tensor分为头信息区（Tensor）和存储区（Storage）信息区主要保存着tensor的形状（size）、步长（stride）、数据类型（type）等信息，而真正的数据则保存成连续数组，存储在存储区因为数据动辄成千上万，因此信息区元素占用内存较少，主要内存占用取决于tensor中元素的数目，即存储区的大小 一般来说，一个tensor有着与之相对应的storage，st
# PyTorch SSD代码实现：快速入门
在计算机视觉领域，物体检测任务已成为一个重要的研究方向。单阶段检测器（如SSD - Single Shot MultiBox Detector）因其高效性而受到广泛的关注。本文将介绍SSD的基本概念，并提供一个简单的PyTorch代码实现示例。
## 什么是SSD？
单阶段多框检测器（SSD）是一种实时目标检测框架，通过在图像的不同尺度上进行卷积
# 如何使用 PyTorch 实现 SSD300
在本篇文章中，我将指引你如何使用 PyTorch 实现单阶段检测器 (Single Shot Detector)，具体为 SSD300。我们将从基本的环境准备开始，到模型的训练和测试。下面是整个流程的概览：
## 流程概览
| 步骤 | 描述 |
|--
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
最近在准备学习PyTorch源代码，在看到网上的一些博文和分析后，发现他们发的PyTorch的Tensor源码剖析基本上是0.4.0版本以前的。比如说：在0.4.0版本中，你是无法找到a = torch.FloatTensor()中FloatTensor的usage的，只能找到a = torch.FloatStorage()。这是因为在PyTorch中，将基本的底层THTensor.h THSto
转载
2024-08-21 10:41:44
92阅读
SSD模型训练起来较为简单，所以最近用的也比较多现在做一个完整的SSD模型解析，包括训练过程中遇到的各种坑的解决办法先放一个被用烂了的图 模型说明图片通过vgg16的conv4_3layer得到一个feature_map_1对feature_map_1进行卷积，使用3*3的卷积核，再使用1*1的卷积核，使用multi_task方法(在使用3*3卷积核之后，分别经过
# SSD PyTorch: 目标检测的新起点
]( 是一种在精度和速度方面都表现出色的目标检测算法。本文将介绍 SSD 的 PyTorc
原创
2023-12-17 09:17:49
43阅读
之前使用 Tensorflow Detection API 训练 SSD 网络，改里边的 depth_multiplier 参数使网络层数降低，确实可以提高推理速度，但是因为该 API 训练的网络里有一个定制的操作符TFLite_Detection_PostProcess 不能在GPU上运行，导致推理时
转载
2023-06-19 16:20:11
211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
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
pytorch建立mobilenetV3-ssd网络并进行训练与预测前言Step1：搭建mobilenetV3-ssd网络框架需要提前准备的函数和类。mobilenetV3_large调用mobilenetV3的ssd网络Step2：训练训练数据预处理(VOC形式的dbb数据)数据检测编写训练程序step3:预测 前言这篇文章记录的是我在公司实习用深度学习做车辆信息识别项目时，用来做车辆检测的算
转载
2024-01-02 11:15:19
222阅读
SSD，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）在VOC2007上，SSD300比Faster R-CNN的FPS高了6.6倍在VOC2007上，SSD3
转载
2023-06-19 16:23:30
349阅读
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
【1】SSD（Single Shot MultiBox Detector）算法可以理解为 YOLO + Faster R-CNN 的进化方法。严格来说，YOLO 、YOLO2 和 SSD 已经不是 R-CNN 的思路了：1）R-CNN 系列（R-CNN、SPPnet、Fast R-CNN、Faster R-CNN）基于 “Proposal + Classification”的路线，mAP 比较高，
Transformer 对IMDB进行文本情感分类 （基于Pytorch的保姆级教程，无预训练模型，从头搭建transformer） 数据下载定义配置编写dataLoadertransformer模型代码编写训练结果展示数据读取和处理结果训练过程输出训练过程的信息 编写的起因来自于网上大部分的blog要么只介绍了transformer的架构，但是缺乏数据处理的部分；要么实现的库过于陈旧以至于经常
一、背景当前深度学习通用目标检测框架分为两大类： SSD的出现是在16年，YOLOv1之后，YOLOv2之前，既然都是one-stage的算法，SSD的出现必然和YOLOv1比试一番。YOLOv1和SSD的主要区别就是，YOLOv1只利用了末端特征图信息，SSD则利用了最后几层特征图综合起来的信息，所以，从理论上说，SSD比YOLOv1的准确度必定更高。二、SSD算法是什么首先说明卷积的
转载
2023-12-15 05:51:31
53阅读
https://towardsdatascience./learning-note-single-shot-multibox-detector-with-pytorch-part-1-38185e84bd79 https://towardsdatascience./learning-no
原创
2022-01-17 16:55:03
116阅读
目录下载数据集训练代码修改config.py新建cancer.py作为数据读入__init__文件ssd.pytrain.pymultibox_loss.py验证eval.py代码修改爬坑实录！使用Colab 对于一个小白，想对自己数据的训练实在不容易，花了好几天时间，翻阅了很多资料，在此做个总结。 我的环境是windows+cpu，没有N卡！本文并将讲解用Colab进行训练 默认已配置好Pyt
转载
2024-01-25 17:39:05
486阅读
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
算法简介 算法原理 样本构造 损失函数 使用细节 # ssd算法： ##简介刘伟在2016年提出，发表在ECCV；是一种通过直接回归的方式去获取目标类别和位置的one-stage算法，不需要proposal；作用在卷积网络的输出特征图上进行预测，而且是不同尺度，因此能够保证检测的精度，图像的分辨率也比较低，属于端到端的训练；input->CNN->Lreg,LclsCNN特征
转载
2023-06-19 16:18:21
131阅读
