0. 引言0.1 代码来源代码来源：https://github.com/NVIDIA/DeepLearningExamples/tree/master/PyTorch/Detection/SSD0.2 代码改动NVIDIA复现的代码中有很多前沿的新技术（tricks），比如NVIDIA DALI模块，该模块可以加速数据的读取和预处理。注意，虽然NVIDIA复现了该代码，但相关人员对代码进行了修改
转载
2024-03-03 15:54:53
387阅读
SSD是一个利用多尺度特性的目标检测网络，特征提取部分使用VGG backbone，后面作者又添加了多尺度feature maps，并从这些feature maps上的固定位置处划分bounding box，对这些box进行分类和边框尺寸回归达到目标检测目的。总体架构：VGG16特征提取，注意 这里对最后的全连接层进行了修改多尺度特征层拓展边框分类和回归预备知识：VGG16的创建方式参考Pytor
转载
2023-10-28 09:36:16
120阅读
# 使用 PyTorch 实现 SSD（Single Shot MultiBox Detector）详解
在计算机视觉领域，目标检测是一个重要的任务。Single Shot MultiBox Detector（SSD）是一种高效的目标检测算法，能够在实时场景中进行目标检测。本文将为初学者提供 SSD 的实现步骤、代码示例以及整体过程的图解，帮助你轻松上手。
## 整体流程概述
在实现 SSD
之前，对SSD的论文进行了解读，为了加深对SSD的理解，因此对SSD的源码进行了复现，主要参考的github项目是ssd.pytorch。同时，我自己对该项目增加了大量注释：https://github.com/Dengshunge/mySSD_pytorch搭建SSD的项目，可以分成以下四个部分：
数据读取；
网络搭建；
损失函数的构建；网络测试接下来，本篇博客重点分析网络测试。 在e
转载
2024-01-07 10:13:22
249阅读
这篇博客记录我在学习《深度学习之PyTorch物体检测实战》一书中关于SSD（Single Shot Multibox Detecor）这一算法的理解，以及pytorch代码的解读。 pytorch复现代码链接：https://github.com/dongdonghy/Detection-PyTorch-Notebook/tree/master/chapter5/ssd-pytorch 虽然本篇
转载
2023-12-20 15:45:49
38阅读
SSD主要由两大模块构成---主控和闪存介质。另外可选的还有Cache缓存单元。主控是SSD的大脑，承担着指挥、运算和协调的作用，具体表现在：前端实现标准主机接口与主机通信，接口包括SATA、SAS、PCIe等。中间层SSD固件运行FTL（Flash Translation Layer）算法。后端实现与
转载
2023-08-15 15:45:46
986阅读
第一章 SSD综述SSD（Solid State Drive）固态硬盘，以半导体闪存（NAND Flash）作为介质的存储设备。主要由：主控，内存，缓存芯片DRAM，PCB（电源芯片，电阻，电容等），接口（SATA，SAS，PCIe等）。主体为PCB。存储介质：1. 光学存储介质：DVD，CD等光盘介质，靠光驱等主机读取或写入。2. 磁性存储介质：HDD。3. 半导体芯片存储介质：SSD。主要是：
转载
2023-06-19 16:19:55
4664阅读
目录读取数据集损失函数和评价函数网络模型图预测 %matplotlib inline
import torch
import torchvision
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l
#对每个锚框进行类别预测
def cls_predictor(num_i
转载
2023-06-19 16:20:26
326阅读
pytorch代码链接：https://github.com/amdegroot/ssd.pytorch总的框架图如下：一. ssd.py及其相关函数类1. VGGSSD 使用了VGG16(D)卷积部分（5层卷积，一般标记为Conv5）作为基础网络，后面加了 1024 × 3 × 3、1024 × 1 × 1 两个卷积层，这两个卷积层后都有 RELU 层。对应的网络结构如下图，红线以上部分是VGG
转载
2023-10-14 21:39:15
190阅读
之前有个关于解决SSD错误的博客，虽然针对错误贴出了解决方法还是有一群人没解决问题，有可能是不同的问题出现了相同的错误，那我这次直接自己重新复现一边吧，之前的找不到了，再贴下链接：https://github.com/amdegroot/ssd.pytorch 环境：CUDA9.0、cudnn7.0.5、python3、pytorch1.1.0 其实这个项目的错误里面已经给出了你有可能遇到的重要错
