概要目标检测项目的主要步骤如下：搭建虚拟环境采集图像并打标训练预测模型的保存和转换调优项目部署1. 搭建虚拟环境步骤1： 创建虚拟环境创建文件夹TFODCourse,并在该目录下安装虚拟环境cd TFODCoursepython -m venv tfod步骤2： 激活虚拟环境LInux 环境source tfod/bin/activateWindows环境.\tfod\Scripts\activa

CUDA NMS与Torchvision NMS稍快于以上三种基于pytorch实现的NMS，但比较死板，改动不易。Cluster NMS基本可以取代Fast NMS，且与其他提升精度的方法的有机结合，使它又快又好。(目前作者团队的代码库只提供了得分惩罚法，+中心点距离，加权平均法三种。Matrix NMS也可以参考Cluster NMS的方式先得到一个与Traditional NMS一样的结果后

它们都参考了FCOS的做法，将目标检测中anchor-free的思想，迁移到了实例分割的任务上。网络的具体细节不会展开讲，这里只会说到他们在解决实例分割任务时，在FCOS的整体架构上做了哪一些调整。首先讲到的是CenterMask，把这个放在最前面是因为他的想法非常直接，这个结构可以理解成 FCOS + MaskRCNN 的 mask的分支。我们可以将它和FCOS做一下对比，输入图像通过 FCOS

​知识蒸馏，近年来越来越受到研究界的关注。大型深度神经网络取得了显著的成功，特别是在大规模数据的真实场景中，因为当考虑新数据时，过度参数化提高了泛化性能。然而，由于移动设备的算力和存储受限，在这些设备中部署DNN模型是一个巨大的挑战。为了解决这个问题，Bucilua等人（2006）首次提出了模型压缩，将信息从大模型或集成模型转移到训练的小模型中，并且不会显著导致精度下降。从大模型中学习小模型的方法

框架公司支持硬件特性TensorFlow LiteGoogle 2017Google 2017CPU GPU: android基于OpenGL, IOS基于MetalCore MLApple 2017Google 2017CPU GPU: android基于OpenGL, IOS基于MetaCaffe2Facebook 2017IOS,Android CPUGPU暂无资料，针对具有NEON指令的A

您是否曾经想要一个易于配置的交互环境来运行您的机器学习代码，免费访问图GPU?Google Colab 正是我们要找的。在云上运Jupyter notebooks是一种方便易用的方式，但是免费版本对GPU的使用也做了一定的限制，但不影响我们基本的代码开发使用GPU。通过本博客，可以了解到以下技能:Google Colab 使用免费GPU加速训练使用Google Colab 的扩展包将数据保存到Go

链接：https://www.cnblogs.com/LXP-Never/p/15151578.html

在这篇文章中，我们将展示如何使用一个名为Mask RCNN(基于区域的卷积神经网络)的卷积神经网络模型来进行目标检测和分割。使用mask - rcnn，我们不仅检测对象，我们还获得一个灰度或二进制mask对象。Mask rcnn最初是在2017年11月由facebook的人工智能研究团队使用Python和caffe2推出的。我们将在c++和Python中共享OpenCV代码来加载和使用模型。The

首先准备好一个数据集文件，这里以mydata文件夹存放图片数据， 实现自定义DataSet这里以一个玩具MyModle.py。

在这篇文字中，将介绍如何使用TF Lite模型创建库创建TensorFlow Lite模型。我们将在自定义数据集上微调一个预训练的图像分类模型，并进一步探索Tensorflow Lite支持的不同类型的模型优化技术，并将其导出到TF Lite模型。将创建的TF Lite模型与通过Tensorflow Lite 转换的模型进行详细的性能比较，最后将模型部署到web应用中。1. TensorFlow