- 博客(358)
- 收藏
- 关注
RSS订阅
原创 Android记事本App设计开发项目实战教程2025最新版Android Studio
Android记事本课程涉及 适合学完Android基础或有App开发经验的同学，最新Android Studio Koala | 2024.1.1 Patch 2，原生Java开发，从新建工程到打包apk，全程实操，不遗漏任何细节，约束布局、线性布局、SQLite、RecyclerView、AlertDialog、TextView、EditText、Button、ImageView的综合应用。
2025-02-01 21:40:08
2182
原创 Android应用开发项目式教程——序
本书定位于Android开发的入门书籍，力求做到看得懂、能练习，具有以下特点：**1.提供简单且必要的基础知识和技能。**在Android应用开发领域，知识点和技能点非常丰富，但本书并不追求面面俱到，也不做百科全书式的讲解。相反，本书专注于编写读者能够理解和实践的知识和技能，以降低读者入门的难度，并提高学习的成就感。**2.描述力求详尽，从非科班初学者的角度描述实现步骤。**本书采用循序渐进的方式，项目1和项目2来详细描述实现步骤，让读者能够跟随书中的指导完成项目任务。**3.案例简单、完整、丰富，提
2024-09-07 12:59:48
1793
原创 Android初学者书籍推荐
从学安卓到用安卓再到教安卓，我翻阅了不下二十本书，培养了多位Android开发者，《疯狂Android讲义》的第二版、第三版、第四版，《第一行代码Android》的第二版、第三版，各种大学出的Android教材，培训机构出的Android教材等等。下面挑几本比较好的，点评一下，仅供参考，不当之处还望指正。
2024-07-11 11:03:18
4549
原创 Pascal VOC数据集简介及数据格式说明
Pascal VOC是计算机视觉领域经典的目标检测数据集，包含20类常见物体（如人、车、动物等）。核心结构包括： JPEGImages存放原始图像 Annotations存储XML格式标注文件，详细记录每个目标的类别和边界框坐标 ImageSets提供数据集划分清单 标注文件采用XML格式，包含图像尺寸、目标位置（xmin/ymin/xmax/ymax）和类别信息，支持多目标标注。该数据集被广泛用于目标检测算法（如YOLO）的训练和评估，其规范化的数据格式成为后续数据集的参考标准。
2026-02-08 09:51:45
522
原创 YOLOv1数据增强
本文详细介绍了目标检测数据增强的核心原则与具体实现方法，重点强调图像与标签的同步变换。数据增强需遵循几何变换（如缩放、裁剪、翻转）同步调整目标框坐标，而色彩变换（亮度、对比度等）不影响坐标位置。文章通过具体示例演示了水平翻转、随机缩放和随机裁剪等操作的坐标调整逻辑，并提供了完整的Python实现代码，包含图像处理和标签同步转换功能。这些增强方法能有效提升模型泛化能力，同时确保标注信息的准确性。
2026-02-08 09:44:55
677
原创 YoloV1数据集格式转换，VOC XML→YOLOv1张量
摘要： YOLOv1数据集格式转换需将VOC XML标注转换为7×7×25标签张量。关键步骤包括： 坐标计算：目标中心网格索引由绝对坐标除以网格大小（64像素）确定，网格内相对坐标通过取余运算归一化至0~1； 标签填充：仅在目标中心所在网格填充(x,y,w,h,conf)和类别one-hot编码（如dog对应第10位为1）； 代码实现：解析XML后，计算目标中心、宽高，转换为相对坐标并填充至张量，其余网格保持为0。示例代码完整展示了从VOC到YOLOv1格式的转换逻辑。 （字数：150）
2026-02-08 09:32:42
689
原创 YOLOv1损失函数代码实现（详细注释版）
上述代码完整复现了YOLOv1损失函数的理论逻辑，核心亮点的是：通过掩码区分正负样本、通过IOU选择负责框、通过加权系数平衡各部分损失、通过宽高开根号优化小目标检测。代码结构清晰、注释详细，可直接用于教学演示或简化版YOLOv1模型的训练，同时便于后续结合理论深入理解损失函数的设计思路。
2026-02-08 09:04:25
608
原创 yolov1的损失函数详细说明
YOLOv1损失函数由五部分组成，通过加权平方误差协同优化目标检测任务。核心设计包括：1)坐标损失采用根号宽高处理小目标敏感问题，加权系数λ_coord=5强化定位精度；2)置信度损失区分正负样本，λ_noobj=0.5缓解样本不平衡；3)类别损失仅作用于含目标网格。整体通过指示函数控制计算范围，实现端到端训练，平衡定位精度与分类准确性。损失函数设计反映了YOLO"全局推理"的特性，将检测问题转化为回归任务，为后续单阶段检测器奠定基础。
