由于大多数现实环境是三维的，因此理想情况下，应针对3D数据训练旨在分析视频或现实环境中的完整任务的深度学习模型。诸如机器人，自动驾驶汽车，智能手机和其他设备之类的技术工具目前正在产生越来越多的3-D数据，最终可以由深度学习算法对其进行处理。但是，到目前为止，在如此大量的3D数据上训练深度学习算法一直相对困难，因为某些人工智能（AI）研究人员只能访问必要的工具和平台。为了解决缺乏现成的工具的不足，N
转载
2024-05-30 09:46:26
48阅读
文章目录1、pytorch安装2、Lenet简介3、代码Conv2d和_MaxPoolNd参数介绍model.pytrain.pypredict.py 1、pytorch安装2、Lenet简介Lenet网络结构：卷积-下采样层-卷积-下采样层-全连接层-全连接层-全连接层 Lenet网络：pytorch tensor的通道顺序：[batch，channel，height，width]batch：
转载
2023-11-30 13:48:38
106阅读
引言Pytorch有两种方法实现多GPU训练，分别是DataParallel（DP）和DistributedDataParallel（DDP）。DP实现简单，但没有完全利用所有GPU资源，DDP实现相对复杂，但是更快，我建议使用DDP。DPDP使用torch.nn.DataParallel。原理是，假设用K个GPU训练，前向传播阶段，一个batch的数据会被平均分成K份，模型也会复制K份，分别送到
转载
2023-08-18 20:04:16
683阅读
文章目录卷积层卷积计算二维卷积层特征图和感受野填充步幅小结 卷积层卷积神经网络（convolutional neural network）是含有卷积层（convolutional layer）的神经网络。它有高和宽两个空间维度，常用来处理图像数据。下面我们将介绍简单形式的二维卷积层的工作原理。卷积计算在二维卷积层中，一个二维输入数组和一个二维核（kernel）数组通过互相关运算输出一个二维数组。
转载
2024-04-08 14:25:30
34阅读
行为识别C3D代码(pytorch)实现过程及常见错误1.C3D网络代码C3D（pytorch）实现代码链接：C3D代码2.C3D代码复现过程（1）环境版本要求 pytorch：3.5及以上 opencv：3.4.2（我是这样的，其他低点的版本应该也可以） tensorboard：2.4 scikit-learn:0.23.2（2）数据集的制作首先将UCF-101的数据集结构存储为以下形式： 建议
转载
2023-11-29 20:23:24
366阅读
tensor张量 ...
转载
2021-10-08 22:52:00
96阅读
2评论
这里说从参数定义，到网络模型定义，再到训练步骤，验证步骤，测试步骤，总结了一套较为直观的模板。whaosoft aiot http
原创
2024-08-05 12:17:27
81阅读
MobileNet V3的目的：对图片进行特征提取，依据特征进行分类。（也可以作为backbone完成检测和分割任务）MobileNet V3的优点：相较于V2，模型更小(small)，精度更高。MobileNet V3的方法：①引入SE(Squeeze-and-Excitation)注意力机制模块，改进倒置残差结构；(红框部分激活函数未注明，SENet中使用Sigmoid，这里使用HardSwi
转载
2023-09-04 15:16:57
301阅读
目录1. 前言2. detect.py3. 数据集处理3.1 COCO2014、20173.2 VOC2007、20123.3 关于数据集的一些问题3.4 一些目标检测论文对数据集的应用4. train.py（COCO）5. test.py（COCO）6. train.py（VOC）7. test.py（VOC）8. 一些报错 1. 前言YOLOv3 Pytorch代码及原理分析（一）：跑通代码
转载
2023-10-07 18:41:17
220阅读
---------------------------------------------更新2022.5.2后来终于搞懂了pytorch官方的代码里，关于输入和输出对应关系建立的表，官方是用了C++和python混合编程实现的，并且利用了CUDA并行化思想。下面是翻译后实现的python语言的输入和输出映射代码，仅供参考。def get_output_offset(in_offset,out_s
转载
2024-01-03 07:02:47
54阅读
