yolo v7 转rknn
yolo v7 转rknn
文本检测之DBNet，DBNet++
一个负责预测概率图（probability map，(w/4)*(h/4)*1），代销为，另一个负责预测阈值图（threshold map，(w/4)*(h/4)*1）。概率图经过阈值图处理，进行二值化后得到二值图（approximate binary map，(w/4)*(h/4)*1）。然后计算
【NLP学习计划】万字吃透NER
NLP系列学习计划，今天研究的是顶会ACL2018的一篇文章，并尝试在相同数据集上自己实现模型，领会STOA的魅力！
Pytorch模型量化
在深度学习中，量化指的是使用更少的bit来存储原本以浮点数存储的tensor，以及使用更少的bit来完成原本以浮点数完成的计算。这么做的好处主要有如下几点：更少的模型体积，接近4倍的减少；可以更快的计算，由于更少的内存访问和更快的int8计算，可以快2~4倍。一个量化后的模型，其部分或者全部的ten
从DDPM到DDIM：深入解读《Denoising Diffusion Implicit Models》
DDIM发表在ICRL2021上，是DDPM重要的改进之一，能显著提高DDPM的样本质量、减少采样时间，并且能显式控制插值，已经被广泛应用到现在的Diffusion Models上。这篇博客和大家一起详细解读一下DDIM，认识这一伟大的模型。.........
深度学习实战 1 YOLOv5结合BiFPN
BiFPN简单介绍，YOLOv5结合BiFPN （concat操作）
深入理解TDNN（Time Delay Neural Network）——兼谈x-vector网络结构
TDNN（Time Delay Neural Network，时延神经网络）是用于处理序列数据的，比如：一段语音、一段文本将TDNN和统计池化（Statistics Pooling）结合起来，正如x-vector的网络结构，可以处理任意长度的序列TDNN出自x-vector出自。
LabelImg标注的YOLO格式txt标签中心坐标和物体边界框长宽的转换
LabelImg标注的YOLO格式txt标签中心坐标和物体边界框长宽的转换
intel的集成显卡（intel(r) uhd graphics） 配置stable diffusion
intel的集成显卡（intel(r) uhd graphics） 配置stable diffusion
paddleocr模型训练
paddleocr的det和rec模型训练
关于跳跃连接 卷积网络
关于跳跃连接 卷积网络
temporal shift module(TSM)
而online模式用于对视频类型的实时预测，在这种情况下，无法预知下一秒的图像，因此只能将channel维度由过去向现在移动，而不能从未来向现在移动。视频中核心是视频动作识别，本质就是视频分类，可以用作特征提取，视频时序提取是输入一段长视频获取其中的时序片段，时空定位是同时获取视频中的人物物体的空间
神经辐射场 3D 重建——NeRF
本文是阅读 ECCV2020 论文 NeRF 后所做的笔记。文章首先对论文中 5D 坐标的理解做出相关图示，然后对“世界-相机-图像”三种坐标系的转换以及常见图像质量评估指标进行简单阐述，接着对 NeRF 的网络结构进行详细解释（包括网络主体流程、体渲染、位置编码、多层级采样、损失函数），最后通过训
五、CNN-LSTM数据驱动模型
CNN-LSTM数据驱动模型6.1 基本原理深度学习是机器学习前沿且热门的理论，而其中的两大框架卷积神经网络（CNN）以及长短期记忆网络（LSTM）是深度学习的代表，CNN能过够通过使用卷积核从样本数据中提取出其潜在的特征，而长短期记忆网络LSTM能够捕捉到长期的成分。近年来两者的结合成为研究的热点
YOLOv8 目标检测 | 自定义数据集
本文介绍了使用用于目标检测的自定义数据训练 YOLOv8 模型。我正在使用来自 kaggle 的 yolo 格式的“Face Mask Dataset”，数据集链接如下：https://www.kaggle.com/datasets/maalialharbi/face-mask-dataset?re
读pytroch使用resnet18网络的代码
读读pytorch中调用resnet18的代码
bert 的输出格式详解
输出是一个元组类型的数据 ，包含四部分，last hidden stateshape是(batch_size, sequence_length, hidden_size)，hidden_size=768,它是模型最后一层输出的隐藏状态pooler_output：shape是(batch_size,
Centernet 生成高斯热图
最近学校阳了，宿舍给封了，宿舍网络不好远程跑不了实验，随缘写一下对CenterNet源码的一个解读，之前写论文的那段时间留下来的工作，respect！这个文章主要是对CenterNet中生成高斯核的部分代码进行解析，具体原理不会细讲，但是本文增加了一个很方便理解的可视化的代码，可以自己拿来跑就行，自
Ubuntu22.04 下安装驱动、CUDA、cudnn以及TensorRT
Ubuntu22.04 下安装 Anaconda3 + python3.10 + cuda11.7 + cudnn8.4.1.5+ opencv4.5.3
Paper Reading - 综述系列 - Hyper-Parameter Optimization（上）
自开发深度神经网络以来，几乎在日常生活的每个方面都给人类提供了比较理性的建议。但是，尽管取得了这一成就，神经网络的设计和训练仍然是具有很大挑战性和不可解释性，同时众多的超参数也着实让人头痛，因此被认为是在炼丹。因此为了降低普通用户的技术门槛，自动超参数优化（HPO）已成为学术界和工业领域的热门话题。
