图像分类:Pytorch实现Vision Transformer(ViT)进行图像分类
本文《图像分类:Pytorch实现Vision Transformer(ViT)进行图像分类》的项目源码
图像分割:Pytorch实现UNet++进行医学细胞分割
本文《图像分割:Pytorch实现UNet++进行医学细胞分割》的完整项目代码
图像生成:Pytorch实现一个简单的对抗生成网络模型
完整《Pytorch实现一个简单的对抗生成网络模型》项目代码
自然语言处理-大模型-LLMs-面试题
自然语言处理
- 大模型(LLMs)面试题
详细请试读。
Python-高频-面试-知识点
个人收集的一些关于Python的相关面试知识点和题目,包含问答题、编程题等,适用于Python初学者、Python爱好者等。
部分目录如下:
1.标准数据类型? 2
2.如何创建一个字典? 2
3.双下划线和单下划线的区别? 2
4.自省解释一下? 3
5.文件可以使用for循环进行遍历? 文件对象实现了迭代器协议 3
6.迭代器和生成器的区别 3
7.*args and **kwargs 3
8.装饰器怎么用?装饰器解释下,基本要求是什么? 3
9.新式类和旧式类区别 3
10.__new__和__init__的区别 3
11.单例模式的几种实现方式的及优化? 3
12.作用域的类型有哪些? 5
13.深拷贝和浅拷贝的区别? 5
14.多线程和多进程的区别? 6
15.is是对比地址,==是对比值 6
16. read,readline和readlines 6
17.闭包 6
18.垃圾回收机制? 7
19. +和join的区别? 7
20.为什么要使用Lambda函数?怎么使用? 7
21.协程的理解?怎么使用? 7
22.谈下python的GIL? 7
23. ......
YOLOv8 Ultralytics:使用Ultralytics框架进行SAM图像分割
《YOLOv8 Ultralytics:使用Ultralytics框架进行SAM图像分割》文章中所用的SAM图像分割模型。
YOLOv8 Ultralytics:使用Ultralytics框架进行MobileSAM图像分割
《YOLOv8 Ultralytics:使用Ultralytics框架进行MobileSAM图像分割》文章中所用的MobileSAM图像分割模型。
YOLOv8 Ultralytics:使用Ultralytics框架进行FastSAM图像分割
《YOLOv8 Ultralytics:使用Ultralytics框架进行FastSAM图像分割》文章中所用的FastSAM图像分割模型。
YOLOv8 Ultralytics:使用Ultralytics框架进行定向边界框对象检测
《YOLOv8 Ultralytics:使用Ultralytics框架进行定向边界框对象检测》文章中所用的定向边界框对象检测模型。
YOLOv8 Ultralytics:使用Ultralytics框架进行姿势估计
《YOLOv8 Ultralytics:使用Ultralytics框架进行姿势估计》文章中所用的姿势估计模型。
YOLOv5:指定类别进行评估验证
1、官方源项目地址 :https://github.com/ultralytics/yolov5
2、在yolov5-6.1中指定类别进行评估验证。
3、训练、测试、预测命令与官方版本一致。
YOLOv5:将模型预测的结果图保存为JPG格式
1、官方源项目地址 :https://github.com/ultralytics/yolov5
2、在yolov5-6.1中将模型预测的结果图保存为JPG格式。
3、训练、测试、预测命令与官方版本一致。
YOLOv5:将模型预测结果保存为Labelme格式的Json文件
1、官方源项目地址 :https://github.com/ultralytics/yolov5
2、在yolov5-6.1中添加将模型预测结果保存为Labelme格式的Json文件的功能。
3、训练、测试、预测命令与官方版本一致。
YOLOv5:通过真实结果的txt文件与预测结果的txt文件进行结果评估
1、官方源项目地址 :https://github.com/ultralytics/yolov5
2、在yolov5-6.1中添加通过真实结果的txt文件与预测结果的txt文件进行结果评估的功能(val_txt.py)。
3、训练、测试、预测命令与官方版本一致。
YOLOv5:按每个类别的不同置信度阈值输出预测框
1、官方源项目地址 :https://github.com/ultralytics/yolov5
2、在yolov5-6.1中添加按每个类别的不同置信度阈值输出预测框的功能。
3、训练、测试、预测命令与官方版本一致。
YOLOv5:修改backbone为SPPCSPC
1、官方源项目地址 :https://github.com/ultralytics/yolov5
2、在yolov5-6.1中修改backbone为SPPCSPC。
3、训练、测试、预测命令与官方版本一致。
使用自动编码器进行半监督异常检测
> - [论文地址](https://arxiv.org/abs/2001.03674):https://arxiv.org/abs/2001.03674
> - [官方源代码地址](https://github.com/msminhas93/anomaly-detection-using-autoencoders):https://github.com/msminhas93/anomaly-detection-using-autoencoders
> - 有兴趣可查阅[论文](https://arxiv.org/abs/2001.03674)和[官方源代码地址](https://github.com/msminhas93/anomaly-detection-using-autoencoders)。
YOLOv5:修改backbone为ACMIX
1、官方源项目地址 :https://github.com/ultralytics/yolov5
2、在yolov5-6.1中修改backbone为ACMIX。
3、训练、测试、预测命令与官方版本一致。
YOLOv5:修改backbone为GCNET
1、官方源项目地址 :https://github.com/ultralytics/yolov5
2、在yolov5-6.1中修改backbone为GCNET。
3、训练、测试、预测命令与官方版本一致。
YOLOv5:修改backbone为ACMIX
1、官方源项目地址 :https://github.com/ultralytics/yolov5
2、在yolov5-6.1中修改backbone为ACMIX。
3、训练、测试、预测命令与官方版本一致。
YOLOv5:修改backbone为SPD-Conv
1、官方源项目地址 :https://github.com/ultralytics/yolov5
2、在yolov5-6.1中修改backbone为SPD-Conv。
3、训练、测试、预测命令与官方版本一致。
YOLOv5:修改backbone为mobileone
