随笔分类 - deep learning
摘要：本文以鸟巢检测数据集为例，展示如何把 voc 格式的数据集转换成 yolov8 格式数据集，本文将从数据集下载、数据集格式转换和数据集划分三个方面进行解说。 （1）数据集下载。 本次所使用的数据集是鸟巢检测数据集，该数据集共有200张图片，展示了在输电线上鸟巢的搭建情况，鸟类在这些线路杆塔上筑巢可能
阅读全文
摘要：本文实现使用yolov8训练自己的火灾数据集。 1. 数据的获取。 本文所使用的火灾数据集是在Roboflow上下载的。Roboflow是一款专为YOLOv8设计的自动化训练数据工具，它为YOLOv8提供了一种更便捷、更快速的方式来准备训练数据。它能够自动从开发者提供的原始图像数据中提取所需的信息，
阅读全文
摘要：本文实现在 windows + CPU 的环境下实现实时火宅检测 项目网址：https://github.com/noorkhokhar99/Fire-Detection-using-YOLOv8 具体实现步骤： 1. 使用 Anaconda 搭建一个新的虚拟环境： conda create -n
阅读全文
摘要：YOLOv8 由 Ultralytics 提供，并支持全方位的视觉 AI 任务，包括检测、分割、姿态估计、跟踪和分类。这种多功能性使用户能够在各种应用和领域中利用 YOLOv8 的功能。 1. Windows 环境下使用 CPU 运行 yolov8 环境搭建 （1）使用 Anaconda 搭建 yo
阅读全文
摘要：TensorFlow Object Detection API 提供了在 COCO 2017 数据集上预训练的检测模型集合。如果你要识别的对象存在于 COCO2017 数据集，那么你就可以直接使用 TensorFlow Object Detection API 来检测图片或视频。 TensorFlo
阅读全文
摘要：在运用深度学习模型时，掌握运用预训练模型的方法是必不可少的一步。为什么要使用与训练的模型，原因归纳如下： （1）使用大量高质量的数据（如 ImageNet 是普林斯顿大学与斯坦福大学所主导的项目）又加上设计较复杂的模型结构（如ResNet模型高达150层）设计出来的模型，准确率会大大提高。 （2）可
阅读全文
摘要：最近在看《深度学习全书 公式+推导+代码+TensorFlow全程案例》—— 洪锦魁主编 清华大学出版社 ISBN 978-7-302-61030-4 这本书，在第2章 神经网络原理 中 2-3-3 偏微分的内容中有个使用梯度下降法找最小值的代码，在机器学习的很多问题中，都可以通过使用梯度下降算法最
阅读全文
摘要：最近看了《TensorFlow深度学习实战（微课视频版）》 —— 清华大学出版社一书中的 11 章节《基于ResNet的花卉图片分类》，觉得写的不错，是个关于ResNet的好例子，所以整理下，分享给大家~ 本代码使用 Tensorflow 框架，搭建 ResNet50 模型，对花卉数据集 —— Ox
阅读全文
摘要：在运行yolov5 train.py 源码文件时，产生了一些结果，以下对这些结果的来源进行详细分析。 本人代码运行环境 windows10 CPU 设置了epoch = 5 本人运行 train.py 代码的时候产生了如下文件： 接下来我们按照时间顺序，来分析下这些文件的来源出处。 1. weigh
阅读全文
摘要：yolov5 在目标检测中占有非常重要的地位，在工业界，也是最受欢迎的目标检测架构之一。 yolov5 原码地址：https://github.com/ultralytics/yolov5 本机环境：windows10，CPU 跑模型，anaconda3 其中 detect.py 代码是检测代码，你
阅读全文
摘要：MNIST数据集可以说是深度学习的入门，但是使用模型预测单张MNIST图片得到数字识别结果的文章不多，所以本人查找资料，把代码写下，希望可以帮到大家~ 1 # Buding your first image classification model with MNIST dataset 2 impo
阅读全文
摘要：以下代码实现使用pytorch测试一张图片 引用文章： https://www.learnopencv.com/pytorch-for-beginners-image-classification-using-pre-trained-models/ 1 from __future__ import
阅读全文
摘要：PyTorch 原文： https://pytorch.org/tutorials/beginner/transfer_learning_tutorial.html 参考文章： https://www.cnblogs.com/king-lps/p/8665344.html https://blog.
阅读全文
