相關文章

• 

  對MODNet 主干網(wǎng)絡 MobileNetV2的剪枝探索

  目錄 1 引言 1.1 MODNet 原理 1.2 MODNet 模型分析 2 MobileNetV2 剪枝 2.1 剪枝過程 2.2 剪枝結(jié)果 2.2.1 網(wǎng)絡結(jié)構(gòu) 2.2.2 推理時延 2.3 實驗結(jié)論 3 模型嵌入 3.1 模型保存與加載 法一：保存整個模型 法二：僅保存模型的參數(shù) 小試牛刀 小結(jié) 3.2 修改 MobileNetV2 中的 block 階段一 階段二 總結(jié) 3.2 Mo

  2024年01月22日

  瀏覽(33)

• 注意力機制——ECANet及Mobilenetv2模型應用

  一、介紹 ECANet（CVPR 2020）作為一種輕量級的注意力機制，其實也是通道注意力機制的一種實現(xiàn)形式。其論文和開源代碼為： 論文地址：https://arxiv.org/abs/1910.03151 代碼：https://github.com/BangguWu/ECANet ECA模塊，去除了原來SE模塊中的全連接層，直接在全局平均池化之后的特征上通過

  2024年02月16日

  瀏覽(26)
• 

  機器學習筆記 - 基于OpenMMLab在自定義數(shù)據(jù)集上訓練RTMDet網(wǎng)絡

  ????????RTMDet是一種高效的實時目標檢測器，其自報告指標優(yōu)于YOLO 系列。它在COCO上實現(xiàn)了52.8% 的 AP ，在 NVIDIA 3090 GPU 上實現(xiàn)了300+ FPS，使其成為當前號稱最快、最準確的目標檢測器之一。 RTMDet ? 與其他實時物體檢測器的對比。 ?????????RTMDet 采用了一種在主干和頸部

  2024年02月11日

  瀏覽(19)
• 

  DeepLabV3+：Mobilenetv2的改進以及淺層特征和深層特征的融合

  目錄 Mobilenetv2的改進 淺層特征和深層特征的融合 完整代碼 參考資料 在DeeplabV3當中，一般不會5次下采樣，可選的有3次下采樣和4次下采樣。因為要進行五次下采樣的話會損失較多的信息。 在這里mobilenetv2會從之前寫好的模塊中得到，但注意的是，我們在這里獲得的特征是[-

  2024年01月19日

  瀏覽(39)
• 

  pytorch實戰(zhàn)-圖像分類（二）（模型訓練及驗證）（基于遷移學習（理解+代碼））

  目錄 1.遷移學習概念 2.數(shù)據(jù)預處理 ?3.訓練模型（基于遷移學習） 3.1選擇網(wǎng)絡，這里用resnet 3.2如果用GPU訓練，需要加入以下代碼 3.3卷積層凍結(jié)模塊 3.4加載resnet152模 3.5解釋initialize_model函數(shù) 3.6遷移學習網(wǎng)絡搭建 3.7優(yōu)化器 3.8訓練模塊（可以理解為主函數(shù)） 3.9開始訓練 3.10微調(diào)

  2024年02月14日

  瀏覽(55)
• 

  語義分割 | 基于 VGG16 預訓練網(wǎng)絡和 Segnet 架構(gòu)實現(xiàn)遷移學習

  Hi，大家好，我是源于花海。 本文主要使用數(shù)據(jù)標注工具 Labelme 對貓（cat）和狗（dog）這兩種訓練樣本進行標注，使用預訓練模型 VGG16 作為卷積基，并在其之上添加了全連接層?；跇俗颖镜男畔⒑皖A訓練模型的特征提取能力以及 Segnet 架構(gòu)，訓練自己構(gòu)建的 語義分割 網(wǎng)

  2024年01月25日

  瀏覽(19)
• 

  圖像分類 | 基于 Labelme 數(shù)據(jù)集和 VGG16 預訓練模型實現(xiàn)遷移學習

  Hi，大家好，我是源于花海。 本文主要使用數(shù)據(jù)標注工具 Labelme ? 對自行車（bike）和摩托車（motorcycle）這兩種訓練樣本進行標注，使用預訓練模型 ?VGG16? 作為卷積基，并在其之上添加了全連接層。基于標注樣本的信息和預訓練模型的特征提取能力，訓練自己構(gòu)建的 圖像分

  2024年01月20日

  瀏覽(23)
• 

  論文閱讀--基于遷移學習和機器學習的UAV圖像中水稻幼苗檢測

  Title: Rice Seedling Detection in UA V Images Using Transfer Learning and Machine Learning Abstract: To meet demand for agriculture products, researchers have recently focused on precision agriculture to increase crop production with less input. Crop detection based on computer vision with unmanned aerial vehicle (UA V)-acquired images plays a vital role in

  2024年02月13日

  瀏覽(28)
• 

  【大廠AI課學習筆記】【2.2機器學習開發(fā)任務實例】（8）模型訓練

  好吧，搞了半天，都是圍繞數(shù)據(jù)在干活，這也就驗證了，我們說的，數(shù)據(jù)準備等工作，要占到機器學習項目一半以上的工作量和時間。而且數(shù)據(jù)決定了模型的天花板，算法只是去達到上限。 我們今天來學習模型訓練！ 首先，我們來進行線性回歸訓練，如上圖。 當訓練到los

  2024年02月21日

  瀏覽(29)
• 

  李宏毅2021春季機器學習課程視頻筆記5-模型訓練不起來問題(當梯度很小的時候問題)

  ?求解最小Loss的失敗，不能得到最優(yōu)的值，找不到Loss足夠小的值。 ?1.Loss關于參數(shù)的梯度為0，不能繼續(xù)更新參數(shù)。（local minima 或者 saddle point） 如何知道走到了哪個點？ ?利用泰勒展開： ? Critical Point 的一階導數(shù)為 0 。 ? ?舉例子（ Example ）： ? ?不需要擔心 Saddle Point ，

  2023年04月09日

  瀏覽(22)