论文地址：Multi-scale context aggregation with dilated convolutions空洞卷积（Dilated/Atrous Convolution），就是在标准的卷积里面注入空洞，以此来增加感受野的大小。1 原理的介绍1.1 空洞卷积的引入Deep CNN对于某些任务有致命的缺陷。较为明显的为pooling layer (优点：减小特征图尺寸...

截止到目前，目标检测的功能还是yolo模型落地性更强。但大模型也已经全面开花，所以也尝试下使用大模型来完成目标检测的训练，看看其效果如何，看看它在目标检测上有怎样的优势。本次选用qwen2.5-VL，（qwen2.5-VL的简单介绍）一开始使用github上阅读性强的工程训练，总觉得差些意思。于是决定自己手搓个大模型训练推理工程，emm…，预测效果也是差强人意。兜兜转转还是使用个高star的工程，

已经安装过pcl多次，记录下。！！！！一定注意，安装时候，要把anconda的环境变量去掉

这里yolov5的onnx模型的推理，分别在 x64上 和 移动端上运行，前者在自己本地Ubuntu系统上运行，后者在瑞芯微的rk3566上运行。

本文分析了深度学习模型训练过程中的显存占用情况，重点介绍了ZeRO-3优化技术。在训练过程中，显存主要存储模型参数、梯度和优化器状态，其中优化器状态（如Adam优化器的动量、方差等）占用最大。采用混合精度训练时，还需额外存储FP32主参数副本，使得优化器状态总量可达模型参数量的3倍。动态部分包括与batch大小线性相关的激活值和临时梯度缓存。ZeRO-3技术通过将优化器状态、梯度和参数分区存储在多

量化的图片的shape和网络输入如果不一致，这里会自动resize，所以为了保证精度，我们的量化数据集的shape尽量与输入一致。我们需要注意下，对于RK1126相似系列的代码中模型转换时，模型build时，有个预编译参数，仿真时和端侧运行时的设置是不一致且不通用的。这里的buf的设置时，一定保证图片的大小和网络的输入是相同的尺寸。当然在其它芯片上的操作类似，差别会在具体的API的调用上。上图分别

1 SPPNet网络介绍1.1 SPPNet网络处理流程1. 候选框提取：使用算法selective search获取输入图片的候选框，提取约2000个候选区域2. CNN+SPP+FC（与RCNN不同之处）：把整张图片输入到CNN中，一次性提取特征得到feature maps并且在feature map中找到各个候选框的映射区域对候选区域对应的feature map...

论文地址：Multi-scale context aggregation with dilated convolutions空洞卷积（Dilated/Atrous Convolution），就是在标准的卷积里面注入空洞，以此来增加感受野的大小。1 原理的介绍1.1 空洞卷积的引入Deep CNN对于某些任务有致命的缺陷。较为明显的为pooling layer (优点：减小特征图尺寸...

1. BRNET 的环境配置1. 使用anoconda安装虚拟环境conda create -n brnet_env python=3.7 -yconda activate brnet_env2. 安装pytorch和torchvision，这里选择的版本如下：conda install pytorch==1.5.0 cudatoolkit=10.1 torchvision==0.6.0 -c p

写在前面：yolo3的论文介绍的相对简单，主要还是需要阅读实现代码。自己阅读版本链接：https://github.com/YunYang1994/tensorflow-yolov3。 并重新训练了自己的数据，来更好的理解yolo3。yolo3的解读，https://blog.csdn.net/leviopku/article/details/82660381，画出了很清晰的网络结构图。但每个人都