NI-DL 应用框架：图像分类，目标检测，分割提取。
底层：TensorFlow，Keras，Cuda，C/C++
上层：VC++，C#.NET Winform
源码编译，支持本地部署，云部署。
图像分类：点击查看
目标检测：点击查看 （本文）
图像分割：点击查看
识别图中包含的每个物体的位置、名称类别、及可信度。
对于样本图像的缺陷位置进行标记涂抹，进行训练，对新图像就可快速的预测出此图像中所有的缺陷位置。
【示例1】
以下是对累计43张图片（使用高拍仪拍摄的不同颜色的燕尾夹图片），进行燕尾夹的颜色分类标注。
训练参数如下：
预测结果如下：
【示例2】
【示例3】
对太阳能发电板的缺陷查找检测
本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：深度学习-目标检测（物体检测） - Python技术站
本篇博客以及之后的一个系列，我将记录下我是如何从一个没学过信号处理，不懂什么是深度学习，没接触过心电信号的小白，一步步做出基于CNN的心电信号识别分类的过程。网络上关于ECG方面的相关博客内容不多，可以直接运行的相关代码也寥寥无几，这给初学者造成了很大的困难。希望通过自己的总结和整理能够帮助自己更好的理解这些知识和技术，也能够为同为新接触这方面研究的小伙伴们…
bazel安装：https://docs.bazel.build/versions/master/install-ubuntu.html#install-with-installer-ubuntu 安装版本0.15.0 TensorFlow安装：https://tensorflow.google.cn/install/source 安装版本1.9.0
1.1 机器学习的分类 监督学习：线性回归或逻辑回归， 非监督学习：是K-均值聚类， 即在数据点集中找出“聚类”。 另一种常用技术叫做主成分分析（PCA） ， 用于降维， 算法的评估方法也不尽相同。 最常用的方法是将均方根误差（RMSE） 的值降到最小， 这一数值用于评价测试集的预测结果是否准确。 RMSE评价法会在第7章进行更深入的解释。 另一种常用的评估…
1. yolov1的识别原理 参考：https://blog.csdn.net/u010712012/article/details/85116365 https://blog.csdn.net/gbyy42299/article/details/88869766 2. yolov2的识别原理 参考：https://blog.csdn.…
Network In Network 是13年的一篇paper 引用：Lin M, Chen Q, Yan S. Network in network[J]. arXiv preprint arXiv:1312.4400, 2013. 文章的新点： 1. 采用 mlpcon 的结构来代替 traditional 卷积层； 2. remove 卷积神经网…
在 /home/your_name/TensorFlow/DCGAN/ 下新建文件 utils.py，输入如下代码： import scipy.misc import numpy as np # 保存图片函数 def save_images(images, size, path): “”” Save the samples images The best s…
1. python 中 axis 参数直觉解释 网络上的解释很多，有的还带图带箭头．但在高维下是画不出什么箭头的．这里阐述了 axis 参数最简洁的解释．假设我们有矩阵a, 它的shape是(4, 3), 如下： import numpy as np a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11…
上周看到韩松毕业论文，扯出神经网络加速器EIE，刚好这周调研了一下neuFlow，扯出09年的一篇做卷积加速的文章，大牛Lecun Yan的学生做的，一晃眼，快十年了。也记录之。 这一套还没研究透，又被换了方向，只好抽出一个晚饭时间，把看懂的记下来，不懂的暂时不研究了，如果以后再被拎回来搞这个方向再看吧。 1. neuFlow的整体思想： CNP是09年的一…
微信扫一扫 
支付宝扫一扫