1、官方源项目地址 :https://github.com/ultralytics/yolov5
2、在yolov5-6.1中修改backbone为mobileone。
3、训练、测试、预测命令与官方版本一致。
YOLOv5:修改backbone为ConvNeXt
1、官方源项目地址 :https://github.com/ultralytics/yolov5
2、在yolov5-6.1中修改backbone为ConvNeXt。
3、训练、测试、预测命令与官方版本一致。
基于PaddleOCR的车牌检测识别中使用的数据集
基于PaddleOCR的车牌检测识别中使用的数据集
YOLOv5:使用7.0版本训练自己的实例分割模型
# 图像实例分割数据集结构如下:
myseq
├─trainset
├──images
├──labels
├─testset
├──images
├──labels
├─valset
├──images
├──labels
└─myseg.yaml
# Classes
names:
0: background
1: car
2: traffic_sign
3: lane_lines
4: person
5: motorcyclist
6: cyclist
使用Python将coco格式实例分割数据集转为yolo格式实例分割数据集
使用Python将coco格式实例分割数据集转为yolo格式实例分割数据集
Linux常用命令总结(一).pdf
Linux常用命令总结(一)
前言
相关介绍
Linux常用命令
ls(list)
按大小反序显示文件详细信息
按易读方式按时间反序排序,并显示文件详细信息
列出当前目录中所有以"a"开头的目录的详细内容
pwd(print work directory)
查看当前路径
查看软链接的实际路径
cd(change directory)
进入根目录
进入 "home" 目录
进入上一次工作路径
把上个命令的参数作为cd参数使用
mkdir(make directory)
当前工作目录下创建名为a的文件夹
在 tmp 目录下创建路径为 test/t1/t2 的目录,若不存在,则创建
rm(remove)
删除任何 .log 文件,删除前逐一询问确认
删除 test 子目录及子目录中所有档案删除,并且不用一一确认
删除以 -f 开头的文件
rmdir(remove directory)
当tmp子目录被删除后使它也成为空目录的话,则顺便一并删除
mv(move file)
将文件 test.log 重命名为 test.txt
将文件 test1.txt,test2.txt,test3.txt
Road-Sign-YOLO-datasets.zip
结构如下:
Road_Sign_YOLO_datasets
├─trainset
├──images
├──labels
├─testset
├──images
├──labels
└─road_sign.yaml
> - [YOLOv7训练自己的数据集(口罩检测)](https://blog.csdn.net/FriendshipTang/article/details/126513426)
> - [YOLOv8训练自己的数据集(足球检测)](https://blog.csdn.net/FriendshipTang/article/details/129035180)
> - [YOLOv5:添加SE、CBAM、CoordAtt、ECA注意力机制](https://blog.csdn.net/FriendshipTang/article/details/130396540)
> - [YOLOv5:yolov5s.yaml配置文件解读、增加小目标检测层](https://blog.csdn.net/FriendshipTang/article/details/130375883)
TensorRT-8.4.2.4.zip
> - Win10下安装TensorRT使用到的相关资源
https://blog.csdn.net/FriendshipTang/article/details/131688629
基于DETR的人脸伪装检测
个人使用DETR训练自己的COCO格式数据集的应用案例时,使用的代码。
> - 基于DETR的人脸伪装检测
https://blog.csdn.net/FriendshipTang/article/details/131670277
BETR预训练模型(num-classes = 21)
BETR预训练模型(num-classes = 21)
BETR预训练模型(num-classes = 8)
BETR预训练模型(num-classes = 8)
人脸伪装数据集(COCO格式)
目录结构如下:
face_guise_datasets(coco格式)
├─annotations
├─train2017
├─test2017
└─val2017
> - CLASSES = ['glasses', "hat", "nothing", "glasses_hat", "glasses_mask", "hat_mask", "glasses_hat_mask", "mask"]
> - [YOLOv7训练自己的数据集(口罩检测)](https://blog.csdn.net/FriendshipTang/article/details/126513426)
> - [YOLOv8训练自己的数据集(足球检测)](https://blog.csdn.net/FriendshipTang/article/details/129035180)
> - [YOLOv5:添加SE、CBAM、CoordAtt、ECA注意力机制](https://blog.csdn.net/FriendshipTang/article/details/130396540)
Mask2former源码(mmdetection).zip
Mask2former源码(mmdetection).zip
mmcv-full-1.4.7-cp38-cp38-win-amd64.whl
mmcv-full-1.4.7-cp38-cp38-win-amd64.whl
Matlab相关资源介绍.pdf
1. 官方文档和教程:MathWorks官方网站提供了广泛的Matlab文档和教程,包括官方文档、用户指南、教学视频和示例代码等。你可以在MathWorks的官方网站上找到这些资源。
2. 在线社区和论坛:有许多活跃的Matlab在线社区和论坛,如MathWorks社区、Stack Overflow和MATLAB Answers等。这些平台提供了一个交流和解答问题的地方,你可以在这里寻求帮助和分享经验。
3. Matlab文件交换平台:MathWorks提供了一个文件交换平台,名为File Exchange。在这个平台上,你可以找到各种各样的Matlab工具箱、函数和脚本,这些资源由Matlab用户共享。
4. Matlab Central:Matlab Central是MathWorks官方提供的一个网站,其中包含了各种Matlab工具和资源。你可以在这里找到一些开源工具箱、应用程序、脚本和教学材料等。
5. ......