当前位置： 首页 > news >正文

搭建网站服务器多少钱网站在建设中是什么意思

news 2025/10/18 13:34:08
搭建网站服务器多少钱,网站在建设中是什么意思,海城网站制作建设,怎么做提卡网站目录 1.efficientNet 网络 2. 猫和老鼠 3. QT推理 4. 项目 1.efficientNet 网络 本章做了一个视频内容识别的系统 本文选用的模型是efficientNet b0版本 EfficientNet 是 Google 团队在 2019 年提出的一系列高效卷积神经网络模型，其核心思想是通过复合缩放&…

目录

1.efficientNet 网络

2. 猫和老鼠

3. QT推理

4. 项目

1.efficientNet 网络

本章做了一个视频内容识别的系统

本文选用的模型是efficientNet b0版本

EfficientNet 是 Google 团队在 2019 年提出的一系列高效卷积神经网络模型，其核心思想是通过复合缩放（Compound Scaling）方法平衡网络的深度（depth）、宽度（width）和分辨率（resolution），从而在计算资源受限的条件下实现更高的性能。EfficientNet-B0 是该系列的基础模型，后续版本（B1-B7）基于 B0 进行缩放。

EfficientNet-B0 的核心设计

1. 基础架构：MobileNet-like + 优化

EfficientNet-B0 的骨干网络基于反向残差块（MBConv，Mobile Inverted Bottleneck），类似 MobileNetV2，但通过神经架构搜索（NAS）优化了层结构和连接方式。主要特点包括：

  • MBConv 模块：包含扩展（expansion）、深度可分离卷积（depthwise convolution）和压缩（squeeze-and-excitation）操作。

    • 扩展层：先用 1x1 卷积扩展通道数（通常扩展比为 6）。

    • 深度可分离卷积：3x3 或 5x5 的逐通道卷积，减少计算量。

    • SE 注意力机制：压缩激励（Squeeze-and-Excitation）模块动态调整通道权重。

    • 残差连接：当输入输出维度相同时引入。

2. 复合缩放（Compound Scaling）

EfficientNet 提出统一的缩放规则，同时调整三个维度：

  • 深度（d）：网络层数，通过重复堆叠 MBConv 实现。

  • 宽度（w）：每层的通道数。

  • 分辨率（r）：输入图像的分辨率（如 224x224 → 更高分辨率）。

缩放公式：

depth:d=αϕ,width:w=βϕ,resolution:r=γϕ

其中 α,β,γα,β,γ 是通过网格搜索确定的基础缩放系数（B0 的 ϕ=1）。

EfficientNet-B0 的具体结构

以下是 B0 的详细层结构（输入分辨率 224x224）：

Stage

Operator

Resolution

Channels

Layers

1

Conv3x3

224x224

32

1

2

MBConv1 (k3x3, stride1)

112x112

16

1

3

MBConv6 (k3x3, stride2)

112x112

24

2

4

MBConv6 (k5x5, stride2)

56x56

40

2

5

MBConv6 (k3x3, stride2)

28x28

80

3

6

MBConv6 (k5x5, stride1)

14x14

112

3

7

MBConv6 (k5x5, stride2)

14x14

192

4

8

MBConv6 (k3x3, stride1)

7x7

320

1

9

Conv1x1 + Pooling + FC

7x7

1280

1

  • k：卷积核大小，stride：步长，MBConv6：扩展比为 6 的 MBConv 模块。

  • 最后一层使用 1x1 卷积升维到 1280 通道，接全局平均池化和全连接分类层。

关键创新点

  1. MBConv + SE 模块：

    • 深度可分离卷积减少计算量。

    • SE 模块（通道注意力）提升特征表达能力。

  2. 复合缩放：

    • 平衡深度、宽度、分辨率，避免单一维度的过度缩放导致性能饱和。

  3. 神经架构搜索（NAS）：

    • 基于 AutoML 搜索最优的基础结构（B0），再通过缩放得到 B1-B7。

性能对比

  • 参数量：B0 仅 5.3M 参数，比 ResNet-50（25.5M）少 5 倍。

  • 准确率：在 ImageNet 上达到 77.1% top-1 准确率（ResNet-50 为 76%），FLOPs 仅 0.39B。

应用场景

  • 移动端/边缘设备：因低计算开销和高效率。

  • 迁移学习：作为特征提取器用于下游任务（如检测、分割）。

代码实现（PyTorch 示例）

import torch
from efficientnet_pytorch import EfficientNetmodel = EfficientNet.from_pretrained('efficientnet-b0')
input = torch.randn(1, 3, 224, 224)
output = model(input)
print(output.shape)  # [1, 1000]

