睿智的目标检测35—Pytorch搭建Retinaface人脸检测与关键点定位平台学习前言什么是Retinaface人脸检测算法源码下载Retinaface实现思路一、预测部分1、主干网络介绍2、FPN特征金字塔3、SSH进一步加强特征提取4、从特征获取预测结果5、预测结果的解码6、在原图上进行绘制二、训练部分1、真实框的处理2、利用处理完的真实框与对应图片的预测结果计算loss训练自己的Reti

神经网络学习小记录42——windows下的tensorflow-gpu=1.13.2环境配置学习前言环境内容Anaconda安装下载Cudnn和CUDA配置tensorflow环境安装VSCODE学习前言好多人问环境怎么配置，还是出个教程吧。环境内容tensorflow-gpu：1.13.2keras：2.1.5numpy：1.17.4Anaconda安装取网上搜索Anacon...

机器学习好伙伴之scikit-learn的使用——常用模型及其方法1、模型的常用方法2、sklearn中机器学习模型的实现2.1、线性回归2.2、逻辑回归2.3、朴素贝叶斯2.4、决策树2.5、随机森林2.6、SVM(支持向量机）2.7、KNN（K-近邻算法）2.8、adaboostsklearn中还存在许多不同的机器学习模型可以直接调用，相比于自己撰写代码，直接使用sklearn的模型可以大大.

睿智的目标检测20——利用mAP计算目标检测精确度学习前言GITHUB代码下载知识储备1、IOU的概念2、TP TN FP FN的概念3、precision（精确度）和recall（召回率）4、概念举例5、单个指标的局限性什么是AP绘制mAP学习前言好多人都想算一下目标检测的精确度，mAP的概念虽然不好理解，但是理解了就很懂。GITHUB代码下载这个是用来绘制mAP曲线的。https:...

睿智的目标检测53——Pytorch搭建YoloX目标检测平台学习前言源码下载YoloX改进的部分（不完全）YoloX实现思路一、整体结构解析二、网络结构解析1、主干网络CSPDarknet介绍2、构建FPN特征金字塔进行加强特征提取3、利用Yolo Head获得预测结果三、预测结果的解码1、获得预测框与得分2、得分筛选与非极大抑制四、训练部分1、计算loss所需内容2、正样本特征点的必要条件3、

哈哈哈！我再来一次数据增强！MixUp数据增强方法在最新的几个Yolo算法中得到了广泛的应用，特别在YoloX中，s、m、l、x四个型号的网络都使用了MixUp数据增强。nano和tiny由于模型的拟合能力一般没有使用MixUp，但也说明了MixUp具有强大的数据增强能力。MixUp的思路较为简单，主要是将两张图像按比例进行混合，如图所示：图片混合完成后，原来两幅图片的真实框此时也位于一幅图像上。

AB哥弄了个YoloV7，我觉得有必要跟进看看，它的concat结构还是第一次见，感觉有点意思。https://github.com/bubbliiiing/yolov7-pytorch1、主干部分：使用了创新的多分支堆叠结构进行特征提取，相比以前的Yolo，模型的跳连接结构更加的密集。使用了创新的下采样结构，使用Maxpooling和步长为2x2的特征并行进行提取与压缩。2、加强特征提取部分：同

睿智的目标检测51——Pytorch 利用Retinaface+Facenet搭建人脸识别平台学习前言什么是Retinface和Facenet1、Retinface2、Facenet整体实现代码实现流程一、数据库的初始化二、检测图片的处理1、人脸的截取与对齐2、利用Facenet对矫正后的人脸进行编码3、将实时图片中的人脸特征与数据库中的进行比对4、图片绘制使用Retinaface+Facenet

睿智的目标检测18——Keras搭建FasterRCNN目标检测平台学习前言什么是FasterRCNN目标检测算法源码下载Faster-RCNN实现思路一、预测部分1、主干网络介绍2、从特征获取预测结果3、预测结果的解码4、在原图上进行绘制二、训练部分1、真实框的处理2、利用处理完的真实框与对应图片的预测结果计算loss训练自己的Retinanet模型学习前言最近对实例分割感兴趣了，不过实例分..

神经网络学习小记录48——windows下的torch=1.2.0环境配置学习前言环境内容Anaconda安装下载Cudnn和CUDA配置torch环境安装VSCODE学习前言好多人问环境怎么配置，还是出个教程吧。环境内容torch：1.2.0torchvision：0.4.0Anaconda安装最新版本的Anaconda没有VSCODE，如果大家为了安装VSCODE方便可以直接安装旧版的Anac