1 相关链接 ●官网链接:OrangePi AIpro●官方资料下载（用户手册/工具/github源码/原理图/机械图等）：http://www.orangepi.cn/html/hardWare/computerAndMicrocontrollers/service-and-support/Orange-Pi-AIpro.html●官方镜像下载：Ubuntuhttps://pan.baidu.c

目录前言目标检测近年里程碑深度学习目标检测1 R-CNN简介1.1 何为R-CNN?1.2 摘要2.Fast RCNN网络结构解析2.1 整体结构概览2.2 region proposals ---- selective search2.3 back bone --- AlexNet & vgg2.4 classfication --- SVM2.5 regression3.论文亮点4.

目录1.数据处理工具箱概述2. torch.utils.data简介2.1torch.utils.data.Dataset为抽象类。2.2utils.data.DataLoader2.3 下面介绍一下自定义数据集构成方法`类型1：map-style datasets``类型2：iterable-style datasets`Reference:1.数据处理工具箱概述数据下载和预处理是机器学习、深度

目录1. earlystop1.1简介1.2 如何使用早停法1.2.1、停止标准简介1.2.2、停止标准选择规则1.3 pytorch举例说明2. lr_schedule3. summary可视化4. 接口封装1. earlystop1.1简介当我们训练深度学习神经网络的时候通常希望能获得最好的泛化性能（generalization performance，即可以很好地拟合数据）。但是所有的标准深

（四）模型训练4.1 学习率4.2Batch Normalization4.3 Drop-out4.4 权重初始化4.1 学习率（1）什么是学习率？梯度下降法和反向传播算法中的超参数η就是 学习率，它控制着神经网络权值下降的速度（2）为什么要衰减学习率算法优化前期，学习率较大会加速学习， 但后期会造成较大波动，出现围绕最优值 徘徊而无法收敛的情况，因此随着训练的 进行学习率需要逐渐衰...

目录1.数据处理工具箱概述2. transforms的所有数据增强的api2.1 针对PIL image的处理2.1.1裁剪2.1.2 翻转和旋转2.1.3 图像变换2.1.4 对 transforms 操作，使数据增强更灵活2.2 针对 torch.*Tensor的处理2.2.1 标准化：transforms.Normalize2.2.2 线性变换：transforms.LinearTransf

目录代码参考环境安装docker预备知识过程详述结果预览ref：代码参考baseline使用yolov5相关训练调节笔记参见 链接环境安装注意：本地训练使用的是pytorch == 1.7环境，其他安装包参见require.txtdocker 中的 pytorch==1.4 （这个问题后续会说明）因为官方的yolov5.pt权重是使用torch==1.7以上的，所以使用其他版本torch加载的时候

论文链接：https://arxiv.org/abs/1712.00726代码链接：https://github.com/zhaoweicai/cascade-rcnn目标检测一般是通过　iou (预测proposal与gt　bbox交并比)阈值，来进行正负样本的划分，一般会取0.5，这并不算高。iou阈值越高理论上应该和gt　bbox越接近，但是这样训练会导致检测效果的(检测指标，例如mAP)大

目录前言论文导读R-CNN系列发展1 简介2 Faster R-CNN网络结构2 实验和评估前言论文导读【论文解读】 图像分割 & 目标识别 | Selective Search和python实现| ＜Selective Search for Object Recognition＞【论文解读】深度学习目标检测的开山鼻祖 |R-CNN详解 | 两阶段目标检测代表【论文解读】目标检测的发展之作

赛题描述本质其实就是基本的语义分割问题。基本目的熟悉比赛流程；以前就知道mask rcnn, 这次主要是为了更进一步了解语义分割；后续会熟悉一下阿里的DSW，不会白嫖的参赛者不是好码农；提升一下技能点，增加提分要点秘诀和代码实践能力；基本元素baseline参照阿水大佬提供的FCN改动版本：使用pytorch官方的语义分割模型fcn_resnet50，并且修改最后的classifier，添加自定义