2026-02-08 08:59:26
632
原创 如何在Android工程中配置NDK版本
版本匹配：Gradle插件与NDK版本必须兼容，优先选推荐版本；配置方式新手用「界面自动配置」；团队协作用「手动配置」锁定版本；自定义路径用「方式3」；架构优化：仅编译arm64-v8a，大幅减小APK体积；验证生效：通过Gradle命令/APK解压/编译C++代码验证配置。针对YOLO集成场景，配置NDK后可进一步用C++实现图像预处理（如RGB转BGR、归一化）或后处理（如NMS），相比Java/Kotlin可提升20%~50%的推理速度。
2026-02-07 20:18:34
296
原创 Android App如何集成yolo？
本文介绍了在Android应用中集成YOLO实现实时目标检测的完整方案。针对移动端特性，推荐使用YOLOv8n或YOLOv5s轻量模型，并转换为TensorFlow Lite格式以优化性能。文章详细说明了从模型转换（PyTorch→ONNX→TFLite）到Android工程集成的关键步骤，包括环境配置、权限设置和核心代码实现。重点解决了模型轻量化、移动端适配和推理优化三大问题，提供了可落地的技术方案，使中低端手机也能达到15FPS以上的实时检测性能。通过GPU加速和量化优化，在保证精度的同时显著提升运行效
2026-02-07 20:13:54
975
原创 YOLOv1 核心知识点笔记
YOLOv1是一种创新的单阶段目标检测方法，将检测任务重构为回归问题。其核心是将图像划分为7×7网格，每个网格预测2个边界框和20类概率，输出7×7×30张量。网络采用24个卷积层+2个全连接层结构，使用带泄漏ReLU激活函数。通过多部分加权损失函数（坐标、置信度和类别损失）和NMS后处理实现高效检测。在VOC2007上达到63.4%mAP和45FPS，Fast YOLO版本更达155FPS。优势是速度快、背景误检率低，但存在小目标检测差、定位精度不足等局限。该方法开创了实时目标检测新范式。
2026-02-07 20:04:04
331
原创 举例说明YOLOv1 输出坐标到原图像素的映射关系
中心坐标映射：核心是「网格位置（j/i×网格尺寸） + 网格内偏移（bx/by×网格尺寸）」，把相对网格的偏移转为原图绝对像素；宽高映射：直接用「相对比例（bw/bh）× 原图宽/高」，把相对比例转为绝对像素；坐标转换：中心坐标±宽高/2，即可得到可视化所需的矩形框对角坐标。这个例子的数值是简化过的，但完全复现了YOLOv1坐标映射的核心逻辑，无论图像尺寸、网格数如何变化，计算方法都完全一致。
2026-02-07 18:51:03
552
原创 YOLOv1 的最终输出结果解析
YOLOv1输出解析与后处理：模型输出张量形状为[2,7,7,30]，其中7×7网格每个预测2个边界框（含5个参数）和20类概率。关键步骤包括：1) 坐标映射（将相对偏移转换为原图绝对坐标）；2) 计算类别置信度；3) 阈值过滤和NMS去重。最终输出边界框的像素坐标、类别及置信度。
2026-02-07 18:47:39
838
原创 基于Pytorch的YOLOv1 的网络结构代码
本文提供了YOLOv1目标检测网络的PyTorch完整实现代码，包含6个卷积层和全连接层。代码实现了从输入图像(448×448)到最终输出(7×7×30)的完整网络结构，其中30表示20个类别+2个边界框(每个框5个参数)。代码特别设计了逐层打印功能，清晰展示了特征图从输入到输出的尺寸变化过程(112×112→56×56→28×28→14×14→7×7)，便于理解YOLOv1的网络架构和数据处理流程。该实现完整复现了原始论文的网络设计，可用于目标检测任务的基础研究和开发。
2026-02-07 18:42:22
85
原创 YOLOv1 核心结构解析
YOLOv1是首个单阶段目标检测模型，将检测任务转化为回归问题。其网络结构分为三部分：卷积主干网络（提取特征并降采样）、全连接层（展平特征）和输出层（7×7×30张量）。关键设计包括7×7网格划分、每个网格预测2个边界框和20类概率。相比改进版，原始YOLOv1结构简单但精度较低，改进版采用ResNet-18等优化模块提升性能。该模型实现了端到端快速检测，为后续目标检测算法奠定了基础。
2026-02-07 18:40:12
476
原创 深度学习中卷积后特征图（Feature Map）的尺寸计算公式