EfficientNet-B0 通过智能设计和缩放策略，实现了在小模型中的卓越性能，成为轻量级网络的标杆之一。后续的 EfficientNetV2 进一步优化了训练速度和精度。

2. 猫和老鼠

数据集这里用的是猫和老鼠的例子：

 

 

训练参数在这里：

    parser.add_argument("--model", default='b0', type=str,help='b0')parser.add_argument("--pretrained", default=False, type=bool)       # 采用官方权重parser.add_argument("--freeze_layers", default=False, type=bool)    # 冻结权重parser.add_argument("--batch-size", default=8, type=int)parser.add_argument("--epochs", default=200, type=int)parser.add_argument("--optim", default='Adam', type=str,help='SGD,Adam,AdamW')         # 优化器选择parser.add_argument('--lr', default=0.001, type=float)parser.add_argument('--lrf',default=0.001,type=float)                  # 最终学习率 = lr * lrfparser.add_argument('--save_ret', default='runs', type=str)             # 保存结果parser.add_argument('--data_train',default='./data/train',type=str)           # 训练集路径parser.add_argument('--data_val',default='./data/val',type=str)               # 测试集路径

这里不多介绍了，大概训练的流程和本专栏的差不多

最后一个epoch：

    "epoch:199": {"train info": {"accuracy": 0.9873817034388839,"Jerry": {"Precision": 0.9798,"Recall": 1.0,"Specificity": 0.9909,"F1 score": 0.9898},"Tom": {"Precision": 0.9944,"Recall": 0.9889,"Specificity": 0.9927,"F1 score": 0.9916},"Tom and Jerry": {"Precision": 0.9744,"Recall": 0.95,"Specificity": 0.9964,"F1 score": 0.962},"mean precision": 0.9828666666666667,"mean recall": 0.9796333333333335,"mean specificity": 0.9933333333333333,"mean f1 score": 0.9811333333333333},"valid info": {"accuracy": 0.7619047617838246,"Jerry": {"Precision": 0.8333,"Recall": 0.9091,"Specificity": 0.9024,"F1 score": 0.8696},"Tom": {"Precision": 0.7187,"Recall": 0.8846,"Specificity": 0.7568,"F1 score": 0.7931},"Tom and Jerry": {"Precision": 0.7143,"Recall": 0.3333,"Specificity": 0.9583,"F1 score": 0.4545},"mean precision": 0.7554333333333334,"mean recall": 0.7090000000000001,"mean specificity": 0.8725,"mean f1 score": 0.7057333333333333}

 

