引言本篇是以python的视角介绍相关的函数还有自我使用中的一些问题，本想在这篇之前总结一下opencv编译的全过程，但遇到了太多坑，暂时不太想回看做过的笔记，所以这里主要总结python下GPU版本的opencv。主要函数说明threshold()：二值化，但要指定设定阈值 blendLinear()：两幅图片的线形混合 calcHist() createBoxFilter ()：创建一个规范化
Graph cuts，然后再到Grab cut Graph cuts Graph cuts是一种十分有用和流行的能量优化算法，在计算机视觉领域普遍应用于前背景分割（Image segmentation）、立体视觉（stereo vision）、抠图（Image matting）等。min cut）问题相关联。首先用一个无向图G=<V，E>表示要分割的图
作为一名深度学习训练小白，想上github下一个一般的网络练练，但是每次千辛万苦地配置好环境，成功运行，没开始几步，就提示显存不够！上网一搜一大堆教程，改小batchsize，清理冗余参数，，，全都尝试了一通，但是这些方法都改变不了我电脑太拉的事实。对于新手来说，为了能够正常运行程序，通过云服务器进行训练是一个性价比还不错的方法。话不多说我们上干货！【免费网站google colab】优点：1
转载
2024-05-09 19:46:27
47阅读
AI开发现状从过去AlphaGo在职业围棋中击败世界冠军，到现在大火的自动驾驶，人工智能(AI)在过去几年中取得了许多成就。其中人工智能的成功离不开三要素：数据、算法和算力。其中对于算力，除了训练(train)，AI实际需要运行在硬件上，也需要推理(inference)，这些都需要强大算力的支撑。AI训练硬件平台：GPU、CPU、TPU常见的模型训练硬件平台主要有：GPU、CPU和TPU。CPU（
转载
2024-04-20 21:44:11
475阅读
文章目录前言一、云端gpu选择1.云端gpu推荐1.免费gpu2.租赁gpu3.矿机2.AutoDL租赁使用二、vscode通过ssh连接云端gpu1.vscode插件2.连接云端gpu三、部署nanodet训练环境1.克隆nanodet仓库2.根据nanodet仓库要求进行部署四、训练开始 前言前面有一篇文章主要讲述了如何本地训练yolo网络，略微提到了云端gpu训练，以此篇文章作为延续，详细
转载
2024-05-05 22:12:44
322阅读
今天终于搞到一台带1080独显的PC，之前一直用CPU训练，效率极其低下。训练tensorflow-yolov3这个网络模型，图集400张，4个分类，要训练十多个小时才能看到检出效果，现在可以尝试使用GPU训练了。之前对GPU训练还不太了解，以为要改代码，现在才知道，其实不需要的。关键就是搭建好cuda环境NVIDIA显卡驱动 （https://www.nvidia.cn/Download/ind
转载
2024-04-24 14:09:16
82阅读
1. 背景 一年半以前，AlphaGo完胜李世乭的围棋赛让深度学习（Deep Learning）这个名词家喻户晓，再度掀起人工智能的新一波热潮。其实深度学习背后的神经网络基础理论早在上世纪50年代就已提出，经过几起几落的发展，到了21世纪初，多层神经网络算法也日趋成熟。深度学习理论早在十多年以前就有重要突破，为何直到近年才出现爆发。这不得不提到2012年的一场竞赛。 2012年，Geoff
转载
2024-07-30 20:28:57
95阅读
使用keras进行训练，默认使用单显卡，即使设置了os.environ['CUDA_VISIBLE_DEVICES']为两张显卡，也只是占满了显存，再设置tf.GPUOptions(allow_growth=True)之后可以清楚看到，只占用了第一张显卡，第二张显卡完全没用。要使用多张显卡，需要按如下步骤：(1)import multi_gpu_model函数：from keras.utils i
转载
2024-05-23 10:27:40
144阅读
写在最前能有如此方便的，避免走弯路的，深度学习环境配置教程，首先要感谢实验室颜神@stary_yan 与进神的配置指南。然后在他们的基础上再将其细化修改，变得更加清晰。哪怕你和我一样都是命令行小白，只要有一台带GPU的电脑，也能配置出自己的GPU版的Tensorflow+Keras环境，来跑深度学习代码。准备材料敏捷的手指对深度学习的热情一台Win10的带GPU的电脑（要联网）所需要的文件的百度网
转载
2024-04-17 15:10:48
102阅读
OpenCV最简单的环境配置以及读图显示视觉软件简介** 计算机视觉是在图像处理的基础上发展起来的新兴学科. OpenCV 是一个开源的计算机视觉库，是英特尔公司资助的两大图像处理利器之一。它为图像处理、 模式识别、三维重建、物体跟踪、机器学习和线性代数提供了各种各样的算法。 当然除了OpenCV之外还有一些优秀的机器视觉开发软件包，比如大家熟悉的Matlab、Halcon、Vision Pro以
转载
2024-05-03 17:08:25
24阅读
