使用预训练权重吗？ 修改了
阅读全文
摘要：参考 1. yolov7_paper； 2. yolov7_github； 完
阅读全文
摘要：前言 参考 1. YOLOv6_github； 2. YOLOv6_paper; 3. YOLOv6：又快又准的目标检测框架开源啦； 完
阅读全文
摘要：前言 本文主要介绍darknet的使用过程，包括安装、训练、测试、部署等内容。 一、darknet简介 darknet是基于c和cuda的开源神经网络框架，快速且安装简易，支持cpu和gpu计算。 二、测试
cd /project git clone https://github.com/
阅读全文
摘要：前言 博主之前使用yolov5进行训练和测试，但是在部署的时候，根据部署平台的不同，实现过程也有所不同。一般对于nvidia的显卡，可以使用pytorch转onnx转tensorrt进行部署，需要熟悉tensorrt的实现过程，甚至cuda编程。也可以根据部署平台的固网文档进行部署，比如高通的SNP
阅读全文
摘要：前言 参考 1. paper_Feature Pyramid Network for Object Detection; 2. 完
阅读全文
摘要：ICCV 2019 参考 1. paper； 2. code； 完
阅读全文
摘要：参考 1. google.ai.blog_EfficientNet: Improving Accuracy and Efficiency through AutoML and Model Scaling; 2. EfficientNet: Rethinking Model Scaling for C
阅读全文
摘要：参考 1. 【语义分割】--SegNet理解； 2. SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation； 3. 2017-BMVC-bayesian-SegNet； 4. SegNet论文
阅读全文
摘要：skimage.transform.resize(order, preserve_range) order: 插值的方法0-5：0-最近邻；1-双线性； https://blog.csdn.net/qq_34798326/article/details/84976243 skimage在读使用io.
阅读全文
摘要：参考 1. 憨批的语义分割3——unet模型详解以及训练自己的unet模型（划分斑马线）； 完
阅读全文
摘要：参考 1. paper； 2. code； 完
阅读全文
摘要：参考 1. pytorch中的上采样（上采样，转置卷积，上池化，PixelShuffle）； 完
阅读全文
摘要：mAP@0.5： 将IoU设为0.5时，计算每一类的所有图片的AP，然后所有类别求平均，即mAP； mAP@.5:.95（mAP@[.5:.95]） 表示在不同IoU阈值（从0.5到0.95，步长0.05）（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上
阅读全文
摘要：参考 1. Unet； 2. code； 3. https://lmb.informatik.uni-freiburg.de/people/ronneber/u-net/； 完
阅读全文
