<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[WSNjiang的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/WSNjiang</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; WSNjiang]]></copyright><item><title><![CDATA[c++ tensorrt 推理yolov5 (opencv-gpu、nms-cuda]]></title><link>https://blog.csdn.net/WSNjiang/article/details/139293629</link><guid>https://blog.csdn.net/WSNjiang/article/details/139293629</guid><author>WSNjiang</author><pubDate>Wed, 29 May 2024 13:59:34 +0800</pubDate><description><![CDATA[@[TOC](c++ tensorrt 推理yolov5 (opencv-gpu、nms-cuda))yolov5_trt.h
yolov5_trt.cpp
postprocess.cuh
postprocess.cu
main.cpp
欢迎使用Markdown编辑器
你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的]]></description><category></category></item><item><title><![CDATA[LF-YOLO]]></title><link>https://blog.csdn.net/WSNjiang/article/details/136883711</link><guid>https://blog.csdn.net/WSNjiang/article/details/136883711</guid><author>WSNjiang</author><pubDate>Wed, 20 Mar 2024 17:37:02 +0800</pubDate><description><![CDATA[应用x射线图像]]></description><category></category></item><item><title><![CDATA[浅谈SAM]]></title><link>https://blog.csdn.net/WSNjiang/article/details/135107971</link><guid>https://blog.csdn.net/WSNjiang/article/details/135107971</guid><author>WSNjiang</author><pubDate>Wed, 20 Dec 2023 14:53:16 +0800</pubDate><description><![CDATA[SAM模型]]></description><category></category></item><item><title><![CDATA[M2det导读]]></title><link>https://blog.csdn.net/WSNjiang/article/details/127180758</link><guid>https://blog.csdn.net/WSNjiang/article/details/127180758</guid><author>WSNjiang</author><pubDate>Thu, 06 Oct 2022 11:05:34 +0800</pubDate><description><![CDATA[TUM和FFMV2交替堆叠，TUM生成不同尺度的特征图，FFMV2将基础特征和TUM输出的最大特征图融合，然后将融合的特征图传入下一个TUM。SFAM通过一个尺度级特征连接操作和一个通道级注意机制来聚合多级多尺度特征。FFMv1融合了深浅特征，为MLFPN提供更多的语义信息。]]></description><category></category></item><item><title><![CDATA[Detecting tiny objects in aerial images: A normalized Wasserstein distance and a new benchmark(论文导读)]]></title><link>https://blog.csdn.net/WSNjiang/article/details/125534156</link><guid>https://blog.csdn.net/WSNjiang/article/details/125534156</guid><author>WSNjiang</author><pubDate>Thu, 07 Jul 2022 16:16:57 +0800</pubDate><description><![CDATA[航空图像中的小物体检测(TOD)具有挑战性，因为一个小物体只包含几个像素。由于缺乏对鉴别性特征的监督，最先进的物体检测对微小的物体不能提供令人满意的结果。我们的关键观察是(IOU)度量及其扩展对微小的位置偏差非常敏感，当使用基于锚点的检测器时，这大大降低了标签分配的质量。为了解决这一问题，我们提出了一种新的评估度量，称为归一化瓦瑟斯坦距离(NWD)和一种新的基于排名的分配(RKA)策略，用于微小目标检测。性能有大幅度的提高......]]></description><category></category></item><item><title><![CDATA[opencv-python图像增强]]></title><link>https://blog.csdn.net/WSNjiang/article/details/125282229</link><guid>https://blog.csdn.net/WSNjiang/article/details/125282229</guid><author>WSNjiang</author><pubDate>Tue, 14 Jun 2022 17:29:10 +0800</pubDate><description><![CDATA[图像增强算子及opencv实现]]></description><category></category></item><item><title><![CDATA[pytorch版本PSEnet训练并部署]]></title><link>https://blog.csdn.net/WSNjiang/article/details/120821227</link><guid>https://blog.csdn.net/WSNjiang/article/details/120821227</guid><author>WSNjiang</author><pubDate>Wed, 10 Nov 2021 13:21:05 +0800</pubDate><description><![CDATA[概述
源码地址
torch版本
训练环境没有按照torch的readme一样的环境，自己部署环境为：
torch==1.9.1
torchvision==0.10.1
python==3.8.0
cuda==10.2
mmcv==0.2.12
editdistance==0.5.3
Polygon3==3.0.9.1
pyclipper==1.3.0
opencv-python==3.4.2.17
Cython==0.29.24

