【MXNet Gluon】目标检测数据集制作+SSD 模型训练

SSD全称Single Shot Multibox Detector，是一种单阶段目标检测器。其优点是原始的YOLO和Faster R-CNN在推理速度和精度之间取得了更好的平衡。SSD模型是由Wei Liu等人在使用卷积神经网络（CNN）进行目标检测的研究中，提出的一种改进思路。SSD用于图像分类、物体检测和语义分割等各种深度学习任务。相对于其他目标检测算法，SSD模型有更高的精度，而且速度也是非常快的。

1.1.1 网络结构 ssd的基础网络和vgg16是一样的不过全连接层换成了conv6+relu+conv7+relu.其后的层称为extra layer以得到更多不同尺寸的feature map. 并且对网络中conv4_3, conv7,conv8_2,conv9_2,conv10_2,conv11_2这六个layer的feature map再做卷积,得到类别和位置信息. 具体操作为：分别用2组3 x 3的卷积核去做卷积,一个负责预测类别,一个负责预测位置.卷积核的个数分别为boxnum x cl

UTF8-CPP是一个轻量级的C++库，提供了便捷的UTF-8编码和解码功能，帮助开发者在C++项目中轻松处理Unicode字符。本文将分享10个实用的UTF8-CPP最佳实践，让你的Unicode处理代码更高效、更可靠。 ## 1. 正确包含头文件 使用UTF8-CPP的第一步是正确包含头文件。建议直接包含主头文件： ```cpp #include "utf8.h" ``` 这会自动包含

SSD:(单发多框检测（SSD）是一种用于目标检测的深度学习模型。"单发"指的是指单个神经网络在一次前向计算中同时预测多个目标的位置和类别，而"多框"指的是对于每个预测目标位置，它的主要思想是在整个图像上应用多个卷积层来预测不同尺度和长宽比的边界框，并通过非极大值抑制来获得最终的检测结果。SSD的优点是可以在较少的计算量下实现实时目标检测，并且可以检测不同尺度和长宽比的物体。

目标检测定义

步骤理解 下面算一下每一层的像素值计算： 输入：300 * 300 * 3 conv3-64(卷积核的数量)----------------------------------------kernel size:3 stride:1 padding:1 像素：（300 + 2 * 1 – 1 * （3 - 1）- 1 ）/ 1 + 1=300 ---------------------输出尺寸：300 * 300 * 64 参数： （3 * 3 * 3）* 64 =1728 conv3-64--------

本文所使用的数据和模型可在CSDN资源页下载。本文主要对原来的代码进行了整理，方便调用和训练。主要参考了Gluon的SSD例子。

所用的目标检测网络为GluonCV中的ssd_512_resnet50_v1_voc，在此使用预训练模型 openvino安装教程自己百度，我使用的是2019_R3.1版本，mxnet为1.5.1版本，运行设备为Intel Movidius Myriad X VPU 有时候在做边缘计算或者没有强大的GPU支持时候，mxnet以及pytorch，tf等框架的前向传播的实时性是达不到要求的，所以可以...

一、安装 首先安装mxnet（gpu版）： 命令行输入pip install -i https://pypi.doubanio.com/simple/ mxnet-cu100（豆瓣源、速度快） 接着安装gluoncv（gpu版）： 命令行输入pip install --upgrade mxnet-cu100 gluoncv（如果直接安装gluoncv，会从国外源下载mxnet安装包，速度慢到报错…...

这篇博客介绍下我即将出版的第一本书：《MXNet深度学习实战》，欢迎大家多多支持。 为什么写这本书 2018年3月，华章图书的杨老师在博客上联系我，问我是否有出书意向，内容是深度学习框架方面的实战教学。当时的我使用MXNet和PyTorch框架也有一段时间了，虽然说不上精通，但是用起来还算熟悉，再加上我本人一直以来都喜欢和他人交流算法，并且想完善下自己在深度学习框架方面的知识体系，于是经过一段时间...

MXNet 粗糙的使用指南 写于2020年3月24日，最新的CUDA版本为10.2 MXNet简介 MXNet是一个（跟TF与Torch相比特别小众的）多平台神经网络框架。 优点：灵活，多平台，可移植性强。工业界常用框架。 缺点：复杂，难以入门，基本没有教材。只能依靠代码来学习代码。 框架介绍 MXNet现在存在两种界面：symbol与gluon。 Symbol的设计思路与T...

1. 读取原始数据(以voc为例子) 代码分布：gluoncv/data/pascal_voc/detection.py 重点类： VOCDetection - 读取标准的VOC数据集； CustomVOCDetection - 读取自定义VOC数据集，可以从xml文件中获取类名； 输入数据：VOC类型数据文件的存放路径和部分名称参数。 输出数据：采用__item__魔法函数输出 - (图像数据，标签数据) - (H×W×C, N×6) - 其中N为一个图像中标签的个数。 2. 加载数据 代码分布：mx

在深度学习领域，预训练模型和高效工具包已成为提升开发效率的关键。其核心原理在于通过提供经过优化的模型架构与训练流程，将研究人员从繁琐的底层实现中解放出来，专注于业务逻辑与模型调优。这类工具的技术价值在于显著降低了计算机视觉（CV）和自然语言处理（NLP）任务的应用门槛，加速了从研究到生产的转化过程。它们广泛应用于图像分类、目标检测、文本分类、情感分析等多种场景。本文聚焦的GluonCV和GluonNLP，正是MXNet生态中此类工具包的杰出代表，它们集成了丰富的模型动物园（Model Zoo）并支持动态图与

MXNet The Straight Dope是一个交互式深度学习教程项目，专注于使用Apache MXNet框架教授深度学习核心概念和应用。这个项目通过Jupyter笔记本的形式，将理论讲解、数学公式和可运行代码完美结合，为初学者和进阶学习者提供了完整的深度学习学习路径。MXNet框架以其出色的性能和Gluon接口的易用性，成为学习计算机视觉和自然语言处理的理想选择。 ## 🚀 为什么选择M

SSD Single Shot multibox Detection，单发多框检测，这个单发single shot指的是把bounding box的选择（锚框的学习）和图像类别的预测（识别的学习）放在同一步内，用沐神的话说是一个很fancy的方法。 启发最大的就是把锚框也作为了一个学习的过程，不断修正框的大小，BBox Regression把锚框变为更加真实的框，Softmax做num_class...

本文先为大家介绍目前流行的目标检测算法SSD (Single-Shot MultiBox Object Detection)和实验过程中的数据集。训练、测试过程及结果参见《从零开始码一个皮卡丘检测器-CNN目标检测入门教程(下)》 目标检测通俗的来说是为了找到图像或者视频里的所有目标物体。在下面这张图中，两狗一猫的位置，包括它们所属的类（狗／猫），需要...

Yolov-1-TX2上用YOLOv3训练自己数据集的流程(VOC2007-TX2-GPU) Yolov--2--一文全面了解深度学习性能优化加速引擎---TensorRT Yolov--3--TensorRT中yolov3性能优化加速（基于caffe） yolov-5-目标检测：YOLOv2算法原理详解 yolov--8--Tensorflow实现YOLO v3 yolov--9--Y...

import mxnet as mx import numpy as np class FocalLoss(mx.metric.EvalMetric): def __init__(self, num=None): super(FocalLoss, self).__init__('focalloss', num) self.eps = 1e-12 self.gamma = 2 self.alpha = 0.25 def...