本篇是第三篇，主要是对detect.py的注释。在这一部分，我们将为我们的检测器构建输入和输出流程。这涉及到从磁盘读取图像，做出预测，使用预测结果在图像上绘制边界框，然后将它们保存到磁盘上。我们将引入一些命令行标签，以便能使用该网络的各种超参数进行一些实验。注意代码中有一处错误我进行了修改。源代码在计算scaling_factor时，用的scaling_factor = torch.min(416
转载
2024-04-18 09:26:12
105阅读
理解一个算法最好的就是实现它,对深度学习也一样,准备跟着https://blog.paperspace.com/how-to-implement-a-yolo-object-detector-in-pytorch/一点点地实现yolov3.达到熟悉yolov3和pytorch的目的.这篇作为第一篇,讲yolov3基本原理.卷积后的输出经过basenet(darknet-53)不断的卷积以后得到一个
转载
2023-12-04 22:01:29
44阅读
本篇接着上一篇去解释util.py。这个程序包含了predict_transform函数（Darknet类中的forward函数要用到），write_results函数使我们的输出满足 objectness 分数阈值和非极大值抑制（NMS），以得到「真实」检测结果。还有prep_image和letterbox_image等图片预处理函数等（前者用来将numpy数组转换成PyTorch需要的的输入格
转载
2024-01-12 17:48:35
97阅读
一.3DUNet简介最近重新整理了一下关于3DUNet网络原理及代码，这个网络其实和2DUNet区别不大，简单说可以理解为2d卷积换为了3d卷积。整体上没有什么创新，但可以基于一套完整的3DUNet代码（包括预处理、训练、可视化、测试等等）可以简化很多工作，在此基础上实现更多的细节改进，比如设计替换最新模块等等。对比下图中的2dUNet和3dUNet网络结构： 3D
转载
2023-08-11 16:58:15
338阅读
train_nerf.pyimportmainconfig内容modelclass RadianceFieldRendererdef __init__分"coarse", "fine"设置函数if render_pass == "coarse":raysamplerclass NeRFRaysamplerself._rendererself._implicit_functionclass Neu
转载
2023-09-02 22:10:47
1682阅读
Pytorch版 yolov3 (ultralytics),关于loss(box,obj,class)转换流程已全部理清。 一. 输出各维度含义 已yolov3-tiny（2尺度）举例（以下数组全为尺寸大小，不是数值） 生成 pi [4,3,16,16,7] / pi [4,3,32,32,7] 输出(网络输出), ‘4’: batch_size ‘3’ : 3个anchor ‘16’/’32’:
转载
2024-06-05 10:34:06
193阅读
本篇博客是我学习某位up在b站讲的pytorch版的yolov3后写的， 那位up主的b站的传送门： https://www.bilibili.com/video/BV1A7411976Z 他的博客的传送门： 他的源码的传送门： https://github.com/bubbliiiing/yolo3-pytorch 侵删这篇博客主要是写主干特征提取网络代码的解释，首先，我们需要了解一下什么是残
转载
2024-01-02 15:29:30
72阅读
在了解了线性回归的背景知识之后，现在我们可以动手实现它了。尽管强大的深度学习框架可以减少大量重复性工作，但若过于生成数据集n_samples
原创
2022-11-02 09:46:29
147阅读
最近为了安装pytorch3d，折腾了两天，足足两天！要注意，安装pytorch3d之前，必须先安装pytorch torchvisionPytorch3d官方 是建议用conda install的方式来安装，也可以用pip来安装：pip install PyTorch torchvision -c pytorch-nightly1.首先说一下MacOS M1 芯片安装情况，刚开始使用的
转载
2023-10-23 13:56:52
85阅读
1、tensor 维度顺序变换 BCHW顺序的调整tensor.permute(dims)将tensor的维度换位。参数是一系列的整数，代表原来张量的维度。比如三维就有0，1，2这些dimension。import torch
a = torch.rand(8,256,256,3) #---> n,h,w,c
print(a.shape)
b = a.permute(0,3,1,
转载
2023-10-11 11:36:32
160阅读
