待磨的钝刨-CSDN博客

原创 tmux【避免意外关机导致中断服务器中运行的程序】

#创建一个新的 tmux 会话tmux new -s my-session#退出 tmux 会话 `Ctrl-b d`#进入 tmux 会话tmux lstmux attach -t my-session#终止一个 tmux 会话tmux kill-session -t my-session

2024-07-17 18:17:20 549

原创 Windows中的watch nvidia-smi

Windows一行命令来实现类似于Linux中。这样一来，命令行窗口会每。秒自动刷新并显示最新的。

2024-07-16 09:17:12 149

原创【利用GroundingDINO裁剪分类任务的数据集】及文本提示检测图像任意目标(Grounding DINO) 的使用

如果您有 CUDA 环境，请确保设置了环境变量 CUDA_HOME。如果没有可用的 CUDA，它将在仅 CPU 模式下编译。该脚本指定目录后，会对该目录下子文件夹的不同目标类别，进行裁剪并将裁剪结果放在与原路径对应的相对路径种。是因为timm版本和cuda，pytorch等版本不匹配重新安装可以解决这个bug。需要下载下面的三个文件，放进text_encoder_type里面就好。

2024-07-10 20:15:05 1031

原创 Linux和Windows配置公钥到服务器上【免密登录/传输文件】

输入密码后，ssh-copy-id 会自动将你的公钥追加到远程服务器上的 ~/.ssh/authorized_keys 文件中。在 Windows 上，你可以使用 ssh-copy-id 来简化复制公钥的过程，但通常它并不是默认安装的。因此，你可以手动复制公钥到远程服务器。通过这些步骤，你应该能够在 Windows上将本地生成的 SSH 公钥复制到远程服务器，并使用 SSH 密钥进行无密码登录。如果你不确定这个警告的原因，或者认为可能存在安全问题，建议联系系统管理员进一步确认服务器的状态和密钥更改的原因。

2024-07-10 16:51:53 860

原创【YOLO模型训练时，减小批次大小（Batch Size）可能会加快训练速度】

需要注意的是，虽然减小批次大小可能会提高训练速度，但这也会带来一些潜在的缺点：

2024-06-18 11:00:39 731

原创【yolov8分类任务-全流程】【公开数据白内障-101：101例白内障手术的视频数据集】

摘要白内障手术是眼科领域最常进行的显微手术之一。这种手术背后的目标是用人造晶状体代替人眼晶状体，这是由于衰老而经常需要的干预。整个手术是在显微镜下进行的，但共同安装的摄像机可以记录和存档手术过程。目前，录制的视频以术后方式用于记录和培训。录制白内障视频的另一个好处是，它们能够进行视频分析（即手动和/或自动视频内容分析），以调查与医学相关的研究问题（例如，并发症的原因）。然而，这需要一个医疗多媒体信息系统，该系统根据现有数据进行训练和评估，而这些数据目前尚未公开。

2024-05-14 14:32:36 1013 1

原创 yolo系列热力图，即插即用。

原地址：https://github.com/z1069614715/objectdetection_script/tree/master/yolo-gradcam

2024-03-29 16:16:02 252

原创【MOT多目标跟踪】最简单的demo

Ultralytics YOLO 支持以下跟踪算法。通过传递相关的 YAML 配置文件（如。BoT-SORT - 使用 botsort.yaml 以启用此跟踪器。字节跟踪 - 使用 bytetrack.yaml 以启用此跟踪器。model：训练好的检测模型；source需要追踪的图片或视频。这部分就不赘述了，用命令快速训练，然后进行追踪。只需要修改model，source的位置就行。或者python代码。

2024-03-28 11:16:59 379

原创使用yolov8，报错AttributeError: module ‘cv2‘ has no attribute ‘setNumThreads‘

我使用 opencv-python==4.6.0.66 修复了这个问题，请重新安装你的 opencv 或使用 docker 镜像可能需要更改 opencv-python 版本的范围，以确保 opencv 更新不会对未来产生任何影响:)

2024-03-22 10:49:09 740

原创【处理数据标签】1.提取目标类别的图片和标签；2.删除目标标签制作负样本。

用白色填充图片的目标区域，删除目标标签类的标签框。用白色填充图片的目标区域，删除目标标签类的标签框。

2024-03-20 15:08:01 273

原创 jupyter中pip安装包会安装到别的环境。

如果你在 Jupyter Notebook 中使用 pip 安装包，它默认会将包安装到 Jupyter Notebook 所在的Python 环境。这可能会导致安装的包与你期望的环境不匹配。

2024-03-16 17:58:13 610

原创 4.10.CVAT——3D对象标注

使用 3D 注释工具来标记 3D 对象和场景，例如车辆、建筑物、景观等。

2024-03-15 23:40:04 1813

原创 4.9.CVAT——用长方体进行注释

它用于注释 3 维物体，例如汽车、盒子等。目前该功能支持单点透视，并具有垂直边缘与侧面完全平行的约束。

2024-03-15 21:54:33 607

原创【yolo检测模型出现大量误报】

例如，可以根据正样本和负样本的数量进行平衡，或者根据实际场景中目标的出现频率来调整负样本的比例。简单来说，精确率关注的是被分类器预测为正例的样本中有多少是真正的正例，而准确率关注的是分类器对整个数据集的整体预测准确性。需要注意的是，在实际应用中，过采样和欠采样方法的选择要根据具体的数据分布和分类问题来确定，以及对模型性能的影响进行评估和调优。YOLO的文档中没有固定规定负样本添加的比例。因此，对于YOLOv8或其他目标检测模型，负样本添加的比例通常是根据具体情况进行调整和设置的，并没有固定的标准或规定。

