• MixNet实战:使用MixNet实现图像分类

    本文从实战的角度出发,带领大家感受一下MixNet,我们还是使用以前的植物分类数据集,模型采用mixnet_m。 通过本文你可以学习到: 1、如何使用数据增强,包括transforms的增强、CutOut、MixUp、CutMix等增强手段? 2、如何调用自定义的模型? 3、如何使用混合精度训练? 4、如何使用梯度裁剪防止梯度爆炸? 5、如何使用DP多显卡训练? 6、如何绘制loss和acc曲线? 7、如何生成val的测评报告? 8、如何编写测试脚本测试测试集? 9、如何使用余弦退火策略调整学习率? 原文链接:https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124845052

    2022-05-18
    4.9
  • 提取人脸特征的三种方法

    第一种方法 直接使用dlib。 1、使用dlib.get_frontal_face_detector()方法检测人脸的位置。 2、使用 dlib.shape_predictor()方法得到人脸的关键点。 3、使用dlib.face_recognition_model_v1()方法提取特征。 第二种方法 使用深度学习方法查找人脸,dlib提取特征。 第三种使用insightface提取人脸特征 InsightFace 是一个开源的 2D&3D 深度人脸分析工具箱,其中高效地实现了丰富多样的人脸识别、人脸检测和人脸对齐算法,并且针对训练和部署进行了优化,在多项算法测评、比赛获得优胜。 文章链接:https://wanghao.blog.csdn.net/article/details/124703863?spm=1001.2014.3001.5502

    2022-05-11
    4.9
  • MMDetection实战:MMDetection训练与测试

    MMDetection是商汤和港中文大学针对目标检测任务推出的一个开源项目,它基于Pytorch实现了大量的目标检测算法,把数据集构建、模型搭建、训练策略等过程都封装成了一个个模块,通过模块调用的方式,我们能够以很少的代码量实现一个新算法,大大提高了代码复用率。 GitHub链接:https://github.com/open-mmlab/mmdetection。 Gitee链接:https://gitee.com/open-mmlab/mmdetection。 主分支代码目前支持 PyTorch 1.5 以上的版本。主要特性: 模块化设计 MMDetection 将检测框架解耦成不同的模块组件,通过组合不同的模块组件,用户可以便捷地构建自定义的检测模型 丰富的即插即用的算法和模型 MMDetection 支持了众多主流的和最新的检测算法,例如 Faster R-CNN,Mask R-CNN,RetinaNet 等。 速度快 基本的框和 mask 操作都实现了 GPU 版本,训练速度比其他代码库更快或者相当,包括 Detectron2, maskrcnn-benchm

    2022-05-09
    4.9
  • 图像分割模型——segmentation_models_pytorch和albumentations 组合实现多类别分割

    segmentation_models_pytorch是一款非常优秀的图像分割库,albumentations 是一款非常优秀的图像增强库,这篇文章将这两款优秀结合起来实现多类别的图像分割算法。数据集选用CamVid数据集,类别有:'sky', 'building', 'pole', 'road', 'pavement','tree', 'signsymbol', 'fence', 'car','pedestrian', 'bicyclist', 'unlabelled'等12个类别。数据量不大,下载地址:[mirrors / alexgkendall / segnet-tutorial · GitCode](https://gitcode.net/mirrors/alexgkendall/segnet-tutorial?utm_source=csdn_github_accelerator)。 通过这篇文章,你可以学习到: 1、如何在图像分割使用albumentations 增强算法? 2、如何使用dice_loss和cross_entropy_loss?

    2022-05-05
    4.9
  • SwinIR实战:详细记录SwinIR的训练过程

    在写这边文章之前,我已经翻译了论文,讲解了如何使用SWinIR进行测试? 接下来,我们讲讲如何SwinIR完成训练,有于作者训练了很多任务,我只复现其中的一种任务。

    2022-05-01
    4.9
  • SwinIR超分测试改动代码

    本文介绍如何使用SwinIR和预训练模型实现图像的超分。

    2022-04-30
    2.9
  • MobileVIT实战:使用MobileVIT实现图像分类

    目前,Transformer已经霸榜计算机视觉各种任务,但是缺点也很明显就是参数量太大无法用在移动设备,为了解决这个问题,Apple的科学家们将CNN和VIT的优势结合起来,提出了一个轻量级的视觉网络模型mobileViT。 根据论文中给出的Top-1成绩的对比结果,我们可以得出,xs模型参数量比经典的MobileNetV3小,但是精度却提高了7.4%,标准的S模型比ResNet-101,还高一些,但是参数量也只有ResNet-101的九分之一。这样的成绩可谓逆天了! 本文从实战的角度出发,带领大家感受一下mobileViT,我们还是使用以前的植物分类数据集,模型采用MobileViT-S。

    2022-04-27
    5.9
  • SWA实战:使用SWA进行微调,提高模型的泛化.zip

    SWA简单来说就是对训练过程中的多个checkpoints进行平均,以提升模型的泛化性能。记训练过程第i ii个epoch的checkpoint为w i w_{i}w i ​ ,一般情况下我们会选择训练过程中最后的一个epoch的模型w n w_{n}w n ​ 或者在验证集上效果最好的一个模型w i ∗ w^{*}_{i}w i ∗ ​ 作为最终模型。但SWA一般在最后采用较高的固定学习速率或者周期式学习速率额外训练一段时间,取多个checkpoints的平均值。 原文链接:https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124414939

    2022-04-26
    1.9
  • Resnet实战:单机多卡DDP方式、混合精度训练

    本例提取了植物幼苗数据集中的部分数据做数据集,数据集共有12种类别,模型使用最经典的resnet50,演示如何实现混合精度训练以及如何使用DDP的方式实现多卡并行训练。 通过本文你和学到: 1、如何使用混合精度训练? 2、如何制作ImageNet数据集? 3、如何使用DDP方式的进行多卡训练? 4、如何使用Mixup数据增强。 5、如何进行多卡BN同步? 6、如何使用余弦退火调整学习率? 7、如何使用classification_report实现对模型的评价。 8、预测的两种写法。 原文链接:https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124196817

    2022-04-15
    4.9
  • 使用segmentation_models.pytorch图像分割框架实现对人物的抠图.zip

    今天这篇文章向大家展示如何使用segmentation_models.pytorch实现语义分割算法。 通过这篇文章,你可以学到: 1、如何使用segmentation_models.pytorch图像分割框架实现语义分割算法? 2、如何使用和加载语义分割数据集? 3、如何使用交叉熵和diceloss组合? 4、如何使用wandb可视化。 5、了解二分类语义分割的常用做法。 6、如何实现二分类语义分割的训练。 7、如何实现二分类语义分割的预测。 我会在文章的末尾放上本文用的代码和数据集,可以让无法复现的朋友,通过下载我的代码快速复现算法,但是我还是希望大家能一步一步的去操作。如果有错误,也欢迎大家指正,谢谢! 原文链接:https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124069990

    2022-04-09
    5.9
  • 脉脉勋章

  • 签到王者

  • 分享王者

关注 私信
上传资源赚积分or赚钱