feature map-opencv实现特征热力图可视化
摘要:上代码 绿色底纹 部分 代表 单个通道 热力图生成 代码; import cv2 import time import os import matplotlib.pyplot as plt import torch from torch import nn import torchvision.mo
阅读全文
feature map特征融合和图像融合
摘要:特征理解 不变性和等变性是图像特征表示的两个重要性质。 分类需要不变特征表示,因为它的目标是学习高级语义信息。 目标定位要求等变表示,因为它的目的是鉴别位置和尺度的变化。 由于目标检测包括目标识别和目标定位两个子任务,因此对检测器来说,同时学习不变性和等变性是至关重要的,通俗理解分 类只需要了解物体
阅读全文
OCR工具 - tesseract
摘要:操作不复杂,自己看参考资料吧; 可用命令行,也可用代码 from pytesseract import pytesseract from PIL import Image # The path of installed tesseract tesseract_path = r"D:/Program
阅读全文
AI算法 部分目录
摘要:有一部分没写完,或者写得不好,有时间会完善,故没有公开,有需要私信我 深度学习理论基础 与 代码实践 模型训练 tricks 总结 模型加速【1】入门篇 模型加速【2】-知识蒸馏 代码 深度学习 之 模型部署【1】-基础入门 深度学习 之 模型部署【2】-TensorRT 入门 深度学习 之 模型部
阅读全文
深度学习 之 模型部署【3】-ONNX 入门
摘要:ONNX 简介 开放神经网络交换,Open Neural Network Exchange,是一套表示 网络模型 的开放格式,由微软和FaceBook在2017年推出; 通过几年的快速发展,大有一统整个 AI 模型(ml、dl)的交换标准; ONNX 定义了一组与 环境和平台 无关的标准格式,使得
阅读全文
深度学习 之 模型部署【2】-TensorRT 入门
摘要:TensorRT 简介 TensorRT 是 英伟达公司 根据自己的 硬件设备 面向 AI工作者 推出的 一种 模型部署方案; 同时 可以对网络进行 压缩、优化,它通过 combines layers、kernel 优化选择,以及根据指定精度执行归一化和转换成最优的 matrix math 方法,改
阅读全文
深度学习 之 模型部署【1】-基础入门
摘要:深度学习整个 使用流程 深度学习不仅包括 模型训练过程; 对训练好 的模型,通常需要进行一些 优化和加速,如 网络层合并、量化、剪枝 等,得到 精简的 推理引擎,然后部署上线; 通常我们把 模型优化和推理框架 合称为 推理引擎; 模型部署平台 大致可分为两种: 云端:大模型,精度要求高,可接受一定延
阅读全文
PyTorch 剪枝
摘要:pytorch 实现剪枝的思路是 生成一个掩码,然后同时保存 原参数、mask、新参数,如下图 pytorch 剪枝分为 局部剪枝、全局剪枝、自定义剪枝; 局部剪枝 是对 模型内 的部分模块 的 部分参数 进行剪枝,全局剪枝是对 整个模型进行剪枝; 本文旨在记录 pytorch 剪枝模块的用法,首先
阅读全文
模型加速 - 剪枝
摘要:深度学习网络模型从卷积层到全连接层存在着大量冗余的参数,大量神经元激活值趋近于0,将这些神经元去除后可以表现出同样的模型表达能力,这种情况被称为过参数化,而对应的技术则被称为模型剪枝。 卷积核的元素可分为 单个像素、行列、通道、卷积核,可分别在 不同元素上实现剪枝,如下图 细粒度剪枝(fine-gr
阅读全文
NMS 系列
摘要:NMS 解决问题:多个建议框指向了同一个物体,我们只需要该物体IoU最大的建议框 基本思路:多个类别分开处理;每个列别中 iou 较大的删除,iou 较小的 保留 具体操作 1. 输入为2000x20矩阵,2000代表2000个建议框,20代表20个类别 2. 对每个类别进行排序,从大到小 3. 首
阅读全文
label smoothing
摘要:label 可分为 hard label 和 soft label; label smoothing,标签平滑,像 L1 L2 dropout 一样,是一种正则化的方法; 用于 防止模型过分自信,提升泛化能力; 不过这个 方法不是 很常用,有很多 tricks 可以起到类似的作用,学到最后你会发现,
阅读全文
图像风格迁移
摘要:基于在线图像优化的慢速图像风格化迁移算法(Slow Neural Method Based On Online Image Optimisation) 主体思路:人造 一张图片,计算这张图片 和 内容图像 的 内容损失,和 风格图像的 风格损失,加权和作为总体损失 ,然后调整图片,减小损失,整个过程
阅读全文
IOU 系列
摘要:bbox loss 目标检测任务中 bbox 的预测 采用回归损失实现,可分为 L1 L2 SmoothL1 等 三种损失求导,分析对 loss 的影响 L1:导数恒等于 -1 1,在训练后期,来回震荡,无法收敛到足够精细的值 L2:在前期,x(loss) 较大,收敛过快,容易过拟合 SmoothL
阅读全文
FaceNet and triplets loss
摘要:论文地址: FaceNet: A Unified Embedding for Face Recognition and Clustering FaceNe t出自 google,它将 人脸 映射到 欧几里得空间,用空间距离 代表 人脸相似度,可用于 人脸识别(是谁)、人脸验证(是不是一个人)、人脸聚
阅读全文