- 1） 一个算法中多个训练任务之间需要共享输出目录，在第一个任务结果保存在目录Context.get_output_path(level="algo")中，第二个任务使用的时候获取目录Context.get_output_path(level="algo")下的结果；2） 这个项目中多个训练任务之间需要共享输出目录，在第一个任务结果保存在目录Context.get_output_... 1） 一个算法中多个训练任务之间需要共享输出目录，在第一个任务结果保存在目录Context.get_output_path(level="algo")中，第二个任务使用的时候获取目录Context.get_output_path(level="algo")下的结果；2） 这个项目中多个训练任务之间需要共享输出目录，在第一个任务结果保存在目录Context.get_output_...
- CVPR2016的文章，CMU与rbg大神的合作。原谅我一直没有对这篇文章做一个笔记~~ 文章提出了一种通过online hard example mining（OHEM）算法训练基于区域的卷积检测算子的高效目标检测算法，能够对简单样本和一些小数量样本进行抑制，使得训练过程更加高效。该方法利用显著的bootstrapping技术（SVM中被普遍利用），对SG... CVPR2016的文章，CMU与rbg大神的合作。原谅我一直没有对这篇文章做一个笔记~~ 文章提出了一种通过online hard example mining（OHEM）算法训练基于区域的卷积检测算子的高效目标检测算法，能够对简单样本和一些小数量样本进行抑制，使得训练过程更加高效。该方法利用显著的bootstrapping技术（SVM中被普遍利用），对SG...
- torch.distributed 包支持 Pytorch 分布式目前只支持 Linux Pytorch 中通过 torch.distributed 包提供分布式支持，包括 GPU 和 CPU 的分布式训练支持。。 在此之前，torch.nn.DataParalle... torch.distributed 包支持 Pytorch 分布式目前只支持 Linux Pytorch 中通过 torch.distributed 包提供分布式支持，包括 GPU 和 CPU 的分布式训练支持。。 在此之前，torch.nn.DataParalle...
- 结果分布：左边是正样本，右边是负样本。 正负loss要均衡，负样本开始略站优势 左边是正样本，右边是负样本 正确姿势： 先调小学习率，再慢慢加大，因为负样本多，慢慢找正样本。 开始负样本可以在0.8-1之间，占比0.003以内，网络好的话后面就没有了。 先负样本收敛，再正样本收敛 学习率太大的表现： 正负样本两边... 结果分布：左边是正样本，右边是负样本。 正负loss要均衡，负样本开始略站优势 左边是正样本，右边是负样本 正确姿势： 先调小学习率，再慢慢加大，因为负样本多，慢慢找正样本。 开始负样本可以在0.8-1之间，占比0.003以内，网络好的话后面就没有了。 先负样本收敛，再正样本收敛 学习率太大的表现： 正负样本两边...
- 听说效果不错，有预训练， https://github.com/yinboc/liif https://github.com/junpan19/RRN 有预训练 https://github.com/XuecaiHu/Meta-SR-Pytorch 听说效果不错，有预训练， https://github.com/yinboc/liif https://github.com/junpan19/RRN 有预训练 https://github.com/XuecaiHu/Meta-SR-Pytorch
- Ctrl+C之后呈现的信息表明，这个bug是和多线程有关系。 经过笔者实验，目前有三种可靠的解决方式 1）.Dataloader里面不用cv2.imread进行读取图片，用cv2.imread还会带来一系列的不方便，比如不能结合torchvision进行数据增强，所以最好用PIL 里面的I... Ctrl+C之后呈现的信息表明，这个bug是和多线程有关系。 经过笔者实验，目前有三种可靠的解决方式 1）.Dataloader里面不用cv2.imread进行读取图片，用cv2.imread还会带来一系列的不方便，比如不能结合torchvision进行数据增强，所以最好用PIL 里面的I...
- 数据官网：http://shuoyang1213.me/WIDERFACE/ 官方训练集和验证集都有标注，测试集没有 验证集： WIDER_val.zip 标注：wider_face_val_bbx_gt.txt 标注文件：wider_face_split.zip 官网有。 retinaface网址： https://github.com/biu... 数据官网：http://shuoyang1213.me/WIDERFACE/ 官方训练集和验证集都有标注，测试集没有 验证集： WIDER_val.zip 标注：wider_face_val_bbx_gt.txt 标注文件：wider_face_split.zip 官网有。 retinaface网址： https://github.com/biu...
- https://github.com/Michael-Jing/EfficientDet-pytorch/blob/master/efficientdet_pytorch/BiFPN.py 这里面的参数不可导， 训练集有map，但是测试集map全是0, 经过验证，不是bifpn的问题。 bifpn 动态参数和静态参数 改成可求导的参数后，准确率反而下... https://github.com/Michael-Jing/EfficientDet-pytorch/blob/master/efficientdet_pytorch/BiFPN.py 这里面的参数不可导， 训练集有map，但是测试集map全是0, 经过验证，不是bifpn的问题。 bifpn 动态参数和静态参数 改成可求导的参数后，准确率反而下...
