1.SSD 分析(一)
2.Caffe学习(二) —— 下载、码导编译和安装Caffe(源码安装方式)
SSD 分析(一)
研究论文《SSD: Single Shot MultiBox Detector》深入解析了SSD网络的码导训练过程,主要涉及从源码weiliu/caffe出发。码导首先,码导语图源码通过命令行生成网络结构文件train.prototxt、码导test.prototxt以及solver.prototxt,码导执行名为VGG_VOC_SSD_X.sh的码导shell脚本启动训练。
网络结构中,码导前半部分与VGG保持一致,码导随后是码导fc、conv6到conv9五个子卷积网络,码导delphi按键源码它们与conv4网络一起构成6个特征映射,码导不同大小的码导特征图用于生成不同比例的先验框。每个特征映射对应一个子网络,码导生成的码导坐标和分类置信度信息通过concatenation整合,与初始输入数据一起输入到网络的ribbon指标源码最后一层。
特别提到conv4_3层进行了normalization,而前向传播的重点在于处理mbox_loc、mbox_loc_perm、mbox_loc_flat等层,这些层分别负责调整数据维度、河源系统源码重排数据和数据展平,以适应网络计算需求。mbox_priorbox层生成基于输入尺寸的先验框,以及根据特征图尺寸调整的坐标和方差信息。
Concat层将所有特征映射的聊天mtk 源码预测数据连接起来,形成最终的输出。例如,conv4_3_norm层对输入进行归一化,AnnotatedData层从LMDB中获取训练数据,包括预处理过的和对应的标注。源码中,通过内部线程实现按批加载数据并进行预处理,如调整图像尺寸、添加噪声、生成Sample Box和处理GT box坐标。
在MultiBoxLoss层,计算正负例的分类和坐标损失,利用softmax和SmoothL1Loss层来评估预测和真实标签的差异。最终的损失函数综合了所有样本的分类和坐标误差,为网络的训练提供反馈。
Caffe学习(二) —— 下载、编译和安装Caffe(源码安装方式)
采用caffe源码编译安装方式说明
此方法仅适用于编译CPU支持版本的Caffe。推荐通过Git下载以获取更新及查看历史变更。
主机环境配置
系统环境:Ubuntu .
步骤一:安装依赖库与Python 2.7
步骤二:安装CUDA(注意:虽然仅编译CPU版本的Caffe,但安装CUDA时可能会遇到编译错误,需确保环境兼容性)
编译Caffe
步骤一:修改Make.config文件
具体配置说明请参考我的另一篇博客("Hello小崔:caffe(master分支)Makefile.config分析")
步骤二:执行make编译
测试已通过
步骤三:解决编译过程中的错误
错误实例:ImportError: No module named skimage.io
解决方法:执行sudo apt-get install python-skimage
错误实例:ImportError: No module named google.protobuf.internal
解决方法:执行sudo apt-get install python-protobuf
更多错误解决办法,请参阅另一篇博客("Hello小崔:caffe编译报错解决记录")
2024-12-24 09:56
2024-12-24 09:34
2024-12-24 09:31
2024-12-24 08:49
2024-12-24 08:05
2024-12-24 07:34