一、first()和last()分别返回queryset的第一项与最后一项，具体用法如下：p = Blog.objects.order_by('title').first()等同于： try:
p = Blog.objects.order_by('title')[0]
except IndexError:
p = None举个栗子： 现在博客表中只有一篇博客，该博客id
# 深度学习目标检测算法fastrcnn的pytorch实现
目标检测是计算机视觉领域中一个重要的任务，它的目标是在图像中检测出目标的位置和类别。在深度学习的发展过程中，出现了很多有效的目标检测算法，其中之一就是fastrcnn。fastrcnn是一种基于区域的卷积神经网络(R-CNN)的改进版本，其速度更快、准确率更高。本文将介绍fastrcnn的原理，并展示如何使用pytorch实现这一算法
原创
2024-05-01 07:47:04
73阅读
在了解了fast rcnn 的工作原理之后，接下来的工作就是运行fast rcnn的代码，因为自己笔记本的配置优先，因此仅配置了cpu版本的caffe。
首先，需要在Github上下载Fast rcnn的代码
git clone --recursive
https://github.com/rbgirshick/fast-rcnn.git
转载
2024-05-31 12:58:13
72阅读
背景：faster-rcnn的使用是由于项目上使用，由外协（sjtu）提供的代码包开始。作为一个目标检测领域的baseline算法，值得深入学习。简介： Faster RCNN是在SPPnet和Fast RCNN的基础上，为了提升目标区域检测的速度，提出了RPN网络，这是一个全卷积网络，并且与检测网络共享全图卷积网络特征层。Faster RCNN可以简单地看做区域生成网络(RPN)+fast RC
转载
2024-07-02 19:54:38
69阅读
1 基本结构1.1 算法流程Faster-RCNN算法流程可分为4个步骤：特征提取：将整个图像缩放到固定大小（由于后边有全连接层）输入到CNN网络中进行特征提取，得到特征图候选区域提取：输入特征图，使用RPN结构生成候选框，将RPN生成的候选框投影到特征图上获得相应的特征矩阵ROI pooling：将各个不同尺寸的特征矩阵通过ROI pooling层缩放到7*7大小的特征图，然后展平特征图送入全连
转载
2024-01-05 22:04:45
201阅读
之前的文章已经介绍了如何安装，以及简单的使用，这篇文章呢，我们就不去分享如何安装对应的包了。我们如何去编写呢，其实很简单，按照下面的步骤，一个简单的基于fastapi的接口就编写完毕。首先：创建一个main.py 第一步：导入from fastapi import FastAPI 第二步：实例化app = FastAPI()第三步：定义一个路径操作装饰器@app.
转载
2024-07-04 21:03:29
27阅读
首先第一步要做的显然是安装python和tensorflow开发环境，这里不再详述，可以参考其他博文，建议使用Anaconda安装，使用起来很方便。下面开始介绍如何配置faster RCNN环境。1.首先，下载源程序，这里使用 https://github.com/dBeker/Faster-RCNN-TensorFlow-Python3 
学习计算机视觉，深度学习快一年了，第一次写博客，想记录自己学习的过程，深度学习作目标检测的模型已经有很多，包括RCNN, Fast RCNN, YOLO, SSD等，本次实验室利用Fast RCNN做目标检测，数据集是采集的大疆四旋翼无人机，后面会继续对其他模型进行训练，先给出实验检测的效果。一. Fast RCNN模型特点去除了R-CNN中冗余的特征提取，将整张图像输入神经网络进行一次特征提取：
转载
2024-07-21 08:40:59
47阅读
faster rcnn 网络结构图大概思路就是，首先是输入一张图像，然后将图像固定最小边为600的大小，保证了图像不发生形变，然后经过一个训练好的网络，比如vgg或者是其他的，得到特征图，然后有两条路，一个是输入RNP网络，经过一个3*3的卷积，RPN网络也有两条路，一条是直接经过一个1*1的卷积，激活函数使用linear，用于回归，因为框有4个坐标，(dx,dy,dw,dh)，其实这里回归的是一
转载
2024-04-25 13:55:43
23阅读
Fast RCNN学习笔记 一、资源介绍
上一篇博客详细介绍了RCNN的过程，虽然RCNN是图像目标检测的开山之作，但是其缺点也很明显，具体表现在：1.训练是一个分段的过程，先训练CNN、然后fine-tuning一个N+1输出的SVM、最后还要训练一个bounding-box的回归。2.训练的时间和空间消耗过大。3.目标检测速度慢，每一个ROI都要经过CNN网络，效率很低。