2024-03-15 15:08:41 1765 1

原创【数据不平衡处理方法】

处理数据不平衡问题的方法有多种，以下是一些常用的方法：过采样（Oversampling）：增加少数类样本的数量，使得正样本和负样本的数量更加平衡。过采样的方法包括随机复制样本、SMOTE（SyntheticMinority Over-sampling Technique）等。欠采样（Undersampling）：减少多数类样本的数量，使得正样本和负样本的数量更加平衡。欠采样的方法包括随机删除样本、ClusterCentroids等。

2024-03-14 09:52:40 1450

原创 4.8.CVAT——用骨架skeletons注释

我们深入研究通过实施骨架注释来注释复杂结构的有效过程。骨架用作注释模板，用于注释具有一致结构的复杂对象，例如人体姿势估计或面部标志。骨架由许多点（也称为元素）组成，这些点可以通过边连接。每个点都充当单独的对象，拥有独特的属性和属性，例如颜色、遮挡和可见性。骨架可以以两种格式导出：图像的 CVAT 和 COCO 关键点。注意：在无标签项目中，无法通过导入数据集来导入骨架标签。您需要在导入之前手动定义标签。

2024-03-13 20:13:05 926

原创打开jupyter notebook报错500：Internal Server Error【安装jupyter依赖nbconvert后，jupyter还是找不到nbconvert】

打开jupyter notebook报错500：Internal Server Error。一般是缺少依赖项或配置问题： Jupyter Notebook 可能缺少必要的依赖项或配置不正确。

2024-03-13 11:47:27 2462 1

原创【yolov8和yolov5】用命令快速着手训练

通过克隆版本库和建立环境为启动做好准备。这将确保所有必要的要求都已安装。检查 Python>=3.8.0和PyTorch>=1.8准备起飞。请确保你的目录结构、数据集配置和模型路径等信息都正确，以确保训练和测试的顺利进行。

2024-03-11 11:32:09 1082

原创【yolov中的训练批次batch】详细介绍

较大的训练批次大小（batch size）通常对于模型的收敛和稳定性有益，但在一些情况下，尤其是对于小目标检测，可能会面临一些挑战。以你提到的 YOLOv8 为例，如果你将训练批次设置为8，那么在每次模型更新参数的训练步骤中，会同时输入8张图像。：如果数据集中小目标的数量相对较少，较大的批次可能导致在训练过程中小目标的信息受到较少的关注。然而，批次大小的选择也可能受到硬件限制的影响，因为较大的批次可能需要更多的显存。：使用合适的学习率来平衡模型的权重更新，确保小目标的特征得到足够的重视。

2024-03-09 14:00:27 1761

原创 4.7.CVAT——椭圆标注（道路标志）

椭圆的创建方式与矩形相同，您需要指定两个相对的点，椭圆将内接于一个假想的矩形。您可以使用旋转点来旋转椭圆，其方式与矩形相同。首先，您需要选择控件侧边栏上的。它用于道路标志注释等。

2024-03-08 17:48:43 326

原创【yolov8自带脚本划分数据集】yolov8自己数据集训练

只需要1秒就可以划分好4万张图像的数据集。之后就可以训练模型了。

2024-03-06 21:03:54 1249

原创【使用imgaug库调整图像大小并修改对应的XML标签框】

使用imgaug库可以方便地进行图像增强操作，包括调整图像大小。

2024-03-04 17:23:44 331

原创 4.6.CVAT——带点的注释详细操作

使用单个点或包含多个点的形状对任务进行标注的指南。

2024-03-02 15:31:13 441

原创 6.CVAT——属性注释模式

对相同类型的对象进行注释更方便。在这种情况下，您可以应用适当的过滤器。在此模式下，您可以使用键盘在对象和框架之间快速导航来编辑属性。打开顶部面板中的下拉列表，然后选择属性注释模式。.查看底部侧面板，查看更改属性的所有可能的快捷方式。键盘上的 / 或单击 UI 中的按钮以转到下一个/有关详细信息，请参阅属性注释模式（高级）部分。要在对象（在本例中为人）之间导航，请使用特殊面板。要查看属性注释模式下可用的所有热键，请按。属性注释模式下可用的使用示例和基本操作。在该模式下，可以在同一帧上处理大量对象。

2024-03-02 14:15:45 461

原创 5.CVAT用户角色

作业可以有一个分配的用户（具有任何角色），并且该被分配者将执行特定于阶段的工作，即批注、验证或接受作业。请注意，要访问组织页面，必须先激活组织（请参阅在组织之间切换）。请注意，要访问组织页面，必须先激活组织（请参阅在组织之间切换）。请注意，如果您创建了 10 个以上的组织，则下拉菜单中将显示“切换组织”行。请注意，如果您创建了 10 个以上的组织，则下拉菜单中将显示“切换组织”行。组织，邀请团队成员，并分配角色，使团队更好地处理共享任务。如果您有多个组织，则可以在任何给定时间在这些组织之间切换。

2024-03-02 14:10:11 1162

原创【pip安装失败——Linux没设置DNS服务器】WARNING: Retrying (Retry(total=4, connect=None, read=None

由于你使用的是非官方的包索引地址http://pypi.douban.com/simple/，而不是默认的官方PyPI（Python Package Index）地址，你需要通过–trusted-host选项告诉pip你信任这个自定义的主机。这个选项通常用于在使用非官方或自定义的Python包索引（例如，http://pypi.douban.com/simple/）时，确保pip信任该主机。在正式的环境中，你应该确保你信任的主机是可靠和安全的。用你的代理服务器地址、端口以及认证信息替换示例中的内容。

2024-03-01 21:49:31 1352

空空如也

空空如也