Darknet is an open source neural network framework written in C and CUDA. It is fast, easy to install, and supports CPU and GPU computation.—— https://pjreddie.com/darknet/本文是对使用 darknet 进行目标检测的小结，包括：
DBL:代码中的Darknetconv2d_BN_Leaky，是yolo_v3的基本组件。就是卷积+BN+Leaky relu。 resn：n代表数字，有res1，res2, … ,res8等等，表示这个res_block里含有多少个res_unit。不懂resnet请戳这儿 concat：张量拼接。将darknet中间层和后面的某一层的上采样进行拼接。拼接的操作和残差层add的操作是不一样的，拼
转载
2024-05-16 08:23:23
159阅读
前言随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。来源于哔哩哔哩博主“霹雳吧啦Wz”，博主学习作为笔记记录，欢迎大家一起讨论学习交流。一、YOLOV1二、YOLOV2三、YOLOV33.1 YOLOV3 采用的Darknet-53网络，YOLOV2采用的是Darknet-19网络。因为有53个卷积层，所以叫做Darknet-53网
转载
2024-07-25 19:24:34
379阅读
1 YOLOv4目标检测模型自从Redmon说他不在更新YOLO系列之后，我一度以为这么好用的框架就要慢慢淡入历史了，事实是我多虑了。YOLOv4在使用YOLO Loss的基础上，使用了新的backbone，并且集成了很多新的优化方法及模型策略，如Mosaic，PANet，CmBN，SAT训练，CIoU loss，Mish激活函数，label smoothing等等。可谓集SoAT之大成，也实现了
MXNet的Faster R-CNN(基于区域提议网络的实时目标检测)《1》：论文源地址，克隆MXNet版本的源码，安装环境与测试，以及对下载的源码的每个目录做什么用的，做个解释。MXNet的Faster R-CNN(基于区域提议网络的实时目标检测)《2》：对论文中的区域提议、平移不变锚、多尺度预测等概念的了解，对损失函数、边界框回归的公式的了解，以及共享特征的训练网络的方法。MXNet的Fast
转载
2024-08-08 11:32:19
160阅读
## Darknet和PyTorch的区别
### 流程图
```mermaid
flowchart TD
A(了解Darknet和PyTorch的背景) --> B(比较Darknet和PyTorch的功能和特点)
B --> C(选择合适的框架)
C --> D(安装和配置)
D --> E(数据准备)
E --> F(模型设计与训练)
F
原创
2023-12-01 05:59:16
279阅读
top1直达96的模型：pytorch框架、网络模型SE-Resnet50，优化算法AdamPytorch[facebook]是一个python优先的深度学习框架，是一个和tensorflow[google、工程能力强]，Caffe，MXnet[amazon], theano[适合科研]一样，非常底层的框架，它的前身是torch，主要的语言接口是Lua，在如今github上前10的机器学习项目有9
转载
2024-08-22 17:38:43
37阅读
resent–从Tensorflow代码中学习网络结构解释resnet的网络结构很好理解，可以将其视为多个小网络之间存在捷径连接（shortcut）。直觉的理解可以说，通过shortcut的连接，我们可以将上下层网络输出跨网络传递，从而在深层网络中保持信息的传递。代码结构我们学习Tensorflow/models/official/resnet. 主要包括以下三个代码：cifar10_main.p
转载
2024-03-19 12:36:25
43阅读
论文名称：RepVGG: Making VGG-style ConvNets Great Again 论文下载地址：https://arxiv.org/abs/2101.03697 官方源码（Pytorch实现）：https://github.com/DingXiaoH/RepVGG 文章目录0 前言1 RepVGG Block详解2 结构重参数化2.1 融合Conv2d和BN2.2 Conv2d
深度学习——分类之ResNeXt论文：Aggregated Residual Transformations for Deep Neural Networks
作者：Saining Xie, Ross Girshick, Piotr Dollár, Zhuowen Tu, Kaiming HeImageNet Top5错误率：3.03%中心思想：Inception那边把ResNet拿来搞了Ince
转载
2024-05-19 09:55:08
46阅读