转载
2024-09-05 07:21:28
32阅读
SPPnet出来之后，RBG大神迅速回怼，抛出了更快更好的Fast-RCNN。新的思路是， 将之前的多阶段训练合并成了单阶段训练，面对灵活尺寸问题，大神借鉴了空间金字塔的思路，使用了一层的空间金字塔。摘要本文提出了一个快速的基于区域推荐的卷积网络方法（Fast R-CNN）用于对象检测。Fast R-CNN在前人工作的基础上使用深度卷积网络，可以更有效地分类物体推荐。相比之前的工作，Fa
Girshick, Ross. “Fast r-cnn.” Proceedings of the IEEE International Conference on Computer Vision. 2015. 继2014年的RCNN之后，Ross Girshick在15年推出Fast RCNN，构思精巧，流程更为紧凑，大幅提升了目标检测的速度。在Github上提供了源码。同样使用最大规模的网络，F
转载
2024-04-09 13:25:35
81阅读
论文简介：Fast R-CNN 是作者针对R-CNN的若干缺点进行改进提出的一种目标检测方法，该方法对R-CNN预测阶段的各个分散步骤以及训练阶段的各个分散步骤进行改进、融合，得到比R-CNN更快的目标检测速度以及更统一、更接近端到端的训练模式。一、Fast R-CNN 简介Fast R-CNN算法大致分为四个步骤，1、首先将待测试的图像整张输入CNN特征提取网络，得到一个conv feature
《Fast R-CNN》是同一个作者基于自己之前的R-CNN工作的改进。 Fast R-CNN也是基于深度卷积神经网络用于计算机视觉任务（主要用于目标检测）的算法。 他在R-CNN的基础上进行了大幅创新，比如将目标的分类和定位的步骤进行了统一，实现了端到端的训练、预测流程。 Fast R-CNN在使用VGG-16的主干网络时，训练速度比R-CNN快9倍，测试速度快了213倍，并提升了检测精度。 训
Faster-RCNN-TensorFlow-Python35最近正在学习Faster-RCNN，环境历经一天时间终于成功安装，借此记录下整体安装过程本教程是Windows 10 + Python35 + CUDA 10.0 + cudnn 7.4.1.5 + tensorflow-gpu 1.13.2环境的配置过程所使用的软件包括 名称版本CUDA10.0CUDNN7.4.1.5Anacond
转载
2024-10-21 12:48:15
99阅读
一、基于Region Proposal（候选区域）的深度学习目标检测算法 Region Proposal（候选区域），就是预先找出图中目标可能出现的位置，通过利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率（IoU，Intersection-over-Union）。
转载
2024-10-11 14:23:41
56阅读
2018 November 27
fast-rcnn Fast RCNN笔记除了Proposal阶段，Fast RCNN基本实现了end-to-end的CNN对象检测模型
1. R-CNN、SPP-net的缺点R-CNN和SPP-Net的训练过程类似，分多个阶段进行，实现过程较复杂。这两种方法首先选用Selective Search方法提取proposals,然后用CNN实现特征提取，
转载
2024-08-08 11:38:46
42阅读
以R-CNN思路及其基础整理和SPP-net为基础，我们便可以很好理解 Fast-RCNN。一、整体结构 Fast-RCNN的整体结构主要由这几部分组成：1.对输入图片用区域推荐算法获得2000个区域，并记录下框的坐标和索引；2.用卷积神经网络对图片进行特征提取，并且将框同样映射到特征空间(也就是对应到特征图上应该在什么位置)；3.将
YOLOv2详解yolo模型和fast rcnn比有定位误差大，而且recall比较差，yolov2在关注准确率上提高定位和recall值对yolo进行改进，从几个方面进行改进：Batch Normalization：在所有卷积层后添加BN，可以加快了模型的收敛速度，取代了其他的正则化，还替代了dropout，同样可以防止过拟合，给模型带来了2%的mAP的改善；高输出的分辨率：YOLO输入图片的尺
1. 最大创新点： 应用RoI pooling layer将R-CNN中大量region proposal输入CNN训练以得到候选框的特征改变成由CNN训练图像然后在输出的图像特征上映射每个region proposal所对应的特征区域。避免了CNN重复计算相同的区域（因为原始的region proposal肯定有大量的重复区域）。简单
转载
2024-10-11 12:47:01
42阅读
