南极Python
DeepLab系列解读
DeepLab系列解读
发表于
2021-12-03
上一篇
如何在网页上部署深度学习模型?
当训练好你的深度学习模型后，就可以考虑部署了。 今天介绍一种简易的部署方式：使用Flask作为后端，将PyTorch模型部署到网页上。 网络模型使用的是torchvision中集成的densenet121，并且已经在imagenet数据集上进行了预训练，网络的输入是1张图片，输出是这张图片的类别(1 from...
下一篇
ToothSeg项目总结
项目目标是打造一款牙齿分割器，它可以将一张人脸露齿图分割成共3个类别：上牙，下牙以及其他。 采集露齿微笑的图片作为样本，每个人通过摆出不同嘴型来贡献多个样本。在剔除牙齿比较模糊的图片后，总共得到2000+样本，使用labelme进行标定。 将标定好的数据处理成PascalVOC格式。 按照8:2划分训练集和验证集，基于DeepLabV3+搭建baseline. 输入网络的图片是512*512的。 数据增强： 随机翻转 随机旋转 随机模糊 中心随机裁剪 mIoU=0.8638. 修改网络结构：参考fpn的思想，原先的网络只使用了backbone提取的特征图的高层信息和低层信息，我们把中间层的信息也提取出来，自上而下的进行特征融合(插值上采样，求和或拼接)，代码实现在decoder模块中。 mIoU=0.874，有提升。 将交叉熵损失改为Focal Loss，mIoU不升反降，由于调参花费时间会较长，因此不用Focal...
公告
本站内容的最终版本将发布在微信公众号[南极Python]
最新文章
从零开始实现YOLOv3
2025-05-13
从零开始实现YOLOv1
2025-05-13
轻量级大语言模型MiniMind源码解读（一）：如何从头训练tokenizer ?
2025-05-10
LLM指令微调：训练一个人工智能助手-大模型炼丹术(八)
2025-04-10
LLM微调：训练一个垃圾邮件分类器-大模型炼丹术(七)
2025-03-23