前言 这段时间到了新公司，工作上开始研究DeepLearning以及TensorFlow，挺忙了，前段时间看了VGG和deep residual的paper，一直没有时间写，今天准备好好把这两篇相关的paper重读下。 VGGnet VGG解读 VGGnet是Oxford的Visual Geometry Group的team，在ILSVRC 2014上的相关工作，主要工作是证明了增加网络的深度能
AlexNetAlexNet是在IMAGENET比赛中第一个获奖的CNN结构。VGGNetVGGNet和AlexNet实际上都是对最传统的CNN进行重复堆叠的实践，将效果较好的结构记录下来方便以后继续使用，常用的有vgga(11层)，vgg16和vgg19。结构如下： (示意图来自于cs231n的课件，有一点小问题，vgg16应该是3个conv层后接pool)ResNet论文原文 https:
转载
2024-03-17 15:10:39
47阅读
1、Introduction提出问题：随着网络越来越深，梯度就会出现爆炸或者消失 解决方法： 1、在权重随机初始化的时候，不要特别大也不要特别小 2、在中间加入一些normalization,包括BN（batch normalization)可以使得校验每个层之间的输出和梯度的均值和方差相对来说比较深的网络是可以训练的，避免有一些层特别大，有一些层特别小，使用这些技术之后能够收敛，但是当网络变深的
转载
2024-05-13 09:47:47
931阅读
这是微软方面的最新研究成果， 在第六届ImageNet年度图像识别测试中，微软研究院的计算机图像识别系统在几个类别的测试中获得第一名。本文是解决超深度CNN网络训练问题，152层及尝试了1000层。随着CNN网络的发展，尤其的VGG网络的提出，大家发现网络的层数是一个关键因素，貌似越深的网络效果越好。但是随着网络层数的增加，问题也随之而来。首先一个问题是 vanishing/exploding g
转载
2024-04-29 19:21:08
51阅读
如果您喜欢我的文章，欢迎关注我的专栏。
ResNet和DenseNet是计算机视觉领域的经典工作，作为CVPR 2016和2017的best paper，两者不仅有很强的创新性，而且大道至简，给了我们很好的启发。本文的目的是解读一下ResNet和DenseNet中那些影响深远的创新，让我们对网络架构有更深刻的思考。
ResNet（Deep Residual Learning
转载
2024-04-07 08:39:42
250阅读
CNN史上的一个里程碑事件是ResNet模型的出现，ResNet可以训练出更深的CNN模型，从而实现更高的准确度。ResNet模型的核心是通过建立前面层与后面层之间的“短路连接”（shortcuts，skip connection），这有助于训练过程中梯度的反向传播，从而能训练出更深的CNN网络。DenseNet模型，建立的是前面所有层与后面层的密集连接（dense connection），它的名
原创
2023-12-13 12:01:27
175阅读
目录一. 创新点1. 先看看MobileNetV2 和 V1之间有啥不同2. 再看看MobileNetV2的block 与ResNet 的block：二. 正文三. MobileNet-V2网络结构参考资料MobileNetV2是对MobileNetV1的改进，同样是一个轻量化卷积神经网络。一. 创新点1. Inverted residuals，通常的residuals block是先经
卷积网络LeNet5LeNet5 诞生于1994年，是最早的深层卷积神经网络之一，并且推动了深度学习的发展。从1988年开始，在多次成功的迭代后，这项由Yann LeCun完成的开拓性成果被命名为LeNet5。LeCun认为，可训练参数的卷积层是一种用少量参数在图像的多个位置上提取相似特征的有效方式，这和直接把每个像素作为多层神经网络的输入不同。像素不应该被使用在输入层，因为图像具有很强的空间相
转载
2024-09-26 12:29:22
170阅读
1 网络结构图一的 yolo v3结构图出自图一 yolo v3结构图DBL: res unit: 残差单元，类似残差网络resn：n代表数字，有res1，res2, … ,res8等等，表示这个res_block里含有多少个res_unit。这是yolo_v3的大组件，yolo_v3开始借鉴了ResNet的残差结构，使用这种结构可以让网络结构更深(从v2的darknet-19上升到v3的dark
DenseNet实现代码DenseNetDenseNet模型的基本思路与ResNet一致，但它是前面所有层与后面层的密集连接（dense connection），它的名称也是由此而来。 如下图所示： 如上图所示，DenseNet每两个层之间都有直接的连接，因此该网络的直接连接个数为。 对于每一层，使用前面所有层的特征映射作为输入，并且其自身的特征映射作为所有后续层的输入。DenseNet的优点:
转载
2024-02-19 20:21:47
137阅读