转载
2023-11-10 00:27:21
152阅读
SSD是YOLO之后又一个引人注目的目标检测结构，它沿用了YOLO中直接回归 bbox和分类概率的方法，同时又参考了Faster R-CNN，大量使用anchor来提升识别准确度。通过把这两种结构相结合，SSD保持了很高的识别速度，还能把mAP提升到较高的水平。一、基本结构与原理原作者给了两种SSD结构，SSD 300和SSD 512，用于不同输入尺寸的图像识别。本文中以SSD 300为例，图1上
转载
2023-10-08 10:10:26
18阅读
前言今天学习SSD目标检测算法，SSD，全称Single Shot MultiBox Detector，是2016年提出的算法，今天我们还是老规矩，最简单的做算法解析，力求让像我一样的小白也可以看得懂。算法初识1》算法能干什么？ 答：可以检测图片中的目标，并且画框并予以分类，21类（其实是20类，为什么后面会说）。2》算法有什么优点？ 答：SSD是one—stage算法，比Faster RCNN比
转载
2024-05-29 00:09:05
245阅读
SVM（support vector machine）支持向量机：线性分类：先从线性可分的数据讲起，如果需要分类的数据都是线性可分的，那么只需要一根直线f(x)=wx+b就可以分开了，类似这样：这种方法被称为：线性分类器，一个线性分类器的学习目标便是要在n维的数据空间中找到一个超平面（hyper plane）。也就是说，数据不总是二维的，比如，三维的超平面是面。但是有个问题：上述两种超平
转载
2024-07-30 20:45:11
28阅读
之前写的一篇SSD论文学习笔记因为没保存丢掉了，然后不想重新写，直接进行下一步吧。SSD延续了yolo系列的思路，引入了Faster-RCNN anchor的概念。不同特征层采样，多anchor. SSD源码阅读 https://github.com/balancap/SSD-Tensorflowssd_vgg_300.py为主要程序。其中ssd_net函数为定义网络结构。先简单解释下SSD是如何
转载
2024-05-19 08:14:28
63阅读
# 深度学习 SSD详解：入门指南
## 引言
深度学习中的SSD（Single Shot MultiBox Detector）是一个广泛使用的物体检测模型。对于刚入行的小白，理解和实现SSD可能看起来有些复杂。不过，不用担心，本文将为你提供一个详细的流程和代码示例，以便你能够顺利实现SSD模型。
## 实现SSD的流程
| 步骤 | 描述
SSD（Single Shot MultiBox Detector）是一种广泛应用于目标检测中的深度学习模型，而PyTorch作为一个灵活且高效的深度学习框架，为实现SSD提供了良好的支持。在此博文中，我将详细记录如何在PyTorch中解决SSD相关的问题，涵盖环境准备、集成步骤、配置详解、实战应用、排错指南及性能优化等方面。
### 环境准备
在实现SSD时，首先需要确保你的开发环境符合特定的
目标检测算法主要分为两类：Two-stage方法：如R-CNN系列算法，主要思路就是通过Selective Search或者CNN网络产生一系列的稀疏矩阵的候选区域，然后对这些候选区域进行分类和回归，two-stage的方法优势在于准确率度高；One-stage方法：如YOLO系列方法，主要思路就是均匀地在图片上不同位置进行密集采样，采样时使用不同尺度和长宽比box，然后利用CNN提取特征后直接进
转载
2023-11-07 09:42:36
170阅读
SSD算法进行总结， 并介绍多个基于SSD的改进算法。 1. 审视SSD 实现了一个较为优雅、 简洁的物体检测框架， 使用了一阶网络即完成了物体检测任务， 达到了同时期物体检测的较高水平。 总体上，SSD主要有以下3个优点：由于利用了多层的特征图进行预测， 因此虽然是一阶的网络， 但在某些场景与数据集下， 检测精度依然可以与Faster RCNN媲美。一阶网络的实现， 使得其检测速度可以超过同时期
转载
2023-10-17 11:36:46
133阅读
论文地址参考这里SSDSSD，全称Single Shot MultiBox Detector，是Wei Liu在ECCV 2016上提出的一种目标检测算法，截至目前是主要的检测框架之一，相比Faster RCNN有明显的速度优势，相比YOLO又有明显的mAP优势（不过已经被CVPR 2017的YOLO9000超越）。背景目标检测主流算法分成两个类型：（1）two-stage方法：RCNN系列通过算
转载
2024-03-08 22:37:21
241阅读
命令描述1. 基础命令1.1 为页地址模式设置列低半字节的开始地址（00h~0Fh） 这个命令专门为8位列地址的低半字节设置以通过页地址模式显示RAM中的数据。而每一个数据使用后列地址会自动增加。请参考表格9-1的部分以及1.3的部分来了解详细情况。1.2&