3. QT推理

运行结果：

生成的视频：

 视频检测记录：

代码参考：

import os
import sys
from PyQt5.QtWidgets import (QApplication, QMainWindow, QVBoxLayout, QHBoxLayout,QPushButton, QLabel, QFileDialog, QCheckBox, QWidget,QProgressBar, QMessageBox, QGroupBox, QSpacerItem,QSizePolicy)
from PyQt5.QtCore import Qt, QThread, pyqtSignal
from PyQt5.QtGui import QImage, QPixmap, QFont
import cv2
from PIL import Image
from openpyxl import Workbook
from openpyxl.styles import Font
import datetime
import torch
import torchvision.models as m
from torchvision import transformsdef create_model(model,num,weights):net = m.efficientnet_b0(weights=m.EfficientNet_B0_Weights.DEFAULT if weights else False,progress=True)tmp = list(net.classifier)[-1].in_featuresnet.classifier = torch.nn.Linear(tmp,num,bias=True)return netdef data_trans(train_mean=[0.485, 0.456, 0.406], train_std=[0.229, 0.224, 0.225]):train_transform = transforms.Compose([transforms.Resize(256),transforms.RandomRotation(90),                # 随机旋转transforms.CenterCrop(224),transforms.ToTensor(),transforms.Normalize(train_mean, train_std)])test_transform = transforms.Compose([transforms.Resize(256),transforms.CenterCrop(224),transforms.ToTensor(),transforms.Normalize(train_mean, train_std)])return train_transform,test_transformdef get_device():device = torch.device("cuda" if torch.cuda.is_available() else "cpu")print("Using device is: ", device)return deviceclass VideoProcessor(QThread):update_frame = pyqtSignal(QImage)update_progress = pyqtSignal(int)finished_processing = pyqtSignal(str, str)  # 修改为返回两个路径error_occurred = pyqtSignal(str)def __init__(self, video_path, save_video, save_excel):super().__init__()self.video_path = video_pathself.save_video = save_videoself.save_excel = save_excelself.running = Truedef run(self):output_video_path = ""output_excel_path = ""try:device = get_device()_, data_transform = data_trans()labels = {"0": "Jerry","1": "Tom","2": "Tom and Jerry"}# 创建模型net = create_model(model='b0', num=len(labels), weights=False)net.load_state_dict(torch.load('./runs/weights/best.pth'), strict=False)net.to(device)net.eval()# 视频输入cap = cv2.VideoCapture(self.video_path)if not cap.isOpened():self.error_occurred.emit("无法打开视频文件")return# 获取视频信息fps = cap.get(cv2.CAP_PROP_FPS)width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))# 创建Excel工作簿（如果需要）if self.save_excel:wb = Workbook()ws = wb.activews.title = "Video Classification Results"headers = ["时间范围(秒)", "识别类别"]for col, header in enumerate(headers, 1):ws.cell(row=1, column=col, value=header).font = Font(bold=True)# 创建视频输出（如果需要）if self.save_video:timestamp = datetime.datetime.now().strftime("%Y%m%d_%H%M%S")output_video_path = os.path.splitext(self.video_path)[0] + f"_output_{timestamp}.mp4"fourcc = cv2.VideoWriter_fourcc(*'mp4v')out = cv2.VideoWriter(output_video_path, fourcc, fps, (width, height))current_second = -1row_idx = 2last_class = Nonestart_time = 0end_time = 0frame_count = 0with torch.no_grad():while self.running and cap.isOpened():ret, frame = cap.read()if not ret:if last_class is not None and self.save_excel:time_range = f"{start_time}~{end_time}" if start_time != end_time else str(start_time)ws.cell(row=row_idx, column=1, value=time_range)ws.cell(row=row_idx, column=2, value=last_class)breakframe_count += 1progress = int((frame_count / total_frames) * 100)self.update_progress.emit(progress)current_time = frame_count / fpssecond = int(current_time)# 转换帧为PIL Image并进行预处理pil_img = Image.fromarray(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB))img = data_transform(pil_img)img = torch.unsqueeze(img, dim=0)# 预测output = net(img.to(device))output = torch.softmax(output, dim=1)p, index = torch.topk(output, k=3)current_class = labels[str(index.to("cpu").numpy()[0][0])]# 在左上角显示三个类别的概率text_y = 30for i in range(3):class_idx = index.to("cpu").numpy()[0][i]class_name = labels[str(class_idx)]prob = p.to("cpu").numpy()[0][i]text = f'{class_name}: {prob:.4f}'cv2.putText(frame, text, (10, text_y), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2)text_y += 30# 每秒检查一次结果if second != current_second:current_second = secondif current_class != last_class:if last_class is not None and self.save_excel:time_range = f"{start_time}~{end_time}" if start_time != end_time else str(start_time)ws.cell(row=row_idx, column=1, value=time_range)ws.cell(row=row_idx, column=2, value=last_class)row_idx += 1start_time = secondlast_class = current_classend_time = second# 转换为Qt图像并发送rgb_image = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)h, w, ch = rgb_image.shapebytes_per_line = ch * wqt_image = QImage(rgb_image.data, w, h, bytes_per_line, QImage.Format_RGB888)self.update_frame.emit(qt_image)# 保存结果（如果需要）if self.save_video:out.write(frame)# 保存Excel文件if self.save_excel:timestamp = datetime.datetime.now().strftime("%Y%m%d_%H%M%S")output_excel_path = os.path.splitext(self.video_path)[0] + f"_classification_{timestamp}.xlsx"wb.save(output_excel_path)# 释放资源cap.release()if self.save_video:out.release()self.finished_processing.emit(output_video_path, output_excel_path)except Exception as e:self.error_occurred.emit(f"处理过程中发生错误: {str(e)}")def stop(self):self.running = Falseclass VideoClassifierApp(QMainWindow):def __init__(self):super().