为loss函数输入数据格式做最后的调整
Fork版本项目地址：SSD一、输入标签生成在数据预处理之后，图片、类别、真实框格式较为原始，不能够直接作为损失函数的输入标签（ssd向前网络只需要图像就行，这里的处理主要需要满足loss的计算），对于一张图片（三维CHW）我们需要如下格式的数据作为损失函数标签：gclasse：
转载
2024-10-18 13:34:35
50阅读
DSSD DSOD FSSD RSSD # SSD算法缺陷 1）存在重复框的问题；2）对小目标检测不够鲁棒（因为浅层feature map的表征能力不够强）因此，针对以上问题，对传统SSD算法进行了扩展和优化；优化主要从两部分下手，一个是从主干网络，比如将传统的VGG16换成ResNet、DenseNet、MobileNet等；另一个则是从预测网络着手，寻找更好的特征表征方式来提高模型性
转载
2024-07-04 07:24:01
57阅读
Google开源深度学习系统TensorFlow在很多地方可以应用，如语音识别，自然语言理解，计算机视觉，广告等等。但是，基于以上论点，我们也不能过分夸大TensorFlow这种通用深度学习框架在一个工业界机器学习系统里的作用。在一个完整的工业界语音识别系统里， 除了深度学习算法外，还有很多工作是专业领域相关的算法，以及海量数据收集和工程系统架构的搭建。那么，到底什么是TensorFlow?Ten
之前写的一篇SSD论文学习笔记因为没保存丢掉了，然后不想重新写，直接进行下一步吧。SSD延续了yolo系列的思路，引入了Faster-RCNN anchor的概念。不同特征层采样，多anchor. SSD源码阅读 https://github.com/balancap/SSD-Tensorflowssd_vgg_300.py为主要程序。其中ssd_net函数为定义网络结构。先简单解释下SSD是如何
转载
2024-05-19 08:14:28
63阅读
AutoGraph的机制原理有三种计算图的构建方式：静态计算图，动态计算图，以及Autograph。TensorFlow 2.0主要使用的是动态计算图和Autograph。动态计算图易于调试，编码效率较高，但执行效率偏低。静态计算图执行效率很高，但较难调试。而Autograph机制可以将动态图转换成静态计算图，兼收执行效率和编码效率之利。当然Autograph机制能够转换的代码并不是没有任何约束的
转载
2024-06-19 07:12:14
30阅读
从零开始到最后成功的操作过程： （1）首先下载models，本地路径结构为～/tensorflow/models，其中～表示本地的home路径，然后在models中的research路径下执行下列两条命令 protoc object_detection/protos/*.proto --python_out=. export PYTHONPATH="${PYTHONPATH}:～/tensorfl
转载
2024-05-10 09:23:45
38阅读
最简单的方式莫过于直接将数据当成常量嵌入你的计算图中，如：import tensorflow as tf
import numpy as np
actual_data = np.random.normal(size=[100])
data = tf.constant(actual_data)12345
复制代码这个方式非常高效，但并不灵活。一个很大的问题就是为了在其他数据集上复用你
转载
2024-10-08 18:10:16
48阅读
简单了解SSDSSD VS HDD机械硬盘HDD固态硬盘SSDSSD的“解剖图”——系统框架图SSD的“基石”——存储介质闪存器件闪存芯片架构三维闪存闪存存在的问题SSD的“大脑”——FTL映射管理垃圾回收修剪Trim坏块管理掉电恢复磨损平衡SSD的“荣誉”——参数指标 SSD VS HDD机械硬盘HDD我们学习计算机组成或者操作系统的时候一定见过这样的计算公式： 也一定见过这样的图：这就是我们
转载
2024-07-05 12:18:29
91阅读
目录项目背景TensorFlow介绍环境搭建模型选用Api使用说明运行路由小结项目背景产品看到竞品可以标记物体的功能，秉承一贯的他有我也要有，他没有我更要有的作风，丢过来一网站，说这个功能很简单，一定可以实现这时候万能的谷歌发挥了作用，在茫茫的数据大海中发现了Tensorflow机器学习框架，也就是目前非常火爆的的深度学习（人工智能），既然方案已有，就差一个程序员了Tensorflow介绍百科介绍
自读取数据到输送网络前夕的过程
Fork版本项目地址：SSD一、TFR数据读取创建slim.dataset.Dataset对象在train_ssd_network.py获取数据操作如下，首先需要slim.dataset.Dataset对象# Select the dataset.