./compile.sh

制作数据集

训练的数据集，采用的是rolabe]]></description><category></category></item><item><title><![CDATA[darknet 训练流程]]></title><link>https://blog.csdn.net/WSNjiang/article/details/119636685</link><guid>https://blog.csdn.net/WSNjiang/article/details/119636685</guid><author>WSNjiang</author><pubDate>Thu, 12 Aug 2021 11:30:37 +0800</pubDate><description><![CDATA[1、darknet编译

git clone https://github.com/pjreddie/darknet.git
cd darknet
修改Makefile

GPU=1  #加GPU
CUDNN=1  #
OPENCV=0  #加opencv
OPENMP=0
DEBUG=0

4、make
有时候make时候会报错，下面列举一些遇到的报错信息
1、
./src/convolutional_kernels.cu -o obj/convolutional_kernels.o
/bin/sh: 1]]></description><category></category></item><item><title><![CDATA[GradNorm论文阅读]]></title><link>https://blog.csdn.net/WSNjiang/article/details/118694670</link><guid>https://blog.csdn.net/WSNjiang/article/details/118694670</guid><author>WSNjiang</author><pubDate>Tue, 13 Jul 2021 18:02:45 +0800</pubDate><description><![CDATA[GradNorm: Gradient Normalization for Adaptive
Loss Balancing in Deep Multitask Networks论文翻译摘要简介相关工作The GradNorm 算法定义和准备The GradNorm的平衡梯度样例
Loss Balancing in Deep Multitask Networks)
论文翻译
目前在进行基于ResNet的多任务学习，在训练过程中，出现了数据不平衡，参数共享存在一些问题。现在想加入一些基于loss改变的算法思想。论]]></description><category></category></item><item><title><![CDATA[项目中用到的Yolov3详解]]></title><link>https://blog.csdn.net/WSNjiang/article/details/112389974</link><guid>https://blog.csdn.net/WSNjiang/article/details/112389974</guid><author>WSNjiang</author><pubDate>Sat, 09 Jan 2021 13:43:15 +0800</pubDate><description><![CDATA[YOLO V3 详解概述网络介绍Yolov3和V2、V1的比较Yolov3网络结构目标位置预测以及损失函数选择总结
概述
目前在做工业上的目标检测项目，用了很久的Yolov3算法模型，刚开始是基于Keras平台的，后来使用基于Darknet平台的训练。项目要结束了，终于有时间好好的整理下笔记。先推出算法网络的原理，后续写基于darknet的C++的部署和利用Opencv的dnn模块调用模型的C++部署。
网络介绍
Yolov3和V2、V1的比较
Yolov3算法相比YOLOV2和YOLOV1算法保留的功能有]]></description><category></category></item><item><title><![CDATA[ubuntu16.04(桌面版) 开机自启动.sh脚本]]></title><link>https://blog.csdn.net/WSNjiang/article/details/107411014</link><guid>https://blog.csdn.net/WSNjiang/article/details/107411014</guid><author>WSNjiang</author><pubDate>Fri, 17 Jul 2020 16:20:03 +0800</pubDate><description><![CDATA[在网上看了很多方法，都没有奏效。
本文方法：
1、编写test.sh脚本
#!/bin/bash
### BEGIN INIT INFO
# Provides:          starter
# Required-Start:    $remote_fs $syslog
# Required-Stop:     $remote_fs $syslog
# Default-Start:     2 3 4 5
# Default-Stop:      0 1 6
# Short-Description: s]]></description><category></category></item><item><title><![CDATA[caffe训练模型报错 no found caffe]]></title><link>https://blog.csdn.net/WSNjiang/article/details/105262041</link><guid>https://blog.csdn.net/WSNjiang/article/details/105262041</guid><author>WSNjiang</author><pubDate>Thu, 02 Apr 2020 09:25:37 +0800</pubDate><description><![CDATA[在/caffe/build/tools/caffe train 报错no found caffe
查了一些资料1）caffe没有make all
2）不能再tools目录下直接caffe，需要在终端
ubuntu:~$ /caffe/build/tools/caffe train ----

3)自己创建训练脚本

...]]></description><category></category></item><item><title><![CDATA[Ubuntu16.04+GPU版DLIB库+OPENCV安装]]></title><link>https://blog.csdn.net/WSNjiang/article/details/104692438</link><guid>https://blog.csdn.net/WSNjiang/article/details/104692438</guid><author>WSNjiang</author><pubDate>Fri, 06 Mar 2020 11:47:33 +0800</pubDate><description><![CDATA[1、首先安装GPU
参考 GPU安装
2、安装Opencv
参考Opencv安装
3、安装Dlib
进入dlib官网下载

cd /dlib-19.19/dlib
mkdir build
cd build
cmake ..
cmake --build .
cd /dlib-19.19
python setup.py install

