det专题

人脸识别之bbox【det_10g】-ncnn(c++)

模型描述 det_10g是insightface 人脸框图和人脸关键点的分类，最终能够得到人脸框图bbox，分值还有人脸五官（眼x2、鼻子x1、嘴巴x2）由于我这里没有采用最终结果，通过onnx转换为ncnn，所以后面的步骤结果丢弃了，具体可以看另外一篇博文：模型onnx转ncnn小记-CSDN博客输入处理在python的时候输入和ncnn（c++）入参还是有些区别由于模型的

YOLOv9如何提高检测精度（NEU-DET为案列）

💡💡💡本文改进内容：通过各个YOLOv9魔术师专栏改进点提升原始网络检测精度，目前跑完的实验有： 1）超轻量高效动态上采样DySample 2）基于 Haar 小波的下采样（HWD） YOLOv9魔术师专栏 ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️ ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️ 包含注意力机制魔改、卷积魔改、检测

PaddleOCR识别框架解读[04] 文本检测det模型构建

文章目录 det_mv3_db.ymlbuild_model函数base_model类 build_backbone函数MobileNetV3 build_neck函数build_head函数 det_mv3_db.yml Global:use_gpu: trueuse_xpu: falseepoch_num: 1200log_smooth_window: 20print_ba

一种基于YOLO改进的高效且轻量级的表面缺陷检测网络， NEU-DET和GC10-DET涨点明显

💡💡💡本文摘要：一种基于YOLO改进的高效且轻量级的表面缺陷检测，在NEU-DET和GC10-DET任务中涨点明显目录 1.轻量且高效的YOLO 1.1 SCRB介绍 1.1.1 ScConv介绍 1.2 GSConvns 1.3 od_mobilenetv2_050 1.4 对应yaml 2.实验结果 3.源码获取 1.轻量且高效的YOLO 轻量

【2024 目标检测】CascadeV-Det：探究基于点的 3D 目标检测中心点定位的对模型精度影响

【2024 目标检测】CascadeV-Det：探究基于点的 3D 目标检测中心点定位的对模型精度影响摘要：观察：方法：Instance-Aware Voting：Cascade Positive Assignment：实验结果：来源：Arxiv 2024 机构：北京理工大学论文题目：CascadeV-Det: Cascade Point Voting for 3D Ob

det_keypoint_unite的C++部署（jetson）

文章目录环境准备硬件软件 trt参数配置CMakeLists.txt编译和运行运行结果环境准备硬件 Jetson AGX Orin 64GB 软件 gcc/g++ >= 5.4(推荐8.2)cmake >= 3.10.0jetpack >= 4.6.1 如果需要集成Paddle Inference后端，在Paddle Inference预编译库页面根据开发环境选择

基于det_keypoint_unite的ROS功能包（jetson部署）

文章目录硬件软件FastDeploy编译CMakeLists.txt头文件源代码硬件 Jetson AGX Orin 64GB 软件 gcc/g++ >= 5.4(推荐8.2)cmake >= 3.10.0jetpack >= 4.6.1opencv=4.2.0 FastDeploy编译 git clone https://github.com/PaddlePadd

手把手教程：RT-DETR如何训练自己的数据集 | NEU-DET钢材缺陷检测

🚀🚀🚀本文内容：1）RT-DETR原理介绍；2）RT-DETR如何训练自己的数据集 🚀🚀🚀RT-DETR改进创新专栏：http://t.csdnimg.cn/vuQTz 学姐带你学习YOLOv8，从入门到创新，轻轻松松搞定科研； RT-DETR模型创新优化，涨点技巧分享，科研小助手；目录 1.RT-DETR介绍 2.如何训练 RT-DETR模型 2.1数据

PP-OCRv4-server-det模型训练

PP-OCRv4-server-det项目地址https://aistudio.baidu.com/projectdetail/paddlex/6792800 1、数据校验 2、模型训练 3、评估测试 4、模型部署

python 绘制声纹识别DET曲线

import matplotlib.pyplot as pltfrom sklearn.metrics import roc_curvefrom scipy.stats import normimport numpy as npdef plot_DET_curve():# 设置刻度范围pmiss_min = 0.001pmiss_max = 0.6 pfa_min = 0.001pfa_m

NeurIPS 2023 | MQ-Det: 首个支持多模态查询的开放世界目标检测大模型

目前的开放世界目标检测模型大多遵循文本查询的模式，即利用类别文本描述在目标图像中查询潜在目标。然而，这种方式往往会面临“广而不精”的问题。一图胜千言，为此，作者提出了基于多模态查询的目标检测（MQ-Det），以及首个同时支持文本描述和视觉示例查询的开放世界检测大模型。MQ-Det在已有基于文本查询的检测大模型基础上，加入了视觉示例查询功能。通过引入即插即用的门控感知结构，以及以视觉为条件的掩码语言