SSD模型训练起来较为简单，所以最近用的也比较多现在做一个完整的SSD模型解析，包括训练过程中遇到的各种坑的解决办法先放一个被用烂了的图 模型说明图片通过vgg16的conv4_3layer得到一个feature_map_1对feature_map_1进行卷积，使用3*3的卷积核，再使用1*1的卷积核，使用multi_task方法(在使用3*3卷积核之后，分别经过
SSD全称为Single Shot MultiBox Detector，为one-stage的目标检测算法。与two-stage的目标检测算法不同，SSD完全消除了Proposal的生成过程，将所有的计算统一到一个Network中。并且，其在不同尺度的feature maps上输出bounding boxes，以此来应对目标检测中物体尺寸大小不一的问题。与同为one-stage目标检测的Yolo
转载
2023-11-19 10:28:26
153阅读
一、背景当前深度学习通用目标检测框架分为两大类： SSD的出现是在16年，YOLOv1之后，YOLOv2之前，既然都是one-stage的算法，SSD的出现必然和YOLOv1比试一番。YOLOv1和SSD的主要区别就是，YOLOv1只利用了末端特征图信息，SSD则利用了最后几层特征图综合起来的信息，所以，从理论上说，SSD比YOLOv1的准确度必定更高。二、SSD算法是什么首先说明卷积的
转载
2023-12-15 05:51:31
53阅读
pytorch建立mobilenetV3-ssd网络并进行训练与预测前言Step1：搭建mobilenetV3-ssd网络框架需要提前准备的函数和类。mobilenetV3_large调用mobilenetV3的ssd网络Step2：训练训练数据预处理(VOC形式的dbb数据)数据检测编写训练程序step3:预测 前言这篇文章记录的是我在公司实习用深度学习做车辆信息识别项目时，用来做车辆检测的算
转载
2024-01-02 11:15:19
224阅读
# SSD网络模型与PyTorch的实现
## 什么是SSD网络模型？
SSD（Single Shot Multibox Detector）是一种用于物体检测的深度学习模型。与传统的检测方法不同，SSD能够在一次前向传播中同时预测多个类别的物体及其位置。这种高效性使得SSD模型在实时检测中表现出色。该模型使用卷积神经网络（CNN）来提取图像特征，并通过多层特征图进行边界框的回归和分类。
##
使用的代码是ruotian luo的开源代码，github地址：https://github.com/ruotianluo/pytorch-faster-rcnn0. 安装依赖包Torchvision 0.3 ，opencv-python, easydict1.6，tensorboard-pytorch，scipy，pyyaml…一. 下载项目代码，安装COCO API下载项目代码git clon
tensor分为头信息区（Tensor）和存储区（Storage）信息区主要保存着tensor的形状（size）、步长（stride）、数据类型（type）等信息，而真正的数据则保存成连续数组，存储在存储区因为数据动辄成千上万，因此信息区元素占用内存较少，主要内存占用取决于tensor中元素的数目，即存储区的大小 一般来说，一个tensor有着与之相对应的storage，st
amdegroot/ssd.pytorch 代码来源一、vgg基础网络网络的backbone是v
原创
2023-05-18 17:21:19
164阅读
# PyTorch SSD代码实现：快速入门
在计算机视觉领域，物体检测任务已成为一个重要的研究方向。单阶段检测器（如SSD - Single Shot MultiBox Detector）因其高效性而受到广泛的关注。本文将介绍SSD的基本概念，并提供一个简单的PyTorch代码实现示例。
## 什么是SSD？
单阶段多框检测器（SSD）是一种实时目标检测框架，通过在图像的不同尺度上进行卷积
SSD的损失函数与region proposal方法有个明显的区别，在于SSD并不是针对所有的检测器计算loss。SSD会用一种匹配策略给每个检测器分配一个真实标签(背景为0，前景为对应的物体类别)。指定的标签为前景的预测器称为正样本(正样本全部计算loss)。标签为背景的预测器是负样本，并不是所有的负样本都用来计算loss(原因是每张图片中负样本的数量远远多于正样本，如果全部计算loss，则负样