测试
python3
&gt;&gt;&gt; import d...]]></description><category></category></item><item><title><![CDATA[ubuntu16.04+Pycharm安装QT和 QT Designer]]></title><link>https://blog.csdn.net/WSNjiang/article/details/104512228</link><guid>https://blog.csdn.net/WSNjiang/article/details/104512228</guid><author>WSNjiang</author><pubDate>Wed, 26 Feb 2020 11:16:05 +0800</pubDate><description><![CDATA[利用pycharm能打开ui文件，进行编辑和转换成.py文件，需要进行配置。
1.库安装
2.配置pycharm
3.使用
1.库安装
sudo apt-get install pyqt5-dev-tools
pip install pyqt5

2.配置pycharm

1、在pycharm的file任务栏 - &gt; setting -&gt; Tools -&gt; External To...]]></description><category></category></item><item><title><![CDATA[pip安装软件报错]]></title><link>https://blog.csdn.net/WSNjiang/article/details/104494441</link><guid>https://blog.csdn.net/WSNjiang/article/details/104494441</guid><author>WSNjiang</author><pubDate>Tue, 25 Feb 2020 11:49:22 +0800</pubDate><description><![CDATA[在安装PyQt5时报错
lytr@ubuntu:~/Downloads$ sudo pip3 install PyQt5
WARNING: The directory '/home/lytr/.cache/pip' or its parent directory is not owned or is not writable by the current user. The cache has b...]]></description><category></category></item><item><title><![CDATA[在ubuntu环境，利用docker安装tensorflow-serving]]></title><link>https://blog.csdn.net/WSNjiang/article/details/93189323</link><guid>https://blog.csdn.net/WSNjiang/article/details/93189323</guid><author>WSNjiang</author><pubDate>Fri, 21 Jun 2019 13:28:02 +0800</pubDate><description><![CDATA[利用docker安装tensorflow-serving]]></description><category></category></item><item><title><![CDATA[caffe-ssd版本ubuntu16.04 GPU 安装]]></title><link>https://blog.csdn.net/WSNjiang/article/details/90400823</link><guid>https://blog.csdn.net/WSNjiang/article/details/90400823</guid><author>WSNjiang</author><pubDate>Tue, 21 May 2019 15:37:04 +0800</pubDate><description><![CDATA[在安装GPU驱动之前要安装caffe的依赖
1、依赖安装
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-...]]></description><category></category></item><item><title><![CDATA[自定义数据集训练SSD-MobileNet模型]]></title><link>https://blog.csdn.net/WSNjiang/article/details/89404603</link><guid>https://blog.csdn.net/WSNjiang/article/details/89404603</guid><author>WSNjiang</author><pubDate>Fri, 19 Apr 2019 17:23:16 +0800</pubDate><description><![CDATA[利用SSD-MobileNet模型训练自己标注的数据集
(ubuntu16.04+caffe+python2.7)]]></description><category></category></item><item><title><![CDATA[ubuntu+anaconda+python3.6 安装labelImg+ notepad++]]></title><link>https://blog.csdn.net/WSNjiang/article/details/83893863</link><guid>https://blog.csdn.net/WSNjiang/article/details/83893863</guid><author>WSNjiang</author><pubDate>Fri, 09 Nov 2018 11:00:14 +0800</pubDate><description><![CDATA[Terminal 输入：
conda create --name=labelImg python=3.6
source activate labelImg
pip install pyqt
pip install labelImg
sudo apt-get install pyqt5-dev-tools

进入网址下载labelImg文件夹
Terminal
进入labelImg文件夹下输入:
m...]]></description><category></category></item><item><title><![CDATA[Tensorflow学习笔记(4)]]></title><link>https://blog.csdn.net/WSNjiang/article/details/83145620</link><guid>https://blog.csdn.net/WSNjiang/article/details/83145620</guid><author>WSNjiang</author><pubDate>Thu, 18 Oct 2018 14:00:37 +0800</pubDate><description><![CDATA[模型票评估：使用验证集来判断。在这个程序的开始设置了初始学习率、学习率衰减率、隐藏层节点数量、迭代轮数等7种不同的参数。在大部分情况下,配置神经网络的这些参数都是需要通过实验来调整的。虽然一个神经网络模型的效果最终是通过测试数据来评判的,但是我们不能直接通过模型在测试数据上的效果来选择参数。使用测试数据来选取参数可能会导致神经网络模型过度拟合测试数据,从而失去对未知数据的预判能力。
因为神经网络的...]]></description><category></category></item></channel></rss>