我們在深度學習研究的過程中，需要對乙個新模型做快速的搭建、配置、除錯、訓練、改寫等步驟，最後才能評估模型的效果，是否可以用於我們的當前的研究和業務的開展。
資料集製作：一般我們會從資料側拿到json格式的原生檔案，我們需要對資料集進行格式轉換，比如json -> voc；voc -> darkent等等。我們還需要對資料進行清洗，排查髒資料問題等。
模型配置檔案的補充和修改：讓模型的配置條件滿足我們想要實現的網路、訓練引數設定、訓練模式等。
進行訓練、除錯：在完成了上面的兩個步驟後，我們可以初嘗試訓練模型了，可以通過邊訓邊除錯的邏輯，補上之前遺漏的bug，打通訓練流程。
訓練、測試：在這個階段，我們進行長時間的模型訓練，然後進行模型的效果測試，為我們對模型選擇提供反饋。
目標檢測與分類
目標檢測的一般思路是 1.獲取含有大量冗餘特徵的集合 2.利用機器學習的方法從特徵集合中找出能夠反映目標物體特性的特徵 3.利用找到的特徵構造分類器，實現目標檢測 當前通用目標檢測領域所使用的特徵主要可以分為兩類。1.通過劃分或變換得到的特徵，如使用最廣泛的haar like特徵。這類特徵的主要特點...
分類 分割 檢測基礎
alexnet 7 7卷積 vggnet 用3個3 3的卷積核代替1個7 7的卷積核，兩種卷積核的感受也大小完全相同，但是vgg中的3個3 3的卷積核所包含的引數個數是3 3 3 c1 c2 7 7的卷積核所包含的引數個數是 7 7 c1 c2，則vgg中卷積網路所包含的引數個數會比alextnet...
目標分割 目標識別 目標檢測和目標跟蹤的區別
粗略理解 典型的技術路線是 目標分割 目標檢測 目標識別 目標跟蹤 ot與od到底啥區別 最大的區別我覺得ot只給了第一幀的gt基於od的目標跟蹤演算法計算非常昂貴，需要對每幀畫面進行檢測，才能得到目標的運動軌跡。而且，只能追蹤已知的目標，因為目標檢測演算法就只能實現已知類別的定位識別。因此，od要...