Neck

目标检测pytorch报错：RuntimeError: CUDA error: device-side assert triggered

我的任务：目标检测，主干网络采用各类经典轻量化网络如mobilenet、shufflenet、ghostnet，neck部分采用修改后的yoloxneck，在训练前面几个epoch时会突然报如下错误：#
风语者和波波娃·2022-11-26 01:42

目标检测入坑指南4：GoogLeNet神经网络

文章目录一、引言二、网络结构1.Concatenation2.Inceptionv13.1×1卷积4.整体设计三、实例演示四、演变改进一、引言目标检测整体的框架是由backbone、neck
Convolution@·2022-11-25 13:18

YOLO V4 -- 学习笔记

--PULSE_YOLOV4主要创新·输入端创新：Mosaic数据增强、cmBN、SAT自对抗训练·BackBone(CNN)主干网络：CSPDarknet53、Mish激活函数、Dropblock·Neck
DIAJEY·2022-11-25 06:14

以Deformable Detection Transformer为例实现mmdetection中backbone、neck、head的特征可视化

对mmdetection熟练使用后，接下来就要为论文等做准备了，同时如果自己的精度不够好，那么就需要可视化模型提取的特征以便做进一步的修改，以下内容包含mmd的完整可视化流程：步骤一：请确认你的模型是one-stageortwo-stage。请先在目录：mmd2.17\mmdet\models\detectors中查看你所训练的detectors是基于哪个基类来实现的，比如以新出的基于transf
@会飞的毛毛虫·2022-11-25 01:49

yolov5 +cuda10.2 +gpu环境搭建 （详细版本）

主要的改进思路如下所示：输入端：在模型训练阶段，提出了一些改进思路，主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放；基准网络：融合其它检测算法中的一些新思路，主要包括：Focus结构与CSP结构；Neck
池子tt·2022-11-24 18:06

CenterPoint 源码流程解读（二）

2.1voxelize：体素化2.2点云voxel编码方式：PillarFeatureNet（PFN）2.3点云中间编码方式：PointPillarsScatter2.4backbone:SECOND三.Neck
Darchan·2022-11-24 02:03

yolov5源码解析(9)--输出

Backbone:NewCSP-Darknet53Neck:SPPF,NewCSP-PANHead:YOLOv3Head这三个输出层分别就是浅、中、深层啦，浅层特征图分辨率是80乘80，中层是
扫地僧1234·2022-11-23 17:45

『目标检测』YOLO V5(1)：学习笔记

三、Backbone四、Neck五、Head参考链接一、基本知识点积累
libo-coder·2022-11-23 11:01

【目标检测】yolo系列-yolo_v5学习笔记

172121380目录一、Yolov5四种网络模型二、yolo_v5改进点详解1输入端改进1）Mosaic数据增强2）自适应锚框计算3）自适应图片缩放2Backbone的改进点1）Focus结构2）CSP结构3Neck
超级无敌陈大佬的跟班·2022-11-23 11:59

Yolov7-pose 训练body+foot关键点

一、Yolov7介绍：yolov7网络由三个部分组成：input，backbone和head，与yolov5不同的是，将neck层与head层合称为head层，实际上的功能的一样的。
多财多亿,凭亿近人·2022-11-23 02:36

【mmdetection】

MMDetection1.3安装验证2.整体构建流程（一）[^2]2.1摘要2.2目标检测算法抽象流程2.3MMDetection整体构建流程和思想2.3.1训练核心组件2.3.1.1Backbone2.3.1.2Neck2.3.1.3Head2.3.1.4Enhance2.3.1.5BBoxAssigner2.3.1.6BBo
Howie_tzh·2022-11-22 23:26

深度学习笔记------现阶段的目标检测器结构解析（Neck[FPN,PANet,Bi-FPN],Head[rpn,yolo...]）

目录1.概述2.经典Neck的回顾2.1FPN(特征金字塔结构)2.2PANet2.2.1创建了自下而上的路径增强2.2.2AdaptiveFeaturePooling2.3Bi-FPN及FPN的演进ASFF
YOULANSHENGMENG·2022-11-22 19:32

