coco数据集格式 yolov3理论实现 整体模型流程 看源码整体结构 pytorch

目标检测（object detection） 使用 bounding box 或者 object segmentation (也称为instance segmentation)将不同的目标进行标定。 COCO数据集用于image segmentation的教程：Master the COCO Dataset for Semantic Image Segmentation Densepose（密集姿势估计） DensePose任务涉及同时检测人、分割他们的身体并将属于人体的所有图像像素映射到身体的3D表面。用于不可控条件下的密集人体姿态估计。 Key-points ...

https://zhuanlan.zhihu.com/p/417499851

图片见CSDN，牛客网传不了图：https://blog.csdn.net/weixin_45007300/article/details/127060757 #### 2）利用OpenCV检测芯片瑕疵 **【任务描述】** 利用图像技术，检测出芯片镀盘区域瑕疵。样本图像中，粉红区域为镀盘区域，镀盘内部空洞为瑕疵区域，利用图像技术检测镀盘是否存在瑕疵，如果存在则将瑕疵区域标记出来。 import cv2 import numpy as np import math # 第一步：图像预处理 ## 1. 转换成灰度图像，进行二值化处理 im_cpu = cv2.imread("../../d...

2使用torch.xx_like()创建张量         torch.ones_like(X), torch.zeros_like(X), torch.rand_like(X)可以分别用于创建一个与张量X具有相同维度的全1、全0或者是服从[0,1]区间上均匀分布的张量。 3、随机数生成张量     torch.normal(mean, std)可以通过传入指定的均值张量和标准差张量，从而生成一个对应满足该分布的随机数张量，当mean和std传入多个值时，则会相应得到多个随机数张量。均值和方差向量的维度需要满足广播机制。 torch.rand...

#### 12）形态学梯度 # 形态学梯度示例 import cv2 import numpy as np o = cv2.imread("../data/6.png") k = np.ones((3, 3), np.uint8) r = cv2.morphologyEx(o, cv2.MORPH_GRADIENT, k) cv2.imshow("original", o) cv2.imshow("result", r) cv2.waitKey() cv2.destroyAllWindows() ### 5. 图像梯度处理 ...

1. 归一化：将特征缩放到0~1或-1~1之间 2. 模型参数：y = wx + b 中的w和b，通过学习得来的     超参数：提前设置好的，主要根据经验值或试验得来 3. 激活函数的比较 1)Sigmoid和RELU - Sigmoid容易出现梯度消失， RELU修正了梯度消失的问题 2)Sigmoid和tanh - Sigmoid范围0~1，均值点为0.5; tanh范围-1~1，均值点为0 - tanh收敛速度比sigmoid快 3)Sigmoid和softmax - Sigmoid用于二分类，softmax用于多分类 4)softmax和Relu - softmax主要用于输出...

主要任务： 1.基于现有文本分析 2.生成新文本（文本生成、机器翻译） 算法与模型： 隐马尔可夫模型 贝叶斯模型 SVM 聚类模型 ---------------------- 神经网络语言模型 循环神经网络 NLP分析及处理技术 词法分析 句法分析 语义理解 文本生成 外部资源 语料库  词典 停用词表 1.中文分词 1）正向最大匹配法   （Forward Maximum Matching，FMM） 2）逆向最大匹配法  （Reverse Maximum Match...

BGD : Batch Gridient Descent 批量梯度下降 SGD :  Stochastic 随机梯度下降 MBGD :  Mini-Batch Gradient Descent, MBGD  小批量梯度下降 CNN - Convolution Neural Network 卷积神经网络 RCNN - Region-CNN SS - Selective Search 选择性搜索 ROI - Region Of Interst 感兴趣区域 RPN - Region Proposal Network 区域推荐网络 bbox - bound...

图像语义分割可以分为语义分割、实例分割、全景分割。 语义分割（semantic segmentation）：对图像中的每个像素划分到不同的类别； 实例分割（instance segmentation）：对图像中每个像素划分到不同的个体（可以理解为目标检测和语义分割的结合）； 全景分割（panoptic segmentation）：语义分割和实例分割的结合，即要对所有目标都检测出来，又要区分出同个类别中的不同实例 难点： 数据问题 计算资源问题 精细分割 上下文信息 评价指标 像素精度：对/总 均像素精度 平均交并比 FCN...

OCR是指对图片中的文字进行查找、提取、识别的一种技术。 一般步骤： 文字检测、文字识别 评估指标 拒识率（召回率）、误识率、识别速度、稳定性 CTPN 步骤： 检测文本：16像素小区域，每个proposal（提议）使用10个锚点高度在11-273之间（0.7）.细粒度的文本提议 利用RNN连接多个proposal。使用双向LSTM利用前后两个方向的信息对proposal进行连接 边沿细化。 缺陷：针对极小尺度文本检测有遗漏，对非文本的水平的检测效果并不好。 SegLink  segment和link （x,y,w,h,）...

一、什么是目标检测 1、关于图像识别有四大任务： 分类 定位 检测 分割 目标检测是一个分类、回归问题的叠加。 2、目标检测的核心问题： 分类问题 定位问题 大小问题 形状问题 3、目标检测的算法分类 3.1 Tow Stage 任务流程：特征提取-->生成RP（预选框）-->分类定位回归 3.2One Stage 任务流程：特征提取-->分类定位回归 二、目标检测原理 目标检测分为两大系列——RCNN系列和YOLO系列，RCNN系列是基于区域检测的代表性算法，...

一、PaddlePaddle优点 1.易用性。 2.丰富的模型库 3.全中文说明文档 4.运行速度快 二、PaddlePaddle缺点 1.教材少 2.学习难度大、曲线陡峭 三、重要术语 Fluid:定义程序执行流程 Program:对用户来说一个完整的程序 Executor:执行器、执行程序 四、案例1：快速开始 import paddle.fluid as fluid # 创建两个张量 x = fluid.layers.fill_constant(shape=[1], dtype='float32', val...