摘要：本文介绍了深度学习卷积层中计算特征图尺寸的核心公式，适用于标准卷积和膨胀卷积情况。关键公式为输出尺寸=⌊(输入尺寸+2×填充-卷积核)/步幅⌋+1，并解释了各参数含义。文章还对比了Valid和Same两种填充模式，通过实例演示了计算过程（224×224输入经7×7卷积后输出110×110）。最后补充了池化层和全连接层的尺寸变化规律，为网络设计提供实用参考。
2026-02-06 11:13:39
476
原创 Turtle库的用法
Python的Turtle库是一个内置图形库，通过控制屏幕光标绘制图形，适合初学者学习编程和创作艺术图案。本文介绍了Turtle库的核心用法：1) 基础设置包括创建画布、画笔对象和背景；2) 核心绘图方法如移动、转向、抬笔落笔等；3) 画笔样式控制包括线条粗细、颜色和填充；4) 常用辅助函数如返回原点、清空画布等。文章还提供了彩色正方形的完整示例代码，并解释了坐标系和画笔状态两个重要概念。Turtle库无需安装，直接导入即可使用。
2026-02-04 18:37:44
151
原创 开放神经网络交换ONNX的用法
ONNX（开放神经网络交换）是AI模型的通用中间格式，支持不同深度学习框架（如PyTorch、TensorFlow）和硬件设备间的无缝转换。通过将模型导出为.onnx文件，用户可在支持ONNX的环境中直接部署，无需重新训练。ONNX Runtime作为高性能推理引擎，能优化模型执行效率。示例展示了如何将PyTorch模型转换为ONNX格式并进行推理，适用于跨平台部署、硬件加速和模型压缩等场景，显著提升AI模型的兼容性和运行效率。
2026-02-01 16:02:05
391
原创 Pytorch如何加载和读取VOC数据集用来做目标检测？
本文介绍了一个自定义的Pascal VOC目标检测数据集类，可直接用于PyTorch训练。该数据集类会自动解析XML标注文件，将其转换为模型所需的边界框和类别标签格式。代码实现了完整的Dataset功能，包括图像加载、XML解析和数据增强支持。使用时只需配合DataLoader即可开始训练。文章还解释了关键设计点：返回字典格式的目标数据、坐标格式要求以及批量处理的注意事项。这个实现简化了VOC数据集的使用流程，省去了原始XML处理的麻烦，可以直接用于目标检测模型的训练。
2026-01-31 17:24:59
122
原创 目标检测数据标注的工具与使用方法
如果你只是个人随便标几百张图：用 LabelImg 更快。如果你需要团队协作、管理进度、或者数据包含图片+文本、视频等复杂类型、或者想用 AI 自动标Label Studio 是绝对的首选。。
2026-01-31 17:20:17
571
原创 目标检测的常见数据集
本文介绍了目标检测领域常用的数据集，分为通用场景和专用领域两类。通用数据集包括MS COCO（80类复杂场景）、Pascal VOC（20类经典基准）和Open Images（600类大规模数据）。专用数据集有KITTI（自动驾驶，含3D数据）和DOTA（航拍图像，旋转边界框）。通过对比各数据集的特点、类别数和应用场景，帮助研究者根据需求选择合适的数据集进行算法开发与验证。
2026-01-31 17:14:18
306
原创 什么是目标检测？
目标检测是计算机视觉的核心任务，通过识别图像中的物体并定位其位置（边界框）来实现智能化应用。其技术流程包括特征提取、候选区域生成、分类回归和后处理，主流算法分为两阶段（如R-CNN，精度高）和单阶段（如YOLO，速度快）两类。广泛应用于自动驾驶、安防监控、零售物流和医疗影像等领域，成为AI感知环境的重要基础。
2026-01-31 17:10:47
564
原创 Pytorch如何验证模型？
本文介绍了PyTorch中验证模型的两种主要场景：训练过程中的验证和训练结束后的测试/推理。在训练过程中，通过验证集监控模型泛化能力，需切换为eval模式并禁用梯度计算。训练完成后，可在测试集评估最终性能或进行单图预测。关键注意事项包括正确使用model.eval()和torch.no_grad()，以及保持数据预处理的一致性。这些方法共同确保模型评估的准确性和高效性。
2026-01-31 09:54:47
419
原创 Pytorch模型GPU训练
本文介绍了PyTorch模型训练的标准流程，以MNIST手写数字识别任务为例，详细讲解了6个核心步骤：1)导入库并设置设备；2)数据准备与预处理；3)定义CNN模型结构；4)配置损失函数和优化器；5)实现训练和验证循环；6)执行训练并保存最佳模型。流程总结为数据准备→模型构建→损失优化→训练循环→验证保存的标准化模板，适用于大多数图像分类任务。通过这个完整的示例，读者可以快速掌握PyTorch模型训练的基本套路。
2026-01-31 08:42:15