__init__()self.setWindowTitle("智能视频分类工具")self.setGeometry(100, 100, 900, 700)self.setMinimumSize(800, 600)self.video_path = ""self.init_ui()self.processor = Nonedef init_ui(self):main_widget = QWidget()main_layout = QVBoxLayout()main_layout.setContentsMargins(15, 15, 15, 15)main_layout.setSpacing(15)# 文件选择区域file_group = QGroupBox("视频文件选择")file_layout = QHBoxLayout()file_layout.setContentsMargins(10, 10, 10, 10)self.video_label = QLabel("未选择视频文件")self.video_label.setStyleSheet("QLabel { padding: 5px; }")self.video_label.setMinimumWidth(300)self.browse_button = QPushButton("选择视频")self.browse_button.setFixedWidth(120)self.browse_button.setStyleSheet("QPushButton { padding: 5px; font-weight: bold; }""QPushButton:hover { background-color: #e0e0e0; }")self.browse_button.clicked.connect(self.browse_video)file_layout.addWidget(self.video_label)file_layout.addWidget(self.browse_button)file_group.setLayout(file_layout)main_layout.addWidget(file_group)# 选项区域options_group = QGroupBox("输出选项")options_layout = QHBoxLayout()options_layout.setContentsMargins(10, 10, 10, 10)self.save_video_check = QCheckBox("保存识别结果视频")self.save_video_check.setChecked(True)self.save_video_check.setStyleSheet("QCheckBox { padding: 5px; }")self.save_excel_check = QCheckBox("保存Excel分类结果")self.save_excel_check.setChecked(True)self.save_excel_check.setStyleSheet("QCheckBox { padding: 5px; }")options_layout.addWidget(self.save_video_check)options_layout.addWidget(self.save_excel_check)options_group.setLayout(options_layout)main_layout.addWidget(options_group)# 视频显示区域display_group = QGroupBox("视频预览")display_layout = QVBoxLayout()display_layout.setContentsMargins(10, 10, 10, 10)self.video_display = QLabel()self.video_display.setAlignment(Qt.AlignCenter)self.video_display.setMinimumSize(640, 360)self.video_display.setStyleSheet("QLabel { background-color: black; border: 1px solid #ccc; }")display_layout.addWidget(self.video_display)display_group.setLayout(display_layout)main_layout.addWidget(display_group)# 进度条区域self.progress_bar = QProgressBar()self.progress_bar.setStyleSheet("QProgressBar { height: 20px; text-align: center; }""QProgressBar::chunk { background-color: #4CAF50; }")main_layout.addWidget(self.progress_bar)# 按钮区域button_layout = QHBoxLayout()button_layout.setSpacing(20)spacer = QSpacerItem(40, 20, QSizePolicy.Expanding, QSizePolicy.Minimum)button_layout.addItem(spacer)self.start_button = QPushButton("开始分类")self.start_button.setFixedWidth(150)self.start_button.setStyleSheet("QPushButton { padding: 8px; font-weight: bold; background-color: #4CAF50; color: white; }""QPushButton:hover { background-color: #45a049; }""QPushButton:disabled { background-color: #cccccc; }")self.start_button.clicked.connect(self.start_processing)self.stop_button = QPushButton("停止")self.stop_button.setFixedWidth(150)self.stop_button.setStyleSheet("QPushButton { padding: 8px; font-weight: bold; background-color: #f44336; color: white; }""QPushButton:hover { background-color: #d32f2f; }""QPushButton:disabled { background-color: #cccccc; }")self.stop_button.clicked.connect(self.stop_processing)self.stop_button.setEnabled(False)button_layout.addWidget(self.start_button)button_layout.addWidget(self.stop_button)button_layout.addItem(spacer)main_layout.addLayout(button_layout)# 状态栏self.status_bar = QLabel()self.status_bar.setStyleSheet("QLabel { color: #666666; font-style: italic; border-top: 1px solid #eeeeee; padding: 5px; }")self.update_status("准备就绪")main_layout.addWidget(self.status_bar)main_widget.setLayout(main_layout)self.setCentralWidget(main_widget)def browse_video(self):file_path, _ = QFileDialog.getOpenFileName(self,"选择视频文件","","视频文件 (*.mp4 *.avi *.mov);;所有文件 (*.*)")if file_path:self.video_path = file_pathself.video_label.setText(os.path.basename(file_path))self.update_status(f"已选择视频: {os.path.basename(file_path)}")def start_processing(self):if not self.video_path:QMessageBox.warning(self, "警告", "请先选择视频文件")returnself.start_button.setEnabled(False)self.stop_button.setEnabled(True)self.browse_button.setEnabled(False)self.update_status("正在处理视频...")self.processor = VideoProcessor(self.video_path,self.save_video_check.isChecked(),self.save_excel_check.isChecked())self.processor.update_frame.connect(self.update_frame)self.processor.update_progress.connect(self.update_progress)self.processor.finished_processing.connect(self.processing_finished)self.processor.error_occurred.connect(self.show_error)self.processor.start()def stop_processing(self):if self.processor:self.processor.stop()self.processor = Noneself.reset_ui()self.update_status("处理已停止")def update_frame(self, image):pixmap = QPixmap.fromImage(image)self.video_display.setPixmap(pixmap.scaled(self.video_display.size(), Qt.KeepAspectRatio, Qt.SmoothTransformation))def update_progress(self, value):self.progress_bar.setValue(value)self.update_status(f"处理中... {value}% 完成")def processing_finished(self, video_path, excel_path):self.reset_ui()message = "处理完成！"if video_path:message += f"\n视频已保存到: {video_path}"if excel_path:message += f"\nExcel已保存到: {excel_path}"self.update_status(message)QMessageBox.information(self, "完成", message)def show_error(self, message):self.reset_ui()self.update_status(f"错误: {message}")QMessageBox.critical(self, "错误", message)def reset_ui(self):self.start_button.setEnabled(True)self.stop_button.setEnabled(False)self.browse_button.setEnabled(True)self.progress_bar.setValue(0)def update_status(self, message):self.status_bar.setText(f"状态: {message}")def closeEvent(self, event):if self.processor and self.processor.isRunning():self.processor.stop()self.processor.wait()event.accept()if __name__ == '__main__':os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'app = QApplication(sys.argv)# 设置全局字体font = QFont()font.setFamily("Microsoft YaHei")font.setPointSize(10)app.setFont(font)window = VideoClassifierApp()window.show()sys.exit(app.exec_())

