docker上部署算法除了一些推理框架外，有时候会自己用torch推理加上一些web应用，下面写下自己用的一套方法。Docker+cuda10.1+miniconda3+torch1.7.1docker要求19.03以上才支持cuda1.安装docker，我这里使用的centos7$ sudo yum install -y yum-utils device-mapper-persistent-da

YOLACT： pytorch模型 -> onnx -> tensorflow savedModel模型。pytorch源码需要修改部分代码才能转onnx，其中decode和nms需要用tf自己在实现。下面代码是decode和nms以及转savedModel格式：import timeimport cv2import tensorflow as tfimport numpy as np

看了下CAM（classactivationmapping）相关文章，想着自己搞一下YOLOV5 最后输出的三层head的featuremap可视化，好像有点效果。输出的三张热力图是：第一张:只靠confidence进行featuremap映射第二张:只靠classes概率进行featuremap映射第三张:将confidence*classes进行featuremap映射第一层head效果：第二

看了下CAM（classactivationmapping）相关文章，想着自己搞一下YOLOV5 最后输出的三层head的featuremap可视化，好像有点效果。输出的三张热力图是：第一张:只靠confidence进行featuremap映射第二张:只靠classes概率进行featuremap映射第三张:将confidence*classes进行featuremap映射第一层head效果：第二

看了下CAM（classactivationmapping）相关文章，想着自己搞一下YOLOV5 最后输出的三层head的featuremap可视化，好像有点效果。输出的三张热力图是：第一张:只靠confidence进行featuremap映射第二张:只靠classes概率进行featuremap映射第三张:将confidence*classes进行featuremap映射第一层head效果：第二

贴下原作者github：https://github.com/YuanGongND/psla最近弄了下音频分类的工作，了解了下基本流程。一般都是MFCC/Fbank特征提取后再进行CNN/attention。数据集公共的一般是用FSD50K、audioset居多。我这里是用自己的数据集，需要转换到audioset格式即可。下面说下我对PSLA对面的理解：AudiosetDataset：这个是数据增

仓库地址: https://github.com/rush9838465/CPipe。

看了下CAM（classactivationmapping）相关文章，想着自己搞一下YOLOV5 最后输出的三层head的featuremap可视化，好像有点效果。输出的三张热力图是：第一张:只靠confidence进行featuremap映射第二张:只靠classes概率进行featuremap映射第三张:将confidence*classes进行featuremap映射第一层head效果：第二

从事CV工作也有些时间了，发现有时候会写很多小脚本处理一些琐碎的事，经常会有重复的功能，比如处理数据集，数据增强，excel处理等等。今天心血来潮准备自己定期维护一个这样的小脚本库，会不定期的更新再github上，欢迎大家来参与和纠正。github地址：https://github.com/rush9838465/acv库安装方法：pip install git+https://github.co

区别：batched_nms（）：根据每个类别进行过滤，只对同一种类别进行计算IOU和阈值过滤。nms（）：不区分类别对所有bbox进行过滤。如果有不同类别的bbox重叠的话会导致被过滤掉并不会分开计算。Torchvision.ops.nms()：参数：boxes: Tensor, 预测框scores: Tensor, 预测置信度iou_threshold: float, IOU阈值Torchvi