目标检测中遇到的问题和 docker导出日志

这篇具有很好参考价值的文章主要介绍了目标检测中遇到的问题和 docker导出日志。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

一 docker容器导出日志

导出日志在Linux服务器的本地目录下,可以直接下载

docker logs 容器名称 > log.txt

二 Flask使用main执行

1 改dockerfile 文件内容

#CMD [ "python3", "-m" , "flask", "run", "--host=0.0.0.0"]
CMD [ "python", "./app.py" ]

2 改 app.py 中的内容

from flask import Flask

app = Flask(__name__)

@app.route('/')
def hello():
    return "Hello, World!"

if __name__ == '__main__':
    app.run(host='0.0.0.0')

三 针对加载模型时间过长

将模型在主程序 main 中加载,进行flask交互时,将全局变量直接导入使用模块中,比如提前加载YOLOv5模型。

if __name__ == "__main__":
    os.makedirs("./config/", exist_ok=True)
    config = Config('config/config.json')

    print("加载YOLO模型:")
    # 从本地目录加载自定义的YOLOv5模型
    yolo_model = torch.hub.load('yolov5', 'custom', path='yolov5/best.pt', source='local')
    # 设置置信度阈值
    yolo_model.conf = config.floating_threshold
    app.run(host='0.0.0.0')

四 提取图片中的识别区,将无关部分去除

def adjust_img_size(img, width_ratio=1, height_ratio=0.8, padding_color=(255, 255, 255)):
    """
    获取图片中间长宽各1/2的中间区域,外部全部填充为指定颜色。

    Parameters:
        img (numpy.ndarray or PIL.Image.Image): 输入的图片,可以是numpy数组或PIL图像对象。
        padding_color (tuple): 填充的颜色,格式为 (R, G, B)。
        width_ratio:ratio
        height_ratio:ratio

    Returns:
        numpy.ndarray: 调整后的图片数组。
    """
    # 将输入图片转换为numpy数组
    if isinstance(img, Image.Image):
        img = np.array(img)

    # 获取图片尺寸
    height, width, channels = img.shape

    # 创建填充区域
    padding = np.full((height, width, channels), padding_color, dtype=np.uint8)

    # 计算截取的高度和宽度
    crop_height = int(height * height_ratio)
    crop_width = int(width * width_ratio)

    height_1 = int((height - crop_height)*0.5)
    width_1 = int((width - crop_width) * 0.5)

    # 截取图像
    cropped_image = img[height_1:crop_height + height_1, width_1:crop_width + width_1]

    # 将原始图片放入填充区域的中间
    padding[height_1:crop_height + height_1, width_1:crop_width + width_1] = cropped_image

    return padding

返回图片中固定比例的点文章来源地址https://www.toymoban.com/news/detail-639139.html

def get_point(img, height_ratio, width_ratio):
    """返回图片中的点目标点,用于在图上做标注"""
    # 获取图片尺寸
    height, width, channels = img.shape
    # print('查看形状:', img.shape)

    # 计算截取的高度和宽度
    crop_height = int(height * height_ratio)
    crop_width = int(width * width_ratio)

    height_1 = int((height - crop_height))
    width_1 = int((width - crop_width) * 0.5)

    width_2 = width - width_1
    height_2 = height - int((height - crop_height) * 0.5)
    # print('查看返回值:', width_1, height_1, width_2, height_2)

    return width_1, height_1, width_2, height_2

到了这里,关于目标检测中遇到的问题和 docker导出日志的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 深度学习基础5:交叉熵损失函数、MSE、CTC损失适用于字识别语音等序列问题、Balanced L1 Loss适用于目标检测

    深度学习基础5:交叉熵损失函数、MSE、CTC损失适用于字识别语音等序列问题、Balanced L1 Loss适用于目标检测 在物理学中,“熵”被用来表示热力学系统所呈现的无序程度。香农将这一概念引入信息论领域,提出了“信息熵”概念,通过对数函数来测量信息的不确定性。交叉熵(

