微軟caffe-SSD的訓練和預測（windows cpu）
下載ssd:
cd caffe
git checkout ssd-microsoft
修改CommonSettings.props
在caffe-master\src\caffe下新建3rdparty資料夾，裡面新增hungarian.cpp
在caffe-master\include\caffe下新建3rdparty資料夾，裡面新增hungarian.hpp
下載地址：連結: http://pan.baidu.com/s/1o7MTRIi 密碼: xyye
編譯即可
下載資料
在data\VOC0712下解壓VOC檔案，變成VOC2007和VOC2012兩個資料夾
在caffe根目錄下新建get_image_size
執行bat檔案，生成test_name_size.txt檔案
複製data\VOC0712的create_data.bat到caffe根目錄下，修改如下root_dir，執行bat檔案，在data\VOC0712下生成trainval_lmdb和test_lmdb檔案
下載VGG的weight檔案https://gist.github.com/weiliu89/2ed6e13bfd5b57cf81d6
下載設定好的訓練和測試的prototxt檔案（見上面百度雲地址，且這裡都已經設定好是CPU了，但是要注意下里面的一些檔案路徑與你的路徑是否一致），也可以修改models\VGGNet\VOC0712下的ssd_pascal.py和
在根目錄下新建bat檔案
進行訓練，前面的CNN部分是之間用VGG的權重的。
因為只有CPU，所以訓練了一晚上，迭代了2000次，測試下效果
原來的專案是預測輸出的是
代表的是類 置信得分 座標值
為了在opencv顯示顯示其預測結果和儲存結果，給ssd_detect.cpp新增一些操作（主要是對image type做了處理，video就沒處理了）
預測的效果如下：
置信度閥值取0.3還能識別兩類，因為訓練的太少了，效果不好，所以有GPU的可以迭代個5萬次左右應該就可以得到很好的結果。實驗室太窮，沒GPU只有訓練下意思意思
相關推薦
微軟caffe-SSD的訓練和預測（windows cpu）
下載ssd: cd caffe git checkout ssd-microsoft 修改CommonSettings.props 在caffe-master\src\caffe下新建3rdparty資料夾，裡面新增hungarian.cpp 在caffe-maste
caffe win10 ssd訓練和預測（CPU）
原文連結：http://blog.csdn.net/muwu5635/article/details/60874721 下載ssd: cd caffe git checkout ssd-microsoft 修改CommonSettings.props 在
微軟caffe+mnist訓練及預測
訓練mnist資料集 下載解壓後放入caffe-master\data\mnist 第二步：在caffe-master根目錄下，建立create-mnist.bat,寫入如下指
Xmind8安裝和破解（Windows下）--轉
https://blog.csdn.net/dxiaol/article/details/82350044 下載安裝包 地址：https://www.xmind.cn/xmind8-pro/ 下面說破解的方法 xmind8下載地址：www.xmind.net 安裝前提醒：：xmind
Xmind8安裝和破解（Windows下）
下載安裝包 下面說破解的方法 xmind8下載地址：www.xmind.net 安裝前提醒：：xmind的安裝目錄最好不要有任何空格和中文目錄，為了後面破解配置方便，但是也不是非要這樣。 按照一下方法即可破解使用 1、將破解檔案XMindCrack.jar複製到
zookeeper安裝和使用（Windows環境）
zookeeper一、簡介ZooKeeper是一個分散式的，開放原始碼的分散式應用程式協調服務，是Google的Chubby一個開源的實現，是Hadoop和Hbase的重要元件。它是一個為分散式應用提供一致性服務的軟體，提供的功能包括：配置維護、域名服務、分散式同步、組服務等
你的計算機也可以看懂世界——十分鐘跑起卷積神經網路（Windows+CPU）
眾所周知，如果你想研究Deep Learning，那麼比較常用的配置是Linux+GPU，不過現在很多非計算機專業的同學有時也會想採用Deep Learning方法來完成一些工作，那麼Linux+GPU的環境就有可能會給他們帶來一定困擾，我寫這篇文章就是為了讓這些同學可以不用去裝Linux系統，不用去涉及GP
Windows Caffe 學習筆記（三）在Caffe上訓練和測試自己的資料
