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
从零开始到最后成功的操作过程： （1）首先下载models，本地路径结构为～/tensorflow/models，其中～表示本地的home路径，然后在models中的research路径下执行下列两条命令 protoc object_detection/protos/*.proto --python_out=. export PYTHONPATH="${PYTHONPATH}:～/tensorfl
转载
2024-05-10 09:23:45
38阅读
最简单的方式莫过于直接将数据当成常量嵌入你的计算图中，如：import tensorflow as tf
import numpy as np
actual_data = np.random.normal(size=[100])
data = tf.constant(actual_data)12345
复制代码这个方式非常高效，但并不灵活。一个很大的问题就是为了在其他数据集上复用你
转载
2024-10-08 18:10:16
48阅读
DSSD DSOD FSSD RSSD # SSD算法缺陷 1）存在重复框的问题；2）对小目标检测不够鲁棒（因为浅层feature map的表征能力不够强）因此，针对以上问题，对传统SSD算法进行了扩展和优化；优化主要从两部分下手，一个是从主干网络，比如将传统的VGG16换成ResNet、DenseNet、MobileNet等；另一个则是从预测网络着手，寻找更好的特征表征方式来提高模型性
转载
2024-07-04 07:24:01
57阅读
目录项目背景TensorFlow介绍环境搭建模型选用Api使用说明运行路由小结项目背景产品看到竞品可以标记物体的功能，秉承一贯的他有我也要有，他没有我更要有的作风，丢过来一网站，说这个功能很简单，一定可以实现这时候万能的谷歌发挥了作用，在茫茫的数据大海中发现了Tensorflow机器学习框架，也就是目前非常火爆的的深度学习（人工智能），既然方案已有，就差一个程序员了Tensorflow介绍百科介绍
自读取数据到输送网络前夕的过程
Fork版本项目地址：SSD一、TFR数据读取创建slim.dataset.Dataset对象在train_ssd_network.py获取数据操作如下，首先需要slim.dataset.Dataset对象# Select the dataset.
# 'imagenet', 'train', tfr文件存储位置
# TF
4.1 总论MySQL 性能优化其实是个很大的课题，在优化上存在着一个调优金字塔的说法: 很明显从图上可以看出，越往上走，难度越来越高，收益却是越来越小的。 比如硬件和 OS 调优，需要对硬件和 OS 有着非常深刻的了解，仅仅就磁盘一项来说，一般非 DBA 能想到的调整就是 SSD 盘比用机械硬盘更好，但其实它至少包括 了，使用什么样的磁盘阵列(RAID)级别、是否可以分散磁盘 IO、是否使用裸
转载
2023-11-09 08:43:57
232阅读
感想今天我测试了一下我自己训练的模型，和YOLOv2做了一下对比，检测的都是对的，YOLOv2版本的
原创
2022-08-11 17:37:42
175阅读
为loss函数输入数据格式做最后的调整
Fork版本项目地址：SSD一、输入标签生成在数据预处理之后，图片、类别、真实框格式较为原始，不能够直接作为损失函数的输入标签（ssd向前网络只需要图像就行，这里的处理主要需要满足loss的计算），对于一张图片（三维CHW）我们需要如下格式的数据作为损失函数标签：gclasse：
转载
2024-10-18 13:34:35
50阅读
目标检测——SSD编者：杨柳依依日期：2018年9月27日今天给大家介绍一篇目标检测领域中经典的一篇论文，15年发表在ECCV。1.背景知识在介绍论文之前，我们先简单了解下本文的思路和做法。作者提出了一种单个深度神经网络来解决图像中的目标检测的问题。这种方法，叫做SSD,将边框的输出空间在特征映射图离散化到不同比例或者不同尺度的先验边框集中。在预测阶段，网络产生每一个感兴趣的目标的置信度并且对先验
SSD在数据中心中的优势相比于传统的HDD，SSD因为其诸多优势被越来越多的应用在包括数据中心在内的存储领域中。1. 低功耗——运行大量存储驱动器时，功耗会增加。在任何可以节省电力的地方都是一种胜利。2. 速度——可以更快地访问数据，这对于缓存数据库，应用程序或影响系统性能的其他数据尤其有用。3. 振动不足——减少振动可提高可靠性，从而减少问题和维护。4. 低噪音——随着更多SSD的部署，数据中心
转载
2024-02-29 08:09:12
148阅读
MySQL优化1.优化索引、SQL语句、分析慢查询；2.设计表的时候严格按照数据库的设计范式来设计数据库；3.我们还可以将我们的业务架构进行缓存，静态化和分布式；4.不用全文索引，使用Xunsearch,ES或者云服务器上的索引；5.如果效率还是不够好，可以采用主从方式将数据读写分离；6.可以加上memcached缓存，将经常被访问到但不经常变化的数据放至memcached缓存服务器里面，这样的话
转载
2023-08-30 16:21:58
125阅读
Mac下优化SSD
最近在老甘兄的蛊惑下, 我终于下单购买了SSD硬盘, 放在mbp的光驱位上.