    2023年04月18日
    浏览(48)
  • 【深度学习】(四)目标检测——上篇

    上一章介绍了图像分类,这一章来学习一下目标检测上篇。简单来说,需要得到图像中感兴趣目标的类别信息和位置信息,相比于分类问题,难度有所提升,对图像的描述更加具体。在计算机视觉众多的技术领域中,目标检测(Object Detection)也是一项非常基础的任务,图像分

    2024年02月02日
    浏览(41)
  • 【深度学习】(五)目标检测——下篇

    上一章介绍了目标检测上篇,主要为两阶段检测的R-CNN系列。这一章来学习一下目标检测下篇。R-CNN系列算法面临的一个问题,不是端到端的模型,几个构件拼凑在一起组成整个检测系统,操作起来比较复杂。而今天介绍的YOLO算法,操作简便且速度快,效果也不错。YOLO算法是

    2024年02月02日
    浏览(37)
  • halcon脚本-深度学习【目标检测】

    本文讲解使用halcon的目标检测是使用步骤,标注工具不使用halcon提供的标注工具,而是使用各个深度学习框架都使用的labelImg工具,然后使用hde脚本以及python脚本转化为标准的halcon训练及文件 本文涉及数据标注、数据转化、训练、评估、预测几个模块。   首先我是用的是

    2024年02月10日
    浏览(43)
  • 多尺度目标检测【动手学深度学习】

            在上篇博客《锚框【目标检测】》中,我们以输入图像的每个像素为中心,生成多个锚框。基本而言,这些锚框代表了图像不同区域的样本。然而如果以每个像素都生成的锚框,最后可能会得到太多需要计算的锚框。想象一个561×728的输入图像,如果以每个像素为

    2024年02月13日
    浏览(32)
  • 深度学习|目标检测与YOLO算法

    目标检测(object detection)是在给定的图片中精确找到物体所在位置,并标注出物体的类别。物体的尺寸变化范围很大,摆放物体的角度、姿态不确定,而且可以出现在图片任何地方,同时物体也可是多个类别的。 目标检测在多个领域中被广泛使用。例如,在无人驾驶领域,

    2024年02月04日
    浏览(46)
  • 李沐-《动手学深度学习》--02-目标检测

    a . 算法步骤 使用启发式搜索算法来选择锚框(选出多个锚框大小可能不一,需要使用Rol pooling) 使用 预训练 好的模型(去掉分类层)对每个锚框进行特征抽取(如VGG,AlexNet…) 训练一个SVM来对每个类进行分类 训练一个线性回归模型来预测边缘框偏移 b . Rol Pooling ​ 每个锚框

    2024年01月25日
    浏览(41)
  • OpenCV实例(九)基于深度学习的运动目标检测(一)YOLO运动目标检测算法

    2012年,随着深度学习技术的不断突破,开始兴起基于深度学习的目标检测算法的研究浪潮。 2014年,Girshick等人首次采用深度神经网络实现目标检测,设计出R-CNN网络结构,实验结果表明,在检测任务中性能比DPM算法优越。同时,何恺明等人针对卷积神经网络(Convolutional Neura

    2024年02月13日
    浏览(53)
  • 深度学习基础——YOLOv5目标检测

            YOLO系列算法属于基于回归的单阶段目标检测算法,它将定位与分类两个任务整合成一个任务,直接通过CNN网络提取全局信息并预测图片上的目标。给目标检测算法提供了新的解决方案,并且图片检测速度准确率与召回率达到实时检测的要求。其中YOLOv1、YOLO2、YO

    2024年02月22日
    浏览(42)
  • 深度学习中的两阶段目标检测

      博主简介 博主是一名大二学生,主攻人工智能研究。感谢让我们在CSDN相遇,博主致力于在这里分享关于人工智能,c++,Python,爬虫等方面知识的分享。 如果有需要的小伙伴可以关注博主,博主会继续更新的,如果有错误之处,大家可以指正。 专栏简介:   本专栏主要研

    2023年04月16日
    浏览(41)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包