# 如何使用 PyTorch 实现 SSD300
在本篇文章中，我将指引你如何使用 PyTorch 实现单阶段检测器 (Single Shot Detector)，具体为 SSD300。我们将从基本的环境准备开始，到模型的训练和测试。下面是整个流程的概览：
## 流程概览
| 步骤 | 描述 |
|--
SSD是一个利用多尺度特性的目标检测网络，特征提取部分使用VGG backbone，后面作者又添加了多尺度feature maps，并从这些feature maps上的固定位置处划分bounding box，对这些box进行分类和边框尺寸回归达到目标检测目的。总体架构：VGG16特征提取，注意 这里对最后的全连接层进行了修改多尺度特征层拓展边框分类和回归预备知识：VGG16的创建方式参考Pytor
转载
2023-10-28 09:36:16
120阅读
最近在准备学习PyTorch源代码，在看到网上的一些博文和分析后，发现他们发的PyTorch的Tensor源码剖析基本上是0.4.0版本以前的。比如说：在0.4.0版本中，你是无法找到a = torch.FloatTensor()中FloatTensor的usage的，只能找到a = torch.FloatStorage()。这是因为在PyTorch中，将基本的底层THTensor.h THSto
转载
2024-08-21 10:41:44
92阅读
# 保存和加载PyTorch模型的参数和结构
在机器学习中，保存和加载模型是一个常见的任务。PyTorch是一个流行的深度学习框架，提供了保存和加载模型参数和结构的灵活方式。本文将介绍如何使用PyTorch保存和加载模型的参数和结构，并给出相应的代码示例。
## 保存模型参数
要保存模型的参数，可以使用PyTorch提供的`state_dict`方法。`state_dict`是一个字典，其中
原创
2023-07-15 10:01:17
156阅读
论文地址：（ECCV 2016 oral） SSD: Single Shot MultiBox Detectorarxiv.org 笔者读论文的学习笔记，本人水平有限，如有错误，请指出。码字不易，如果您觉得写得不错，请点个赞，谢谢。SSD关键点：one-stage，可以end-to-end训练比YOLOv1快且精准度高，比Faster R-CNN精度略低多尺度：多个feature
转载
2023-12-12 11:31:19
116阅读
# SSD PyTorch: 目标检测的新起点
]( 是一种在精度和速度方面都表现出色的目标检测算法。本文将介绍 SSD 的 PyTorc
原创
2023-12-17 09:17:49
43阅读
之前使用 Tensorflow Detection API 训练 SSD 网络，改里边的 depth_multiplier 参数使网络层数降低，确实可以提高推理速度，但是因为该 API 训练的网络里有一个定制的操作符TFLite_Detection_PostProcess 不能在GPU上运行，导致推理时
转载
2023-06-19 16:20:11
211阅读
使用nn.Module构建神经网络1 打印网络perception，可以看到上述定义的layer1和layer22 named_parameters()可以返回学习参数的参数名与参数值3 将输入数据传入perception，perception()相当于调用perception中的forward()函数4 nn.Parameter函数5 forward()函数与反向传播6 多个module的嵌套
转载
2023-08-10 18:41:08
447阅读
之前有个关于解决SSD错误的博客，虽然针对错误贴出了解决方法还是有一群人没解决问题，有可能是不同的问题出现了相同的错误，那我这次直接自己重新复现一边吧，之前的找不到了，再贴下链接：https://github.com/amdegroot/ssd.pytorch 环境：CUDA9.0、cudnn7.0.5、python3、pytorch1.1.0 其实这个项目的错误里面已经给出了你有可能遇到的重要错
转载
2023-11-10 00:27:21
152阅读
这篇博客记录我在学习《深度学习之PyTorch物体检测实战》一书中关于SSD（Single Shot Multibox Detecor）这一算法的理解，以及pytorch代码的解读。 pytorch复现代码链接：https://github.com/dongdonghy/Detection-PyTorch-Notebook/tree/master/chapter5/ssd-pytorch 虽然本篇
转载
2023-12-20 15:45:49
38阅读