319
原创 Pytorch完整的模型训练流程
本文介绍了PyTorch模型训练的标准流程，以MNIST手写数字识别任务为例，详细讲解了6个核心步骤：1)导入库并设置设备；2)数据准备与预处理；3)定义CNN模型结构；4)配置损失函数和优化器；5)实现训练和验证循环；6)执行训练并保存最佳模型。流程总结为数据准备→模型构建→损失优化→训练循环→验证保存的标准化模板，适用于大多数图像分类任务。通过这个完整的示例，读者可以快速掌握PyTorch模型训练的基本套路。
2026-01-30 20:26:38
606
原创 Pytorch如何保存和加载模型
本文总结了PyTorch模型保存与加载的三种主要方法：1）仅保存模型参数（推荐部署使用），文件小但需预定义结构；2）保存整个模型（不推荐生产），方便但依赖代码路径；3）保存检查点（适合训练中断恢复），包含优化器状态等完整信息。关键技巧包括正确切换eval/train模式、处理设备不匹配问题、解决多卡训练权重前缀问题等。建议部署使用方式1，训练恢复使用方式3，并注意使用.pt或.pth后缀。
2026-01-30 20:21:53
311
原创 Pytorch新版本如何使用现有网络模型，怎么修改现有模型
PyTorch新版本中模型加载和修改方法发生重要变化：1）使用weights参数替代已弃用的pretrained参数来加载预训练权重；2）修改模型结构主要通过替换最后一层（如修改VGG16/ResNet的输出维度）或添加新层实现；3）推荐使用state_dict()保存模型参数，加载时需先重建相同结构。新方法通过Weights枚举类显式管理权重，提高了代码兼容性和可维护性。文中提供了从模型加载、修改到训练保存的完整示例代码。
2026-01-30 20:19:49
334
原创 反向传播及其用法
在 PyTorch 中，是模型训练的核心环节。简单来说，它的作用就是**“自动算出每个参数（权重）对最终错误（损失）的影响有多大”**，从而指导优化器知道该往哪个方向调整参数才能让模型变得更好。PyTorch 的核心优势在于它通过模块实现了，你不需要手动推导复杂的导数公式，只需要构建前向计算过程，PyTorch 就能自动帮你搞定反向传播。
2026-01-30 20:14:46
340
原创 Pytorch中的优化器及其用法
优化器全称特点适用场景SGD随机梯度下降最基础，可加动量（Momentum）教学、简单任务、需要精细调参Adam自适应矩估计最常用。自适应学习率，收敛快默认推荐！90% 的场景都可用AdamWAdam + 权重衰减Adam 的改进版，正则化效果更好训练 Transformer 等大模型时首选RMSprop均方根传播自适应学习率，适合非稳态目标RNN、GAN 等复杂模型必须在之前调用，防止梯度累加。必须在之后调用，执行参数更新。选择建议新手/通用：直接用Adam，省心且效果好。
2026-01-30 20:13:30
417
原创 优化器、反向传播、损失函数之间是什么关系，Pytorch中如何使用和设置？
PyTorch模型训练的核心闭环由损失函数、反向传播和优化器组成，形成"五步走"标准流程：1)定义损失函数和优化器；2)前向传播计算预测；3)计算损失值；4)梯度清零后反向传播；5)优化器更新参数。损失函数评估误差，反向传播计算梯度，优化器调整参数，三者协作不断优化模型。关键代码模板包括loss.backward()计算梯度和optimizer.step()更新参数，通过循环迭代逐步降低损失值，实现模型训练目标。
2026-01-30 20:11:33
965
原创 Pytorch中的损失函数及其用法
损失函数PyTorch 类名适用任务关键特点均方误差回归任务对大误差惩罚重，对异常值敏感交叉熵多分类任务输入为 logits，标签为整数索引二元交叉熵二分类/多标签内置 Sigmoid，数值稳定L1 损失回归任务对异常值更鲁棒# 伪代码：训练循环中的典型用法criterion = nn.CrossEntropyLoss() # 1. 定义optimizer.zero_grad() # 梯度清零output = model(data) # 2. 前向传播。
2026-01-30 20:05:55
385
原创 Pytorch自定义数据集的用法
继承Dataset: 这是所有数据集的基类。实现: 这是最关键的一步，定义了如何读取单个样本。配合DataLoader: 自定义好Dataset后，用DataLoader来实现批量加载、打乱顺序和多进程读取。
2026-01-29 14:34:51
408
原创 Python中__call__和__init__的区别