- 11年it研发经验，从一个会计转行为算法工程师，学过C#，c++，java，android，php，go，js，python，CNN神经网络，四千多篇博文，三千多篇原创，只为与你分享，共同成长，一起进步，关注我，给你分享更多干货知识! 注意：73上map连续几天一直低，因为负样本loss由0.01改为了0.02 还要分析是分类的loss大，还是回归的los... 11年it研发经验，从一个会计转行为算法工程师，学过C#，c++，java，android，php，go，js，python，CNN神经网络，四千多篇博文，三千多篇原创，只为与你分享，共同成长，一起进步，关注我，给你分享更多干货知识! 注意：73上map连续几天一直低，因为负样本loss由0.01改为了0.02 还要分析是分类的loss大，还是回归的los...
- nn.Module中定义参数：不需要加cuda，可以求导，反向传播 class BiFPN(nn.Module): def __init__(self, fpn_sizes): self.w1 = nn.Parameter(torch.rand(1)) print("no--... nn.Module中定义参数：不需要加cuda，可以求导，反向传播 class BiFPN(nn.Module): def __init__(self, fpn_sizes): self.w1 = nn.Parameter(torch.rand(1)) print("no--...
- Hinge Loss 作者：陈雕 链接：https://www.zhihu.com/question/47746939/answer/286432586 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 我说一个前面没提到的，李航老师在他的《统计学习基础》中有提到， hinge 的中文意思是 “... Hinge Loss 作者：陈雕 链接：https://www.zhihu.com/question/47746939/answer/286432586 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 我说一个前面没提到的，李航老师在他的《统计学习基础》中有提到， hinge 的中文意思是 “...
- 最简单的： state_dict = torch.load(weight_path) self.load_state_dict(state_dict,strict=False) 加载cpu： model = IResNet(IBasicBlock, [2, 2, 2, 2]) a_path=r"ms1mv3_ar... 最简单的： state_dict = torch.load(weight_path) self.load_state_dict(state_dict,strict=False) 加载cpu： model = IResNet(IBasicBlock, [2, 2, 2, 2]) a_path=r"ms1mv3_ar...
- 感觉深度学习在移动端的全面开花就在这两年了，其实感觉已经开始开花了。 先说说量化是怎么一回事，目前我们在caffe, tensorflow等框架上训练模型（前向和反向）都是使用float 32的，与int 8相比，所需储存空间更大，但是精度更好。 量化目前来讲，有两种方式，一种是通过训练量化finetune原来的模型，另一种是直接对模型和计算进行量化。这篇... 感觉深度学习在移动端的全面开花就在这两年了，其实感觉已经开始开花了。 先说说量化是怎么一回事，目前我们在caffe, tensorflow等框架上训练模型（前向和反向）都是使用float 32的，与int 8相比，所需储存空间更大，但是精度更好。 量化目前来讲，有两种方式，一种是通过训练量化finetune原来的模型，另一种是直接对模型和计算进行量化。这篇...
- 基于相关滤波器的追踪（Correlation Filter-based Tracking）原理 基于相关滤波器的追踪算法，典型的算法有KCF，DSST，STC，SAMF等。这些算法的大致框架都是差不多的。 介绍 在视频的第一帧给定目标的初始位置，追踪的目标就是预测目标之后的位置。追踪受到很多因素影响，比如光照变化（illumination variations），... 基于相关滤波器的追踪（Correlation Filter-based Tracking）原理 基于相关滤波器的追踪算法，典型的算法有KCF，DSST，STC，SAMF等。这些算法的大致框架都是差不多的。 介绍 在视频的第一帧给定目标的初始位置，追踪的目标就是预测目标之后的位置。追踪受到很多因素影响，比如光照变化（illumination variations），...
- Surf算法学习心得(一)——算法原理 写在前面的话： Surf算法是对Sift算法的一种改进，主要是在算法的执行效率上，比Sift算法来讲运行更快！由于我也是初学者，刚刚才开始研究这个算法，然而网上对于Surf算法的资料又尤为极少，稍微介绍的明白一点的还是英文。所以在此想借这个机会把我所理解的部分介绍一下，对于后面准备学习Surf算法的朋友来说，希望有一点点... Surf算法学习心得(一)——算法原理 写在前面的话： Surf算法是对Sift算法的一种改进，主要是在算法的执行效率上，比Sift算法来讲运行更快！由于我也是初学者，刚刚才开始研究这个算法，然而网上对于Surf算法的资料又尤为极少，稍微介绍的明白一点的还是英文。所以在此想借这个机会把我所理解的部分介绍一下，对于后面准备学习Surf算法的朋友来说，希望有一点点...
上滑加载中
推荐直播
-
华为云码道 × 仓颉编程：工程化AI编码探索2026/05/27 周三 19:00-21:00
刘俊杰-华为云仓颉语言专家/李炎-华为云码道技术专家/王智鹏-OpenCangjie开源社区发起人
本场直播围绕华为云仓颉语言与华为云码道的深度结合，展示华为云智能编程从零基础到高效落地的完整生态能力。以华为云码道为引擎，仓颉语言为载体，带给大家日常提效、趣味创新到极速量产的开发体验。
即将直播
热门标签