深度學習理論——批量測試自己的圖片
大家猴！
這篇是針對我自己實驗室的一個硬體配置情況的一個教程，其他人看的話可能不太符合。
批量測試首先需要的是st_ssd中的ssd_detect_image.py。點開以後發現要配置的地址資訊為
1. labelmap_file：需要把裡面修改成自己的標籤種類資訊
2. model_def：放置deploy檔案
3. model_weights：放置訓練好的caffemodel
4. src_image_dir：放置需要批量測試的圖片
5.dst_image_dir：放置測試後儲存的圖片
需要注意的是同時需要在labelmap的地址那裡放上test_name_size.txt，裡面含有所有圖片的名字和尺寸資訊，需要提前生成一下。
謹防忘記，我們下期見！
相關推薦
深度學習理論——批量測試自己的圖片
大家猴！ 這篇是針對我自己實驗室的一個硬體配置情況的一個教程，其他人看的話可能不太符合。 批量測試首先需要的是st_ssd中的ssd_detect_image.py。點開以後發現要配置的地址資訊為 1. labelmap_file：需要把裡面修改成自己的標籤種類資訊
深度學習框架Caffe學習筆記(6)-測試自己的手寫數字圖片
在之前的實驗中我們使用過 $ ./build/tools/caffe.bin test \ -model examples/mnist/lenet_train_test.prototxt \ -weights examples/mnist/lenet_it
深度學習之批量圖片資料增強
在之前的文章中，分別對資料增強的方法以及庫函式進行了介紹，本文將結合實際應用進行批量圖片的資料增強。 背景：專案採集的是灰度圖，原資料只有不到20張圖片，因此，選擇資料增強的方法，通過不同變換方法的組合，實現資料增加的百張以上，這樣才可以放入深度學習模型進行訓練（利用遷移學習）。 話不多
深度學習入門專案完整流程——圖片製作資料集、訓練網路、測試準確率（TensorFlow+keras）
首先將訓練的圖片和標籤製作成資料集，我用的是numpy庫裡的savez函式，可以將numpy陣列儲存為.npz檔案（無壓縮，所以檔案較大）。 import cv2 as cv import numpy as np import os import glob #調整影象的大小、製作資
深度學習理論
lan file sta IT 深度 hub target eth pub https://stats385.github.io/readings https://www.nari.ee.ethz.ch/commth//pubs/files/deep-2016.pdf深度
快速入門——深度學習理論解析與實戰應用
1. 前言 說實話，我也是一個美劇迷，特別是一些燒腦的美劇，更是一追再追。前端時間，《西部世界》第二季也完結了。我一鼓作氣，看完之後，大呼過癮，深深地被其中栩栩如生的人工智慧機器人所吸引。不禁感嘆：現實世界真的會出現這樣厲害的人工智慧嗎？ 這雖然是一個看似
深度學習（tensorflow） —— 自己資料集讀取opencv
先來看一下我們的目錄： dataset1 和creat_dataset.py 屬於同一目錄 mergeImg1 和mergeImg2 為Dataset1的兩子目錄（兩類為例子）目錄中儲存影象等檔案 核心檔案creat_dataset.py 檔案如下#來生成訓練集和測試集的矩陣 im
深度學習（tensorflow） —— 自己數據集讀取opencv
spa 屬於 有效 測試 大小 打開文件 需要 深度學習 ray 先來看一下我們的目錄： dataset1 和creat_dataset.py 屬於同一目錄 mergeImg1 和mergeImg2 為Dataset1的兩子目錄（兩類為例子）目錄中存儲圖像等
mxnet深度學習實戰：跑自己的資料實驗和一些問題總結
用mxnet跑自己的資料 0 程式碼編譯 git clone https://github.com/dmlc/mxnet.git git clone https://github.com/dmlc/mshadow.git git clone https://gi
深度學習(訓練/開發/測試集)的劃分技巧
github部落格傳送門 部落格園傳送門 小資料量時代(100 - 1000 - 10000條左右): 一. 70%訓練集 , 30%測試集 二. 60%訓練集 , 20%交叉驗證集 , 20%測試集 大資料量時代(1000000條左右或更多): 一. 98%訓練集 ,
深度學習理論基礎7-初識神經網路
為了有種儀式感。我給出了神經網路的抽象表示。各層的名字圖上已經給的很清楚了。圖上沒有體現到的知識是，中間層也叫隱藏層。因為這個模型只有2層有權重，所以通常被叫做'2層網路'。 讓我們回到感知機。下面是感知機的數學公式表示： 還是原來的配方，還是原來的味道。接著給你感知機的影象表示
深度學習理論基礎6-多層感知機
廢話不多說，人生甜短，讓我們立即開始多層感知機的學習吧。為了迴圈漸進的理解多層感知機，我們有必要再把閘電路拿出來把玩一番。 這些是閘電路的符號表示，我們馬上就用。你隨便記3秒鐘就好。 吼吼，你是不是在想，難道這就是異或門？沒錯哦。這就是。不信你可以捋一下。 是不是經過翻過來調
深度學習理論基礎1-Numpy
夜夢，語文老師勒令我寫一篇《深度學習入門：基於Python的理論與實現》讀後感。我不敢懈怠，立即翻出我的膝上型電腦，開始寫作文。。。。 --------Numpy-------- 簡介： ---->是一個Python第三方模組 ---->處理陣列，矩陣，多維陣列十分便捷
深度學習理論基礎5-感知機的侷限性
--------------異或門------------- 異或門的文字描述：僅當輸入中的一方為1時，才會輸出1。 現在請閉上眼睛想2兩個星期，怎麼用上節提到的感知機實現異或門呢？ 。。。 嗯，相信你在思考的這段時間裡已經嘗試了很多組合。但依然沒有靠譜的引數可用，實際上上文的
深度學習理論基礎4-簡單邏輯電路的感知機實現
接下來我們小試牛刀，為感知機設定權重及閥值，實現一些簡單的邏輯電路。 ----------------------------------------------------與門--------------------------------------------------
深度學習理論基礎3-什麼是感知機？
感知機的文字描述： ---->感知機接收多個輸入訊號，輸出一個訊號。 ---->感知機的訊號只有01兩種取值。 感知機的影象描述： ---->輸入：x1,x2 ----&g
PyTorch(三)——使用訓練好的模型測試自己圖片
PyTorch的學習和使用（三） 在上一篇文章中實現瞭如何增加一個自定義的Loss，以Siamese network為例。現在實現使用訓練好的該網路對自己手寫的數字圖片進行測試。 首先需要對訓練時的權
淺入淺出深度學習理論實踐
全文共9284個字，40張圖，預計閱讀時間30分鐘。前言之前在知乎上看到這麼一個問題：在實際業務
使用深度學習網路SSD識別自己定義的物體
最近在做一些使用深度學習網路SSD（single shot multibox detector）的Caffe版本進行物體識別的工作。具體的實現效果如下圖所示： 解釋一下其中的代號： （1）poc(pocky,百奇餅乾) （2）sti(stick,棉籤)
深度學習caffe平臺--製作自己.lmdb格式資料集及分類標籤檔案
caffe對於訓練資料格式，支援：lmdb、h5py……，其中lmdb資料格式常用於單標籤資料，像分類等，經常使用lmdb的資料格式。對於迴歸等問題，或者多標籤資料，一般使用h5py資料的格式。當然好像還有其它格式的資料可用，本文就主要針對lmdb資料格式的製作方法，進行簡