特性构造方法 (__init____call__方法中文名初始化方法调用方法作用对象作用于类(创建实例时)作用于实例(实例被调用时)执行次数仅一次(对象诞生时)无数次(你想调用几次就几次)主要任务设置初始属性、定义结构定义对象被调用时的行为你的例子定义self.fc1层执行forward计算输出__init__是在配置一个对象，而__call__是在使用这个对象。
2026-01-29 14:28:48
364
原创 为什么模型前向传播要写两步？
是用来创建模型的（初始化参数，配置结构）。model(...)：是用来使用模型的（输入数据，计算输出）。这就是为什么必须先，然后再。
2026-01-29 14:22:11
421
原创 torch.nn.Module的用法
PyTorch中的torch.nn.Module是所有神经网络模块的基类，用于构建和管理神经网络模型。使用它需要三个步骤：定义继承nn.Module的类，在__init__中初始化网络层，在forward中定义前向传播逻辑。nn.Module提供自动参数管理、训练/评估模式切换、模型保存加载等功能，并能结合nn.Sequential简化模型搭建。通过继承nn.Module并实现关键方法，用户可以灵活构建各种神经网络结构，这是PyTorch模型开发的核心基础。
2026-01-29 14:17:23
282
原创 DataLoader的用法
这段代码展示了如何使用PyTorch加载CIFAR-10测试集并通过TensorBoard可视化数据。主要步骤包括：1) 定义测试数据集，应用ToTensor转换；2) 创建DataLoader，设置batch_size=64并打乱数据；3) 使用循环遍历DataLoader，将每个batch的64张图片写入TensorBoard。关键点在于DataLoader作为可迭代对象，每次生成一个迭代器来批量读取数据，并通过drop_last确保每批数据形状一致。最终可在TensorBoard中查看所有测试图片的分
2026-01-28 17:42:09
701
原创 torchvision.datasets的用法
PyTorch的torchvision.datasets模块简化了计算机视觉数据集的加载与预处理流程。它提供统一接口访问MNIST、CIFAR10等内置数据集，支持自动下载和数据转换。核心使用流程包括：1) 定义transform预处理操作；2) 实例化Dataset对象；3) 通过DataLoader实现批量加载。该模块还包含ImageFolder等通用工具，可快速构建自定义数据集。这种"即插即用"的设计极大降低了数据准备复杂度，使开发者能专注于模型训练。
2026-01-28 16:49:56
343
原创 PyTorch与TensorBoard兼容性问题解决方案
本文分析了PyTorch环境中TensorBoard配置时的两个常见报错及解决方案。针对"distutils.version"缺失问题，建议降级setuptools至59.5.0；对于"ANTIALIAS"属性错误，推荐安装Pillow 9.5.0。这些版本兼容性问题在深度学习开发中较为常见，通过针对性降级关键依赖库可快速解决。文章强调在复杂开发环境中，精确的依赖版本管理对项目稳定性至关重要。
2026-01-28 16:38:37
211
原创 PyTorch transforms的用法
本文介绍了PyTorch中torchvision.transforms模块的核心功能与使用方法，该模块主要用于图像预处理和数据增强。文章详细讲解了如何通过transforms.Compose将多个处理步骤组合成流水线，包括调整大小、裁剪、翻转、色彩调整和标准化等常用操作。重点强调了不同场景下的应用策略：训练时使用随机变换增强数据多样性，测试时采用确定性变换保证结果可复现。文中还提供了训练集和测试集预处理流程的具体示例，并指出关键注意事项，如操作顺序和数据类型要求。
2026-01-28 14:44:43
519
原创 Pycharm下新建一个conda环境后，如何在该环境下安装包？
在PyCharm中为Conda环境安装包的常用方法包括：1）通过图形界面在Python Interpreter设置中添加包；2）使用内置终端激活环境后用conda或pip命令安装；3）新版PyCharm可通过Python Packages工具栏直接安装。关键要注意选择正确的解释器路径，避免将包安装到base环境。安装后可通过import语句验证是否成功。
2026-01-23 09:18:20
461
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人