YOLO_v6讲解

三：RepPANNeck四：EfficientDecoupledHead五：Anchor-free无锚范式六：SimOTA七：SIoU八：总结一：创新点YOLOv5/YOLOX使用的Backbone和Neck
江南綿雨·2022-11-22 16:56

目标检测算法的大体框架-------backbone、head、neck

在基于深度学习算法的目标检测算法其实大体上都是由三部分组成的，即backbone、head、neck。整个算法的设计流程基本都是：输入->backbone->neck->head->输出。
北京纯牛奶·2022-11-22 11:22

深度学习backbone、neck、head等术语解释

backbone：主干网络，用来提取特征，常用Resnet、VGG等head：获取网络输出，利用提取特征做出预测neck：放在backbone和head之间，进一步提升特征的多样性及鲁棒性bottleneck
zyb-小波·2022-11-22 11:20

深度学习框架-Backbone汇总

Backbone——Neck——Head1.Backbone：翻译为骨干网络的意思，既然说是主干网络，就代表其是网络的一部分，那么是哪部分呢？
David-Chow·2022-11-22 11:16

YOLOV1至YOLOV4简介

Neck：特征增强模块。Head：检测模块。主要分为一阶段目标检测和两阶段目标检测。mAP简介TP：IoU>0.5的检测框数量（同一个GroundTruth只计算一次）。
Ma lidong·2022-11-22 07:44

Patch-Based 3D Unet for Head and Neck Tumor Segmentation with an Ensemble of Conventional and Dilate

Patch-Based3DUnetforHeadandNeckTumorSegmentationwithanEnsembleofConventionalandDilatedConvolutions总结：普通的3DUnet通过超参数（patchsize、loss、convolution）的调整，创建了五个模型（也就是使用不同超参数的五个3DUnet），将总体训练数据集划分为训练集（121个病例）和验
Never_Jiao·2022-11-21 16:23

目标检测学习--yolo v4

先来论文tricks的截图：Backbones-Neck-Heads的tricks：Activations、bbox回归、数据增强、正则化、归一化、跨域连接的tricks：YOLOv4：1.目标检测器通用框架
胖虎记录学习·2022-11-21 11:16

Auto-Encoders、VAE及实战

特殊点：1.输入和输出的维度一样，保证可以重建；2.中间有个neck，可以升维也可以降维大部分是降维784
daoboker·2022-11-21 10:28

yolox论文研读

DataAugmentation3.AnchorFree与OTA4.End2end5.多种可选配的网络基准模型：Yolov3_sppYolox-Darknet53三.OTA四.总结1.输入端2.Backbone3.Neck4
豆干花生·2022-11-21 06:47

【deepstream部署Yolov6】

yolov6在Backbon、Neck、Head等方面都进行了改进，基于R
hello_dear_you·2022-11-20 15:22

yolov5（6.1）学习历险记

yolov5整体结构可以分成backbone（骨干网），neck（颈部），head（检测头）三个部分，其中在yolov5.yaml配置文件中neck和head写在了一个部分。
旺仔牛奶小饼干·2022-11-20 13:05

YOLO v5算法详解

1、YOLOv5网络结构2、输入端3、Backone网络4、Neck网络5、Head网络1、YOLOv5网络结构图1YOLOv5网络结构图由上图可知，YOLOv5主要由输入端、Backone、Neck以及
普通网友·2022-11-20 11:39

mmdetection2.24.1修改backbone（使用mmcls和timm已有模型）

对更换backbone已经有了比较详细的介绍，特别是较新的版本已经支持mmcls库以及timm库中的现有分类网络，一般直接拿来修改使用即可，但这里最重要的一点就是需要保证修改后的backbone要和后面的neck
落叶_小唱·2022-11-20 09:58

YOLOV5学习笔记（六）——优化网络架构

1.1Focus1.2Conv模块1.3Bottleneck模块1.4C3模块跨尺度连接1.5SPP：空间金字塔池化1.6Concat2更改网络架构2.2小目标2.1轻量化1整体框架分析Backbone作用：特征提取Neck
桦树无泪·2022-11-20 09:26