# 'imagenet', 'train', tfr文件存储位置
# TF
DL之SSD：基于tensorflow利用SSD算法实现目标检测(21类)目录输出结果SSD代码输出结果VOC_LABELS = { 'none': (0, 'Background'), 'aeroplane': (1, 'Vehicle'), 'bicycle': (2, 'Vehicle'), 'bird': (3, 'Animal'), 'boa
原创
2022-04-22 16:29:11
197阅读
DL之SSD：基于tensorflow利用SSD算法实现目标检测(21类)目录输出结果SSD代码输出结果VOC_LABELS = { 'none': (0, 'Background'), 'aeroplane': (1, 'Vehicle'), 'bicycle': (2, 'Vehicle'), 'bird'...
原创
2021-06-15 20:33:12
139阅读
SSD算法的全名是Single Shot MultiBox Detector，Single shot指明了SSD算法属于one-stage方法，MultiBox指明了SSD是多框预测。对于Faster R-CNN，先通过CNN得到候选框，然后进行分类和回归，而YOLO和SSD可以一步完成检测，SSD的特点是：SSD提取了不同尺度的特征图来做检测，大尺度特征图可以用来检测小物体，而小特征图用来检测大
转载
2023-11-09 21:44:22
103阅读
前言今天学习SSD目标检测算法，SSD，全称Single Shot MultiBox Detector，是2016年提出的算法，今天我们还是老规矩，最简单的做算法解析，力求让像我一样的小白也可以看得懂。算法初识1》算法能干什么？ 答：可以检测图片中的目标，并且画框并予以分类，21类（其实是20类，为什么后面会说）。2》算法有什么优点？ 答：SSD是one—stage算法，比Faster RCNN比
转载
2024-05-29 00:09:05
239阅读
感想今天我测试了一下我自己训练的模型，和YOLOv2做了一下对比，检测的都是对的，YOLOv2版本的
原创
2022-08-11 17:37:42
175阅读
目标检测——SSD编者：杨柳依依日期：2018年9月27日今天给大家介绍一篇目标检测领域中经典的一篇论文，15年发表在ECCV。1.背景知识在介绍论文之前，我们先简单了解下本文的思路和做法。作者提出了一种单个深度神经网络来解决图像中的目标检测的问题。这种方法，叫做SSD,将边框的输出空间在特征映射图离散化到不同比例或者不同尺度的先验边框集中。在预测阶段，网络产生每一个感兴趣的目标的置信度并且对先验
本篇文章是我在自己学习的过程中写的，当作一个笔记，写的比较详细在github上
原创
2023-03-17 11:20:14
291阅读
SSD在数据中心中的优势相比于传统的HDD，SSD因为其诸多优势被越来越多的应用在包括数据中心在内的存储领域中。1. 低功耗——运行大量存储驱动器时，功耗会增加。在任何可以节省电力的地方都是一种胜利。2. 速度——可以更快地访问数据，这对于缓存数据库，应用程序或影响系统性能的其他数据尤其有用。3. 振动不足——减少振动可提高可靠性，从而减少问题和维护。4. 低噪音——随着更多SSD的部署，数据中心
转载
2024-02-29 08:09:12
148阅读
tensorflow：TensorFlow是一个通过计算图的形式来表述计算的编程系统——TensorFlow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。 在TensorFlow中，张量可以被简单理解为多维数组。 Flow：流、飞。直接表达了张量之间通过计算相互转化的过程 张量是TensorFlow管理数据的形式。在TensorFlow中，所有的数据都是通过张量的形
转载
2024-05-11 22:40:51
56阅读
tf.nn.l2_loss()的用法 计算张量的误差值 sum(t**2)/2l2_loss()这个函数的作用是利用L2范数来计算张量的误差值，但是没有开发并且只取L2范数的值的一半 函数：tf.nn.l2_loss(
t,
name=None
)参数：t：一个张量(tensor)，类型可以为：half, bfloat16, float32, float64name：op的一
转载
2024-03-31 08:45:45
30阅读
