windows 使用ncnn vulkan部署yolox 记录前言环境搭建vs工程配置总结 前言之前在树莓派4B移植过一次ncnn部署Yolo-Fastest，同时也在笔记本的windows里面部署了一套作为调试开发。但因为年代久远，很多细节都模糊了，今天重新弄了一遍跑yolox模型，发现比当时简便了很多，主要是因为才发现ncnn官方仓库就有预编译好的windows版本，不用自己编译，方便太多了
文章目录1. 简介2. Batch Normalization3. Layer Normalizaiton4. Instance Normalization5. Group Normalization6. Switchable Normalization 1. 简介归一化层，目前主要有这几个方法，Batch Normalization（2015年）、Layer Normalization（201
RCNN系列属于候选区域/窗 + 深度学习分类的两步走方法。即使是该系列最好的模型还是无法达到实时检测目标的效果，获取region proposal， 再对每个proposal分类计算量还是较大。灵魂的拷问：两步走无法再进一步了，那能否一步到位？YOLO，you only look once，就是一步到位的算法。它去掉了获得候选区域的这一步。那它是怎么去掉的呢？去掉后性能又会有怎么样的影响呢？YO
转载
2024-09-13 10:27:57
130阅读
一、神经网络的来源 神经网络技术起源于上世纪五、六十年代，当时叫感知机（perceptron），包含有输入层、输出层和一个隐藏层。输入的特征向量通过隐藏层变换到达输出层，由输出层得到分类结果。但早期的单层感知机存在一个严重的问题——它对稍微复杂一些的函数都无能为力（如异或操作）。直到上世纪八十年代才被Hition、Rumelhart等人发明的多层感知机克服，
一：简介比较流行的算法可以分为两类一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN），它们是two-stage的，需要先使用启发式方法（selective search）或者CNN网络（RPN）产生Region Proposal，然后再在Region Proposal上做分类与回归。CNN算法采用滑动窗口方式进行目标检测，需要
转载
2024-04-16 18:25:18
135阅读
早在yolov2时就了解到不同于faster-rcnn中手动设置的anchor，yolov2中的 anchor是通过k-means聚类算法得的，这样更贴合实际的训练数据。这次借学习yolov5的机会把其中关于自动anchor计算的逻辑再梳理一遍，重点就是分析一下utils/autoanchor.py文件的相关函数。除非显示地设置noautoanchor参数
本节翻译自：https://blog.paperspace.com/how-to-implement-a-yolo-v3-object-detector-from-scratch-in-pytorch-part-5/在前一节最后，我们实现了一个将网络输出转换为检测预测的函数。现在我们已经有了一个检测器了，剩下的就是创建输入和输出的流程。 必要条件：1.此系列教程的Part1到Part4。
转载
2024-10-21 09:51:42
50阅读
一. SNPE模型部署的整体流程大致步骤：训练模型 -> 模型转.dlc -> 模型量化 -> 验证量化结果 -> 模型部署二. 安装SNPE环境(docker 安装)1. docker登录docker login cr.d.xiaomi.net -u org_46522 -p 46370020336295373ad3815abd6db1182. 拉取SNPE镜像docke
YOLOV2_keras代码详解2 YOLOV22.1 数据处理2.1.1 生成XX.hdf5格式的数据2.1.2 生成tfrecords格式的数据2.1.3 数据增强2.1.4 制作标签2.2 训练2.2.1 darknet19主体结构及主要模块儿2.2.2 utils_ls.py2.2.3 keras_yolo_ls.py2.2.4 迁移学习2.3 测试2.4 总结 2 YOLOV2论文：h
转载
2024-07-22 10:35:10
30阅读
一、Yolo v1介绍如R-CNN,Fast-R-CNN,Faster-R-CNN等方法主要是通过region proposal产生大量的可能包含待检测物体的 potential bounding box，再用分类器去判断每个 bounding box里是否包含有物体，以及物体所属类别的 probability或者 confidence，。YOLO不同于这些物体检测方法，它将物体检测任务当做一个r