拆机过程就不用再写了, 已经有很多人发过拆机图了, 这里给出OSXTOY的拆机文章:
Macbook Pro拆机光驱更换固态硬盘实战
装上SSD后, 下一步要做的, 就是把系统装到新的SSD硬盘上, 这个没有什么特别说的, 跟在普通的HDD上的没有区别.
下面将要说的,
转载
精选
2012-06-07 15:53:07
3706阅读
# MySQL使用SSD优化的科普文章
## 引言
随着科技的进步，数据存储的方式不断演变，固态硬盘（SSD）逐渐取代传统的机械硬盘（HDD）成为主流存储介质。SSD的速度极快，减少了读取延时，这对于数据库管理系统（DBMS）尤其重要。本文将探讨如何通过SSD实现MySQL性能优化，并提供相关代码示例和状态图。
## SSD的优势
SSD相较于传统HDD具有以下几个显著优势：
1. **
原创
2024-10-16 06:24:58
180阅读
在使用Ceph作为存储系统时，优化参数是非常重要的一环。其中，优化SSD参数可以提升系统性能，提高数据的读写速度。下面就来介绍一些Ceph SSD参数优化的方法。
首先是调整磁盘队列深度。在Ceph集群中，每个SSD都有一个队列，用来处理来自客户端的请求。通过调整队列的深度，可以增加同时处理请求的数量，提高系统的吞吐量。一般来说，增加队列深度可以提升性能，但也要注意不要设置得过高，否则可能会导致
原创
2024-02-20 11:04:47
117阅读
SSD网络tensorflow版本源码深入分析以VGG-16作为特征提取层实现SSD网络的代码，解读SSD网络代码实现的各个细节，从输入参数、默认框的位置匹配、宽高比率、放缩比率、各层默认框的生成、到损失函数计算、整个SSD网络框架代码实现都一一解读。一：SSD网络相关参数代码解析源代码中对SSD网络需要的6个层大小，默认框大小、最小与最大放缩比率、默认框不同宽高比、步长感受野、并交比等参数给出了
原创
精选
2018-10-10 19:22:09
10000+阅读
点赞
3评论
概述我们知道， MySQL DB 的数据是存放在磁盘上的，其读写速度无法和存放在内存中的 redis 相比，当 MySQL 记录数过大时，增删改查时系统的吞吐量会非常的大，数据增删改查的性能会急剧下降。为了改善以上情况，我们需要对 MySQL 进行相关优化，可以参考以下步骤来优化：表结构的优化字段设计尽量使用 TINYINT 、 SMALLIN
转载
2023-07-28 07:46:57
123阅读
点赞
SSD和传统的磁盘在组织形式上不一样，磁盘有扇区，柱面，盘面的概念。而SSD flash存储完全不同，ssd由page，block，plane，die组成。linux内核把ssd当做一个块设备，和磁盘模型一样的块设备。SSD内部的FTL隐藏ssd page，block，plane，die的关系，使得OS无法专门进行优化。1. 调整ssd暴漏给OS的扇区、磁道等信息是合适的fdisk -H 224
原创
2015-07-25 21:20:09
1065阅读
MySql优化的一般步骤：1. 定位执行效率较低的SQL语句（dql出现问题的概率较dml的大） mysql支持把慢查询语句记录到日志文件中。my.ini的配置文件，默认情况下，慢查询记录是不开启的。 开启慢查询记录的步骤： 打开 my.ini ,找到 [mysqld] 在其下面添加 设置时间界限，查询花费超过1秒视为慢的查询 log-slow-queries = D:
转载
2023-06-19 16:20:54
86阅读
见附件！！！
原创
2012-12-03 00:45:46
931阅读