【项目问答】YOLOv5

介绍一下v5v5的原理可以分为四部分：输入端、backbone、Neck、输出端；输入端：针对小目标的检测，采用了m
Falodr,·2022-11-20 07:08

【YOLOv5】

TensorRT部署落地应有尽有YOLOV5代码解析(更新中)——https://github.com/Laughing-q/yolov5_annotationsyolov5特征图可视化文章目录1Backbone2Neck3Detection
bryant_meng·2022-11-20 07:33

mmlab花朵分类结果展示（1）

花朵102分类结果展示测试DEMO效果测试评估模型效果修改网络参数1.mmcls模型位置2.修改neck3.修改损失函数4.增补图像增强修改配置文件参数数据增强流程可视化展示上一节给大家介绍了如何使用mmlab
有理想的打工人·2022-11-20 02:44

Deeplabcut常见问题汇总

config.yaml文件中的skeleton中一个部位连接了两条线，这里是不能这样简写的，只能一条一条的写，像这样：skeleton：--nose-left_jaw--nose-right_jaw--neck-le
小响尾蛇·2022-11-19 14:56

YOLOv5-v6.0学习笔记

1.1Backbone1.1.1Conv模块1.1.2Focus模块1.1.3CSPDarkNet531.1.3.1CSPNet1.1.3.2Bottleneck模块1.1.3.3C3模块1.1.4SPPF模块1.2Neck1.2.1FPN1.2.2PANet1.3Head2
奔跑的chanchanchan·2022-11-19 08:14

MMLAB学习-MMCLS项目-修改配置文件和可视化

在配置文件中我们也可以修改配置为自己想要的结果修改neck自己重写一个损失函数#仿照其他损失函数导入进来importtorchimporttorch.nnasnnfrom..builderimportLOSSESfrom.utilsimportweighted_loss
dzm1204·2022-11-19 07:24

YOLOv5网络详解

原视频链接YOLOv5网络详解_哔哩哔哩_bilibili网络结构网络结构：Backbone:NewCSP-Darknet53Neck:SPPF,NewCSP-PANHead:YOLOv3Head将Focus
Dragon_0010·2022-11-19 03:25

YOLOv4网络详解

哔哩哔哩_bilibiliYOLOv4:OptimalSpeedandAccuracyofObjectDetection(目标检测得最佳速度和精度)网络结构：Backbone:CSPDarknet53Neck
Dragon_0010·2022-11-19 03:55

yolov5激活函数和损失函数改进

目录漏斗激活（FReLU）box损失函数改为EIOU从输入端、主干特征提取网络（backbone）、特征融合网络（neck）、检测头等四个方面进行改进，从改进的方法包括添加注意力机制、损失函数改进、改变网络结构
AI小丸子·2022-11-16 07:44

行为识别 - Temporal Pyramid Network for Action Recognition

效果如何4.还存在什么问题0.前言相关资料：arxivgithub论文解读论文基本信息领域：行为识别作者单位：港中文&商汤发表时间：CVPR2020一句话介绍：在普通行为识别网络中添加一个类似于FPN的neck
清欢守护者·2022-11-15 13:12

改进YOLOv7系列：首发最新结合Global Context Modeling结构(附YOLOv5改进)，目标检测高效涨点

该教程包含大量的原创首发改进方式,所有文章都是原创首发改进内容降低改进难度,改进点包含最新最全的Backbone部分、Neck部分、Head部分、注意力机制部分、自注意力机制部分等完整教程本篇文章基于基于
芒果汁没有芒果·2022-11-13 10:14

改进YOLOv7系列：YOLOv7_最新MobileOne重参数化结构，苹果最新移动端高效Backbone主干网络模型，超轻量型架构

本博客包含大量的改进方式,降低改进难度,改进点包含【Backbone特征主干】、【Neck特征融合】、【Head检测头】、【注意力机制】、【IoU损失函数】、【NMS】、【Loss计算方式】、【自注意力机制
芒果汁没有芒果·2022-11-12 09:51