4. 项目

下载地址：猫和老鼠

关于图像分类、分割网络的改进：图像分类网络改进_听风吹等浪起的博客-CSDN博客 

http://www.dtcms.com/a/490992.html

相关文章：

  • Java 11对集合类做了哪些增强？
  • SQLSugar框架数据库优先
  • 工程建设教育网站北京网站建设cnevo
  • Vector数据库性能大比武：Pinecone、Weaviate、Chroma速度与准确率实测
  • 天津老区建设促进会网站移动开发的现状和前景
  • 笔试强训(六)
  • Iterator迭代器 【ES6】
  • spring boot实现接口数据脱敏，整合jackson实现敏感信息隐藏脱敏
  • 基于单片机的汽车多参数安全检测与报警系统设计
  • C++设计模式_行为型模式_备忘录模式Memento
  • 温州h5建站关于网站建设的文章
  • 大连专业做网站wordpress 4.5 汉化主题
  • Spring Boot 3零基础教程，Spring Boot 日志分组，笔记20
  • 【单调向量 单调栈】3676. 碗子数组的数目|1848
  • 【JUnit实战3_01】第一章：JUnit 起步
  • 公司门户网站该怎么做用模块做网站
  • 合肥网站定制公司宁波做网站公司哪家好
  • Banana Script，一个C99实现的，类JavaScript极简语法的脚本引擎
  • 14-机器学习与大模型开发数学教程-第1章 1-6 费马定理与极值判定
  • 写的网站怎么做接口php在网站上怎么做充值
  • nginx报400bad request 请求头过大异常处理
  • react+springboot云上部署
  • Google 地图类型
  • 免费网站做企业的网站都要准备什么
  • 网站建设往年的高考题免费看电视的网站有哪些
  • STM32N6 KEIL IDE 调试XIP 应用的一种方法 LAT1575
  • 大模型微调（二）：使微调保持稳定的策略
  • 前端调优23大规则（Part 4)
  • SpringBoot-入门介绍
  • 如何推动AI技术在企业管理中的商业化落地？