第一次尝试用openCV-python进行了人脸训练和人脸识别，主要参考下面的文章：稍有区别，区别在于：1. 在jm文件夹中放置训练图片命名格式为：人脸唯一编号.人脸姓名.图片编号，如图所示。这样第4步人脸识别的时候就能根据识别人脸的编号确定对应人名。2. 摄像头人脸采集像上面拍照处理照片比较繁琐，特别是需要大量照片训练时，可以直接用摄像头采集人脸照片。代码如下：# -*- coding: utf
转载
2024-06-26 11:15:37
39阅读
上个随笔讲了在windows 上安装 caffe，并且 跑mnist 这个例程的过程，说真的，就像奶妈一样，每一步都得给奶才干活。最近配置了一台台式机，可以作为以后自己配置学习机的参考。配置如下：补图。 电脑概览电脑型号 兼容机操作系统 Ubuntu 16.04 LTSCPU AMD Ryzen 7 1700X Eight-Core Processor(3400 MHz)主板 华硕 RO
转载
2024-04-17 11:16:51
166阅读
一、背景介绍因为google官方bert不支持GPU并行化训练，在git上找了相关的multi gpu的都无法跑起来，内心无比的愤怒，花了几天时间，百度，google,查找各种方法，终于把bert multi gpu 训练成功搞定，以下记录详细各种采坑过程，以便相关同学学习。二、所需要的软件先列出来硬件软件版本 1.centos 7 服务器 两块P40 GPU 2.tensorflow=1.11.
在配置完环境之后，训练模型之前，就是寻找合适的训练数据。人脸模型对数据集的要求非常的高，比较出名的有lfw、vggface、CASIA-WebFace等等，这里提供一个别人收集好的数据资源信息，在近几年中，基本上大多数的模型都用lfw数据集进行验证，成了一个常态，所以本文也使用lfw数据集对训练中的模型进行测试，同时，vggface2和WebFace都是非常优秀的数据集，建议使用它们中的一个进行模
转载
2024-05-12 16:58:41
82阅读
1. 已经安装cuda但是tensorflow仍然使用cpu加速的问题电脑上同时安装了GPU和CPU版本的TensorFlow，本来想用下面代码测试一下GPU程序，但无奈老是没有调用GPU。 import tensorflow as tf
with tf.device('/cpu:0'):
a = tf.constant ([1.0, 2.0, 3.0], shape=[3]
转载
2024-05-02 23:17:24
330阅读
本文用于记录如何进行 PyTorch 所提供的预训练模型应如何加载，所训练模型的参数应如何保存与读取，如何冻结模型部分参数以方便进行 fine-tuning 以及如何利用多 GPU 训练模型。
(各位收藏的时候, 麻烦顺手点个赞同吧)目录PyTorch 预训练模型保存模型参数读取模型参数冻结部分模型参数，进行 fine-tuning模型训练与测试的设置利用 torch.n
转载
2024-06-17 08:11:24
106阅读
本篇记录如何使用多张GPU 显示卡，加速TensorFlow Object Detection API 模型训练的过程。虽然TensorFlow Object Detection API 已经有支援多张GPU 卡平行计算的功能，但是缺乏说明文件，所以我自己也不是非常确定该怎么用，以下只是我目前尝试出来的方式，仅供参考。 这里我们接续之前的TensorFlow Object Detection AP
转载
2024-05-13 09:50:59
163阅读
1.多GPU训练，出现out of memory出现情景：预训练模型是使用gpu0训练得到，然后要在多gpu的服务器上进行微调，使用gpu id为[4,5,6,7]，然后出现报错如下：cuda runtime error (2) : out of memory at /pytorch/aten/src/THC/THCTensorRandom.cu:25错误原因分析：在加载预训练模型的位置报错，在台
转载
2023-09-04 15:09:48
260阅读
其中包含了所需的软件和地址（但可能与我的电脑并不相配，我的GTX1050TI的）Python：这里使用的Python3.6，Anaconda包括了Python和一些相对应的库，非常方便使用，所以这里使用的是相对应的版本为Anaconda3 5.1 WIN10 X64的。https://www.anaconda.com/distribution/#download-section CUDA：这里使用
深度学习模型越来越强大的同时，也占用了更多的内存空间，但是许多GPU却并没有足够的VRAM来训练它们。那么如果你准备进入深度学习，什么样的GPU才是最合适的呢？下面列出了一些适合进行深度学习模型训练的GPU，并将它们进行了横向比较，一起来看看吧！太长不看版截至2020年2月，以下GPU可以训练所有当今语言和图像模型：RTX 8000：48GB VRAM，约5500美元RTX 6000：24GB V
转载
2024-08-21 11:06:24
72阅读