YOLOv8 Ultralytics：最先进的 YOLO 模型什么是 YOLOv8？YOLOv8 是来自 Ultralytics 的最新的基于 YOLO 的对象检测模型系列，提供最先进的性能。利用以前的 YOLO 版本， YOLOv8 模型更快、更准确 ，同时为训练模型提供统一框架，以执行物体检测实例分割图像分类在撰写本文时，许多功能尚未添加到 Ultralytics YOLOv8 存储库中。这包
2022-04-08 前几天（4月8号左右），下了个 yolov5 ，想做个目标检测。 从安装依赖，下载权重到进行预测都很顺利，到训练自己的数据集，却出了点问题，发现预测结果都没有框。 可能我们的问题不一样，但和我一样是小白可以参考一下。我的问题在 runs/train/exp 文件夹下，观察结果，发现图片的确是自己的数据集，并且自己标注的框框也都有，但是 result.png 的曲线却显得不正常
转载
2024-09-27 13:39:29
183阅读
# 说明：
'''
1)military_object.names文件内容如下：
label1
label2
label3
2)此训练针对矩形框的标注
3）代码中很多键值都是自己造的，因为训练用不到这些(比如mask的训练)，仅仅只是为了跟coco格式保持一致
'''
import os
import json
import cv2
import random
import time
# co
转载
2024-10-21 07:40:41
45阅读
一. 安装cuda8.01)先去官网下载cuda8.0 https://developer.nvidia.com/cuda-toolkit2)下载完之后进行安装，安装时间有点长，请耐心等待，默认是安装在c盘目录下 安装完后会生成两个系统变量：CUDA_PATH C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0
CUDA
文章目录指标参数分析深度学习经典检测算法two-stage(两阶段)：Faster-rcnn Mask-Rcnn系列one-stage(单阶段)：YOLO系列指标分析map指标：精度：召回率：置信度IOUYOLO-V1核心思想网络架构每个数字的含义损失函数NMS(非极大值抑制)优缺点优点缺点YOLO-V2YOLO-V2-Batch NormalizationYOLO-V2-更大的分辨率YOLO-
转载
2024-04-09 14:35:48
84阅读
文章目录1 论文信息2 论文概述3 方法论3.1 类别预测3.2 多尺度融合预测3.3 Darknet-53 特征提取器3.4 边界框预测和损失函数计算4 论文效果5 总结 1 论文信息题目：YOLOv3: An Incremental Improvement论文链接2 论文概述YOLO3 是 YOLO 的第三版，借鉴了 ResNet、RetinaNet、SSD等网络的 tricks，如多尺度融
世界真的很大 今天真的亏，亏大了，眼睁睁放弃正解。。 恍然大悟时为时已晚看题先：1.NYG的背包【问题描述】 扎扙扇有一个神奇的背包，每放进去一个物品，背包的体积就会变大。 也就是说，每放进一个物品，背包会被占用一定的体积，但是紧接着背包的总体积又 会增大一定的值（注意是在放入物品后背包总体积才增大）。 扎扙扇发觉这个背包十分好用，于是不由自主地想到了一个问题。 现在给出背包初始容
：cd
原创
2022-12-05 11:41:12
399阅读
(自然场景OCR检测(YOLOv3+CRNN))（中文+英文模型）前言最近对于自然场景下的OCR比较有兴趣，所以总结了一些目前OCR现状，并且找了一个自然场景OCR的项目练练手。本人新手小白，若出现理解不当的地方，还望指出。简介目前的主流自然场景OCR模型：文字检测+文字识别文字检测：解决的问题是哪里有文字，文字的范围有多大。 主要方法： 1.CTPN：水平文字检测，四个自由度，类似物体检测(常用
转载
2024-08-23 06:34:15
56阅读
大多数的电脑自身都有一种PXE模式，它可以为无光驱、又不支持U盘启动的故障电脑重装系统提供了极大的便利！PXE：是基于Client/Server的网络模式，支持工作站通过网络从远端服务器下载映像，并由此支持通过网络启动操作系统，在启动过程中，终端要求服务器分配IP地址，再用TFTP(trivialfile transfer protocol)或MTFTP(multicast trivial fil
