深度学习模型部署tricks
- 数据增强 数据增强的方式有很多，比如随机裁剪、随机旋转、随机翻转、随机亮度、随机对比度、随机饱和度、随机色相、mixUp、CutOut、CutMix。
- 模型压缩 模型压缩的方式有很多，比如剪枝、量化、蒸馏等。这些模型压缩的方式都可以有效地提升模型的运行速度，从而提升模型的性能。
- 模型量化 模型量化的方式有很多，比如量化训练、量化推理等。这些模型量化的方式都可以有效地提升模型的运行速度，从而提升模型的性能。
- backbone backbone选择的方式有很多，比如ResNet、MobileNet、EfficientNet等。这些backbone选择的方式都可以有效地提升模型的性能。
- Neck neck选择的方式有很多，比如FPN、PANet、BiFPN等。这些neck选择的方式都可以有效地提升模型的性能。
- Head head选择的方式有很多，比如FCOS、Faster-RCNN、YOLO等。这些head选择的方式都可以有效地提升模型的性能。
- Loss loss选择的方式有很多，比如Focal Loss、GHM Loss、IoU Loss等。这些loss选择的方式都可以有效地提升模型的性能。
- 优化器 优化器选择的方式有很多，比如SGD、Adam、RMSprop等。这些优化器选择的方式都可以有效地提升模型的性能。
- 训练 训练的方式有很多，比如分布式训练、混合精度训练等。这些训练的方式都可以有效地提升模型的性能。
- 验证 验证的方式有很多，比如mAP、F1-Score等。这些验证的方式都可以有效地提升模型的性能。
- 测试 测试的方式有很多，比如NMS、Soft-NMS等。这些测试的方式都可以有效地提升模型的性能。
- 部署 部署的方式有很多，比如TensorRT、OpenVINO等。这些部署的方式都可以有效地提升模型的性能。
def cross_entropy(Y, P): """Cross-Entropy loss function. 以向量化的方式实现交叉熵函数 Y and P are lists of labels and estimations returns the float corresponding to their cross-entropy. """ Y = np.float_(Y) P = np.float_(P) return -np.sum(Y * np.log(P) + (1 - Y) * np.log(1 - P)) / len(Y)
BYTE将高分框和低分框分开处理，利用低分检测框和跟踪轨迹之间的相似性，从低分框中挖掘出真正的物体，过滤掉背景。整个流程如下图所示：
（1）BYTE会将每个检测框根据得分分成两类，高分框和低分框，总共进行两次匹配。
（2）第一次使用高分框和之前的跟踪轨迹进行匹配。
（3）第二次使用低分框和第一次没有匹配上高分框的跟踪轨迹（例如在当前帧受到严重遮挡导致得分下降的物体）进行匹配。
（4）对于没有匹配上跟踪轨迹，得分又足够高的检测框，我们对其新建一个跟踪轨迹。对于没有匹配上检测框的跟踪轨迹，我们会保留30帧，在其再次出现时再进行匹配。
我们认为，BYTE能work的原因是遮挡往往伴随着检测得分由高到低的缓慢降低：被遮挡物体在被遮挡之前是可视物体，检测分数较高，建立轨迹；当物体被遮挡时，通过检测框与轨迹的位置重合度就能把遮挡的物体从低分框中挖掘出来，保持轨迹的连贯性。
github 连接失败处理： ssh -vT git@github.com ssh-agent bash ssh-add /root/.ssh/id_rsa_github test git
-
感知技术：感知技术是自动驾驶的基础，通过使用各种传感器（如雷达、摄像头、激光雷达等）来感知周围环境，包括道路、车辆、行人、交通标志等。感知技术通过数据处理和算法分析，生成车辆周围环境的数字化表示，为自动驾驶做出决策提供有关环境信息。
-
决策与规划技术：决策与规划技术是基于感知结果，根据道路交通规则和行驶策略，决定车辆的行驶路径、时机和速度等。这项技术需要通过算法来解决车辆的路径规划、交通流预测、障碍物避让等问题，确保自动驾驶车辆能够在复杂的交通环境中安全行驶。
-
控制与执行技术：控制与执行技术是将决策结果转化为具体的车辆控制动作的过程。通过电子控制单元（ECU）和执行器，控制车辆的加速、制动、转向等行驶动作。这项技术需要实现精确而灵敏的车辆控制，确保自动驾驶车辆按照决策结果进行准确的行驶操作。
-
定位与地图技术：定位与地图技术是自动驾驶车辆在行驶过程中准确感知自身位置和环境的关键。通过使用全球定位系统（GPS）以及地图数据，结合传感器数据，提供车辆在地图上的准确位置信息。这项技术可以帮助自动驾驶车辆实现精确定位和地图匹配，为决策和规划提供更准确的参考。
-
人机交互与安全技术：自动驾驶车辆需要与乘客进行有效的交互，确保乘客的安全与舒适。人机交互技术包括智能语音识别、手势识别等交互方式，让乘客可以与自动驾驶系统进行沟通和指令传达。安全技术包括实时监控和故障检测，通过传感器和算法监测车辆状态、传感器性能以及系统运行，及时响应异常情况，保障车辆和乘客的安全。