1. One Cycle学习率策略 学习率lr很大程度上影响收敛速度和泛化性能。收敛速度很好理解，对泛化性能的影响却不是很直观。 泛化性指模型经过训练后，应用到新数据并做出准确预测的能力。lr影响收敛，即模型训练不恰当(过拟合/欠拟合)，准确率P和召回率R有所下降，影响模型的输出，即模型泛化性能差。 话回lr，相比于固定学习率，周期性学习率策略被证明是更有效的训练方式，如fastai中的one
YOLOX Deployment ONNX export and an ONNXRuntime YOLOX （pytorch）模型 export ONNX 运行推理
原创
2023-05-29 09:28:53
659阅读
model.load_state_dict({k.replace('fc.1','fc'):v for k,v in torch.load('checkpoint.pt').items()})#用'fc'代替'fc.1'
原创
2023-05-18 17:13:58
107阅读
YOLO模型——思想、原理以及为什么使用网格、边界框1. 前言2. YOLO的思路2.1 从滑动窗口开始2.2 改进2.2.1 R-CNN2.2.2 YOLO3.YOLO的详细介绍3.1 流程3.2 调整图片大小、分成S×S个网格3.3 生成边界框3.3.1 位置与大小3.3.2 置信度3.3.3 总结3.4 网格分类3.5 非极大值抑制NMS3.6 总结4. YOLO的神经网络4.1 结构4.
pytorch转onnx其实也就是python转的 ,之前有个帖子了讲的怎么操作,这个就是在说说为什么这么做~~~（1）Pytorch转ONNX的意义一般来说转ONNX只是一个手段，在之后得到ONNX模型后还需要再将它做转换，比如转换到TensorRT上完成部署，或者有的人多加一步，从ONNX先转换到caffe，再从caffe到tensorRT。原因是Caffe对tensorRT更为友好，这里关于
转载
2023-11-24 21:33:56
49阅读
Python: 从PYTORCH导出模型到ONNX，并使用ONNX运行时运行它本教程我们将描述如何将PyTorch中定义的模型转换为ONNX格式，然后使用ONNX运行时运行它。ONNX运行时是一个针对ONNX模型的性能关注引擎，它可以高效地跨多个平台和硬件(Windows、Linux和Mac以及cpu和gpu)进行推理。ONNX运行时已被证明在多个模型上显著提高了性能。对于本教程，您将需要安装ON
转载
2024-07-30 21:03:02
741阅读
；yolox_s.pth --》 yolox.onnx --》 yolox.param + yolox.bin --》
原创
精选
2023-06-03 17:21:39
1532阅读
点赞
注意这个CMakeLists.txt和yolox.cpp一起，yolox.cpp代码就在yolox官方源码demo/ncnn/cpp里面，然后编译。首先转换pytorch->
原创
2024-09-30 15:49:39
108阅读
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用M
# Pytorch导出模型与导入
PyTorch是一个开源的深度学习框架，它广泛应用于计算机视觉、自然语言处理等领域。在训练好模型之后，我们通常会希望将模型导出以便在其他地方使用，或者将模型分享给他人。本文将介绍如何在PyTorch中导出模型并在其他地方导入模型。
## 导出模型
在PyTorch中，我们可以使用`torch.save`函数将模型及其参数保存到文件中。下面是一个简单的示例代码
原创
2024-03-08 06:37:20
81阅读
# 使用 OpenCV 导入 PyTorch 模型
## 引言
在深度学习的应用中，PyTorch 模型因其灵活性和易用性受到广泛青睐。然而，许多应用场景需要将训练好的 PyTorch 模型与其他工具（如 OpenCV）结合使用，以便进行图像处理和计算机视觉任务。本文将探讨如何在 Python 环境中使用 OpenCV 导入 PyTorch 模型，并提供相关的代码示例。
## OpenCV
原创
2024-10-15 06:29:50
98阅读
Pytorch-YOLOv4训练自己的数据前言数据集准备1.划分train，eval，test数据集2.生成所需数据集格式配置文件1. cfg.py2. dataset.py3. train.py训练网络Tianxiaomo版YOLOv4 测试测试官方预训练权重测试自己的训练权重 前言我大概花了一周多把当前高star的pytorch版YOLOv4都跑了一遍。这里将Tianxiaomo大佬yolo
目录1 模型的构建2 结构参数的存储与载入3 参数的存储与载入4 结构的存储与载入本文主要讲述TF2.0的模型文件的存储和载入的多种方法。主要分成两类型：模型结构和参数一起载入，模型的结构载入。1 模型的构建 import tensorflow.keras as keras
class CBR(keras.layers.Layer):
def __init__(self,outpu
转载
2024-07-10 11:30:52
638阅读
import torch
from torchvision import transforms
from torch.utils.data import DataLoader
from torch.nn import functional
from torchvision import datasets
from torch.utils.data import DataLoader
import
转载
2023-10-19 11:41:02
54阅读
1.安装包 安装教程很多，最简单的是使用pip命令 操作步骤： (1)win+R 打开运行，输入cmd进入命令行窗口 (2)直接输入pip install opencv-python2.安装后导入 安装成功后，以为import cv2就万事大吉了，结果提示ModuleNotFoundError3.解决导入后问题问题1： pip下载的安装包在默认路径下，与我新建的工程部不在同一个地方，提示找不到安装
转载
2023-12-20 17:15:27
95阅读
1. 简述 在使用PyTorch进行模型训练时，我们通常希望将训练好的模型导出为ONNX（Open Neural Network Exchange）格式的文件。 ONNX（Open Neural Network
转载
2024-10-29 11:57:25
13阅读
1 引言各位朋友大家好，欢迎来到月来客栈。今天要和大家介绍的内容是如何在Pytorch框架中对模型进行保存和载入、以及模型的迁移和再训练。一般来说，最常见的场景就是模型完成训练后的推断过程。一个网络模型在完成训练后通常都需要对新样本进行预测，此时就只需要构建模型的前向传播过程，然后载入已训练好的参数初始化网络即可。第2个场景就是模型的再训练过程。一个模型在一批数据上训练完成之后需要将其保存到本地
# PyTorch导入最好模型绘图教程
## 1. 整体流程
为了实现"PyTorch导入最好模型绘图"的功能，我们可以按照以下步骤进行操作：
| 步骤 | 描述 |
| --- | --- |
| 1 | 导入所需的库 |
| 2 | 加载预训练模型 |
| 3 | 绘制模型图 |
接下来，我们将逐步解释每个步骤需要做什么，以及涉及到的每条代码的意义。
## 2. 步骤解释
###
原创
2023-09-11 05:03:57
149阅读
本文将YOLOX模型部署到瑞芯微NPU(RKNN)平台的完整流程分为四个步骤：1)环境准备，安装RKNN-Toolkit2和PyTor
什么是编译？因为机器是只能做数字计算的，能够让机器去运算的，数字的语言就是机器语言。除此之外的所有计算机语言都是非机器语言。为了让机器可理解，相对于机器语言的高级语言都需要一个转换，从高级、机器不可理解，转换为机器可理解的机器语言，这样的一个转换过程就叫做编译。目前对YOLOV4的运用，大多方式都是以指令的形式，例如darknet.exe detector test cfg/coco.data y