目标检测Neck总结

特征金字塔  特征金字塔是目前用于目标检测、语义分割、行为识别等方面比较重要的一个部分，对于提高模型性能具有非常好的表现，因为视觉任务中存在不同尺寸的物体，而cnn特征提取层级化结构的特点，因此需要在不同level层检测不同尺寸大小的物体。特征金字塔具有在不同尺度下有不同分辨率的特点，不同大小的目标都可以在相应的尺度下拥有合适的特征表示，通过融合多尺度信息，在不同尺度下对不同大小的目标进行预测，从
liiiiiiiiiiiiike·2022-11-10 07:12

目标检测算法实现（八）——YOLOV5学习笔记

网络结构图+v5性能对比2.v5的改进和优势2.1输入端2.1.1Mosaic数据增强2.1.2自适应锚框计算2.1.3自适应图片缩放2.2Backbone2.2.1Focus结构2.2.2CSP结构2.3Neck2.4
是刺猬吖·2022-11-08 19:54

改进YOLOv5、YOLOv7系列：首发最新改进一种强大性能的全新架构(顶会2022), 该架构精度超越TPH-YOLOv5, 新范式高效涨点

该教程包含大量的原创首发改进方式,所有文章都是原创首发改进内容降低改进难度,改进点包含最新最全的Backbone部分、Neck部分、Head部分、注意力机制部分、自注意力机制部分等完整教程本篇文章基于基于
芒果汁没有芒果·2022-11-08 19:23

【目标检测】YOLOV5详解

上图即Yolov5的网络结构图，可以看出，还是分为输入端、Backbone、Neck、Prediction四个部分。（1）输入端：Mosa
Aliert·2022-11-08 19:53

YOLOv5的Neck端设计

YOLOv5的Neck端设计在上一篇《YOLOv5的Backbone设计》中，我们从yolov5的backbone配置文件出发，细致讲解了backbone的网络架构及各模块的源码和结构，对骨架网络有了较为全面的初步认知
Marlowee·2022-11-07 21:45

YOLOv5的head详解

YOLOv5的head详解在前两篇文章中我们对YOLO的backbone和neck进行了详尽的解读，如果有小伙伴没看这里贴一下传送门：YOLOv5的Backbone设计YOLOv5的Neck端设计在这篇文章中
Marlowee·2022-11-07 21:45

【毕业设计】交通车辆流量分析系统（目标检测与跟踪） - python opencv 深度学习

文章目录0前言1课题背景2实现效果3DeepSORT车辆跟踪3.1DeepSORT多目标跟踪算法3.2算法流程4YOLOV5算法4.1网络架构图4.2输入端4.3基准网络4.4Neck网络4.5Head
Mr_DC_IT·2022-11-04 09:47

改进YOLOv5系列：18.添加SOCA注意力机制

本项目包含大量的改进方式,降低改进难度,改进点包含【Backbone特征主干】、【Neck特征融合】、【Head检测头】、【注意力机制】、【IoU损失函数】、【NMS】、【Loss计算方式】、【自注意力机制
芒果汁没有芒果·2022-10-31 07:37

改进YOLOv7系列：23.YOLOv7添加CBAM注意力机制

本项目包含大量的改进方式,降低改进难度,改进点包含【Backbone特征主干】、【Neck特征融合】、【Head检测头】、【注意力机制】、【IoU损失函数】、【NMS】、【Loss计算方式】、【自注意力机制
芒果汁没有芒果·2022-10-31 07:37

改进YOLOv7系列： 最新结合用于小目标的新CNN卷积构建块

本项目包含大量的改进方式,降低改进难度,改进点包含【Backbone特征主干】、【Neck特征融合】、【Head检测头】、【注意力机制】、【IoU损失函数】、【NMS】、【Loss计算方式】、【自注意力机制
芒果汁没有芒果·2022-10-31 07:03

yolov5原理

目录1网络结构1.1整体网络结构参考1.2backboneC3结构1.3Neck1.3.1SPPF1.3.2带C3结构的FPN-PAN1.4Head1网络结构1.1整体网络结构参考yolov56.0版本参考
xd_MrCheng·2022-10-30 07:22

道路车流监测（2）：目标检测模型解释

================Mosaic数据增强自适应锚框计算自适应图片缩放基准网络============================================Focus结构CSP结构Neck
dp白·2022-10-28 15:32
上一页 3 4 5 6 7 8 9 10 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他