一、SSD用于图片物体的定位与检测SSD原理介绍这一篇博客对我的帮助比较大，很详细的介绍了SSD原理，送给大家做了解1、下载SSD框架源码1.1：闲话不多说——下载SSD源码，解压后打开文件，将checkpoints文件夹下的压缩包也解压出来，再在pycharm上建立工程，大体如下图所示： 1.2：打开demo文件夹，这里就是用于外测的图片集2、SSD做目标检测在notebooks文件夹下，建立d
转载
2024-08-25 16:31:41
382阅读
目标检测作为计算机视觉领域的顶梁柱，不仅可以独立完成车辆、商品、缺陷检测等任务，也是人脸识别、视频分析、以图搜图等复合技术的核心模块，在自动驾驶、工业视觉、安防交通等领域的商业价值有目共睹。正因如此，YOLOv5、YOLOX、PP-YOLOE、PP-PicoDet等优秀算法层出不穷，各有优劣侧重。而在当前云、边、端多场景协同的产业大趋势下，运行速度、模型计算量、模型格式转化、硬件适配、统一部署方案
转载
2024-02-18 17:54:46
870阅读
重磅干货，第一时间送达特征图金字塔网络FPN（Feature Pyramid Networks）是2017年提出的一种网络，FPN主要解决的是物体检测中的多尺度问题，通过简单的网络连接改变，在基本不增加原有模型计算量的情况下，大幅度提升了小物体检测的性能。低层的特征语义信息比较少，但是目标位置准确；高层的特征语义信息比较丰富，但是目标位置比较粗略。另外虽然也有些算法采用多尺度特征融合的方式，但是一
转载
2024-08-16 16:34:32
1381阅读
一 目标定位(单个物体)对象检测，它是计算机视觉领域中一个新兴的应用方向，相比前两年，它的性能越来越好。在构建对象检测之前，我们先了解一下对象定位，首先我们看看它的定义。图片分类任务我们已经熟悉了，就是算法遍历图片，判断其中的对象是不是汽车，这就是图片分类。这节我们要学习构建神经网络的另一个问题，即定位分类问题。这意味着，我们不仅要用算法判断图片中是不是一辆汽车，还要在图片中标记出它的位置，用边框
一、简介EasyDL从2017年11月中旬起，在国内率先推出针对AI零算法基础或者追求高效率开发的企业用户的零门槛AI开发平台，提供从数据采集、标注、清洗到模型训练、部署的一站式AI开发能力。对于各行各业有定制AI需求的企业用户来说，无论是否具备AI基础，EasyDL设计简约，极易理解，最快5分钟即可上手学会，15分钟完成模型训练。 采集到的原始图片、文本、音频、视频、OCR、表格等数据，经过Ea
值得一提的是，在效果更好的情况下，DINOv2运行的速度也比iBOT更快，相同硬件下只需三分之一的内存，运行速
原创
2024-08-07 14:37:05
505阅读
在去年11月份，NLP大神Manning联合谷歌做的ELECTRA一经发布，迅速火爆整个NLP圈，其中ELECTRA-small模型参数量仅为 BERT-base模型的1/10，性能却依然能与BERT、RoBERTa等模型相媲美。在前不久，谷歌终于开源了ELECTRA，并发布了预训练模型，这对于缺大算力的高校和企业，简直是一大福音。然而，其发布的预训练模型只是针对英语，却非如BERT那样是多语言版
requirements.txt里面的torchvision==0.15.0版本不符合要求，实际安装的是torchvision-0.15.2，我们直接。
原创
2023-05-27 00:23:51
1201阅读
https://github.com/facebookresearch/dinov2
原创
2023-05-29 08:08:20
805阅读
EdgeYOLO学习笔记EdgeYOLO: An Edge-Real-Time Object DetectorAbstract本文基于最先进的YOLO框架，提出了一种高效、低复杂度、无锚的目标检测器，该检测器可以在边缘计算平台上实时实现。为了有效抑制训练过程中的过拟合，我们开发了一种增强的数据增强方法，并设计了混合随机损失函数来提高小目标的检测精度。在FCOS的启发下，提出了一种更轻、更高效的解耦
DINOv2 是一种基于自监督学习的深度学习模型，主要用于图像分类和目标检测等任务。在深度估计中，可以使用DINOv2进行预训练，并将其应用于
原创
2023-05-27 00:35:16
1582阅读
YOLOv3准确率不再是短板算法特点基本思想定位信息预测多尺度融合网络结构 在我的想法里这是目标检测算法学习系列的最后一篇，再找个串烧的博客以供总结复习。 之后学习和总结的系列应该为 轻量化模型模型的量化和压缩FPGA加速架构学习目标检测与追踪架构学习如果有时间再学学ARM驱动，要么是AXI 要么是PCIE这样就算是一条完成的基于嵌入式(FPGA加速）的目标检测系列了。冲呀！参考如下知乎ht
DINOv2在图像相似任务中表现出卓越的准确性，展示了其实际应用的潜力。CLIP虽然值得称赞，但相比之下就显得不足了。CLIP在需要关注小细节
原创
2024-05-04 00:49:41
594阅读
一、概述本文是关于目标检测后根据物体的坐标来确定物体所处的区域，适用于需要根据物体在图像中的位置来分别判断的情况，而且对应的是YOLOv5模型。本文采用的目标定位的方法，其实就是根据物体检测后得到的数据，比如(x,y,w,h)的坐标，检测结果，以及检测的准确度，然后判断出物体所在的位置。我采用的是重新写一个py文件，放入我的位判断位置的函数，然后再从YOLOv5的detect.py中去调取我的函数
转载
2024-03-22 14:15:37
154阅读
物体检测通常是指在图像中检测出物体出现的位置及对应的类别，它是计算机视觉中的根本问题之一，同时也是最基础的问题，如图像分割、物体追踪、关键点检测等都依赖物体检测。从应用来看，物体检测已广泛应用于大家的日常生活中，如浏览器的拍照识图、自动驾驶领域的行人车辆检测、道路目标检测（人行道检测）及图像分类等。即使研究三维视觉的伙伴也发现，检测也是必备的基础，如在做人脸的重建，也离不开检测框，不然无法ROI重
转载
2024-03-24 13:07:31
67阅读
https://github.com/IDEA-Research/GroundingDINO 级联方案（推荐） def optimized_drone_pipeline(image): # 第一段：YOLO快速初筛 fast_detections = yolo_model(image) # 第二段： ...
DINOv2令人印象深刻的能力和广泛的适用性预示着自我监督学习领域的光明前景。DINOv2 的发布是在 Segment Anything 项目之后发布的，可以说DINOv2 补充了 Segment Anything。S
原创
2024-05-13 11:32:11
831阅读
©作者 | 李峰 单位 | 香港科技大学博士生研究方向 | 目标检测、多模，...
转载
2022-11-15 20:29:04
1887阅读
作者丨陈泰红（已授权）编辑丨极市平台不小心在paperwithcode看到，DETR系列的论文又屠榜了，在COCO test-dev达到创纪录的63.3AP，忍不住想写一下，2020年以来DETR系列的优势和历程（如何灌水的）,虽然原作者也经常上知乎，班门弄斧只为抛砖引玉，更多的思想交流吧。1 DETR干了啥？DETR是2020年，由Facebook AI提出，开创性将Transformer引入D
转载
2022-07-28 10:09:37
354阅读