本文是學習Caffe官方文件"ImageNet Tutorial"時做的，同樣由於是Windows版本的原因，很多shell指令碼不能直接使用，走了不少彎路，但是收穫也不少。比如：如何讓shell指令
Caffe上用SSD訓練和測試自己的數據
輸出 makefile b數 text play cal 上下 lba san 學習caffe第一天，用SSD上上手。 我的根目錄$caffe_root為/home/gpu/ljy/caffe 一、運行SSD示例代碼 1.到https://github.com
Caffe中檔案引數設定（九-1）：訓練和測試自己的圖片-linux版本
在深度學習的實際應用中，我們經常用到的原始資料是圖片檔案，如jpg,jpeg,png,tif等格式的，而且有可能圖片的大小還不一致。而在caffe中經常使用的資料型別是lmdb或leveldb，因此就產生了這樣的一個問題：如何從原始圖片檔案轉換成caffe中能夠執行的db（l
Caffe上用SSD訓練和測試自己的資料
學習caffe第一天，用SSD上上手。 我的根目錄$caffe_root為/home/gpu/ljy/caffe 一、執行SSD示例程式碼 1.到https://github.com/weiliu89/caffe.git下載caffe-ssd程式碼，是一個caffe資料夾 2.參考已經
TensorFlow學習實踐（三）：使用TFRecord格式資料和tf.estimator API進行模型訓練和預測
本文以mnist為例，介紹如何使用TFRecord格式資料和tf.estimator API進行模型訓練和預測。 參考： 目錄 一、資料輸入 def input_fn(filenames, training): dataset = tf.dat
Redis的安裝和部署（windows ）
數據庫 inux 保持 設置 cli 窗口 mas log height Redis是一個開源的試用ANSI C語言編寫的、遵守BSD協議、支持網絡、可基於內存可持久化的日誌型、key-value數據庫。通常被稱為數據結構服務器. redis的數據類型有：字符串（strin
Tomcat學習—Tomcat的簡介和目錄以及配置文件介紹（Windows環境）
系統 並發 manager htm 輕量級 管理 集群 web.xml 虛擬目錄 今天學習TOMCAT，主要學習的是Tomcat的目錄結構，配置文件！1：Tomcat簡介Tomcat 服務器是一個免費的開放源代碼的Web 應用服務器，屬於輕量級應用服務器，在中小型系統和並發
（Windows環境）Pycharm切換使用Python2和Python3
（Windows環境）Pycharm切換使用Python2和Python3 1.安裝Python3 2.安裝Python2 3.環境變數配置 4.其他設定 4.1python.exe名稱修改 4.2pi
微信小程式小白總結全攻略4-伺服器（windows OS）簡易搭建和相關配置
廢話少敘，切入正題。 作為微信小程式後端的“核心”，伺服器搭建這一步至關重要，而且操作繁雜，需要有耐心而且會查閱，下面將提供一種簡單有效的簡易的微信小程式伺服器從零搭建和相關配置方法。 一、伺服器的購買 同域名一樣，如
用自己的圖片訓練和預測LeNet模型
學習過mnist手寫數字識別的例程之後，想用自己的字元圖片進行訓練和預測。整個過程分為：1、收集影象資料；2、轉換資料格式；3、訓練網路；4、生成均值檔案；5、修改網路模型；6、預測圖片的類別。 1、收集影象資料 由於主要是使用lenet模型訓練自己的圖片資料，我的影象資
Windows Speech SDK5.1的安裝和使用（xp/win7）
由於工作需要，需要文字轉語音功能的支援。由於各種原因限制，所以選擇了使用Windows平臺自帶的語音引擎。 首先使用場景是區域網，無法訪問網際網路。所以通過網路介面提供的服務就被排除了，比如百度的tts服務。 由於應用範圍也很有限，規模小，所以付費的語音引擎也不考慮了。比
Eclipse和PyDev搭建完美Python開發環境（Windows篇）
安裝Python 從網站上下載最新的版本，從http://python.org/download/下載。安裝過程與其他Windows軟體類似。這裡使用python2.7.6 在Windows命令列中使用Python 如果你想要從Windows命令列呼叫Python，那麼需要
Tensorflow訓練和預測中的BN層的坑
以前使用Caffe的時候沒注意這個，現在使用預訓練模型來動手做時遇到了。在slim中的自帶模型中inception, resnet, mobilenet等都自帶BN層，這個坑在《實戰Google深度學習框架》第二版這本書P166裡只是提了一句，沒有做出解答。 書中說訓練時和測試時使用的引數is_tra