Gmgge
Gmgge
你好，非常感谢你们的工作，我有一些疑问如下： 1.网络：使用paddle clas 的GhostNet网络，一个九类，一个是四类； 2.原生paddle推理，两个速度近似。 3.同样转换为onnx，则九类的耗时是四类的十倍之久。 我尝试进行onnxsim，但是还是存在差距，不过缩小到两倍，相关文件在该百度云链接 链接：https://pan.baidu.com/s/1178iwPcr0FP1YnplBMGiaQ?pwd=i52t 提取码：i52t --来自百度网盘超级会员V5的分享
你好，非常感谢你们开源如此棒的工作 我在尝试将模型转换为onnx，以使用推理框架onnxruntime。 我进行了以下的工作 1.参考huggingface/transformers，调用模型转换将预训练模型转换为onnx，参考教程[在此](https://huggingface.co/docs/transformers/main_classes/onnx#exporting-transformers-models-to-onnx) 运行脚本为： python -m transformers.onnx --model "/project/gm/project/transformers/albert-chinese-tiny-train/" albert-chinese-tiny-train 结果为： Some weights of the model checkpoint at /project/gm/project/transformers/albert-chinese-tiny-train/ were not used when initializing AlbertModel: ['predictions.dense.bias', 'predics.decoder.bias', 'predictions.LayerNorm.weight', 'predictions.LayerNorm.bias',...
你好，非常感谢你们的工作，我有一些疑问如下： 1.网络：使用paddle clas 的GhostNet网络，一个九类，一个是四类； 2.原生paddle推理，两个速度近似。 3.同样转换为onnx，则九类的耗时是四类的十倍之久。 我尝试进行onnxsim，但是还是存在差距，不过缩小到两倍，相关文件在该百度云链接 链接：https://pan.baidu.com/s/1178iwPcr0FP1YnplBMGiaQ?pwd=i52t 提取码：i52t --来自百度网盘超级会员V5的分享
thank you very much for your work I found hyperscan supported by arm: https://github.com/kunpengcompute/hyperscan If I want to adapt it myself, should I modify this hyperscan-java-native/build.sh? If you can give...
in code encoding/models/resnet/78line return download(model_urls[name], path=root, overwrite=True) the **overwrite=True** Make each model load from the Internet instead of local cache If it’s possible that I set something wrong, I’m sorry...
很感谢你们的工作 在arm机器自行安装时，运行出现错误asr_decoder.cc:161] Check failed: input.size() == time_stamp.size() (26 vs. 0) 构建机器：华为云服务器 麒麟计算arm 构建目标：/runtime/binding/python 由于由于libtorch官方未提供arm版本的下载，自行编译1.10.0的libtorch版本。 安装脚本：python setup.py install 调用方式同x86演示，在x86机器正常运行，在arm上无法正常运行。 是否在编译libtorch的时候需要设定特殊的参数？或者在编译arm版本时，需要设定一定的参数？ 或者有其他的arm方案嘛？
公章数据集收集
# 简介 数据重要性不言而喻，在本任务中，由易到难，我根据公章外形，将公章识别分为多个阶段性任务。 1. 圆形章识别：本阶段圆形公章识别中，印章名(水平文字部分)识别精度仍然难以有效保证 2. 三角形章识别：尚未开始 3. 矩形章识别：尚未开始 4. 统一模型：支持多种类型印章识别，尚未开始 其中印章数据集有 1. [ICDAR 2023 Competition on Reading the Seal Title](https://rrc.cvc.uab.es/?ch=20&com=introduction) 2. 本项目即将发布的圆形印章数据集，数据来源互联网 3. 任何其他伙伴分析的数据集 我十分欢迎任何伙伴分享你的真实数据，经过审核后，你将获取当前项目所用到的所有数据集。但是鉴于数据安全问题，可能大家有所顾虑，不过仍然欢迎你们提供识别错误的案例，我将尝试通过数据模拟的方式构造该类型的数据集。