- 博客(109)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 目标检测的迁移学习
目标检测的迁移学习是指利用已经在一个数据集上预训练好的目标检测模型，在另一个相关但不同的数据集上进行微调或者直接应用，以提升目标检测任务的性能。：在新领域中，很可能无法获得大量标记数据进行训练，利用迁移学习可以通过在一个相关但数据较为丰富的领域上进行预训练，然后在目标领域上微调，从而利用已有的知识加速模型的收敛。：将选定的预训练模型加载到新的数据集上，并在新数据集上进行微调。总的来说，目标检测的迁移学习可以通过利用已有的知识和经验，快速提升目标检测模型在新数据集上的性能，降低训练成本，提高模型的泛化能力。
2024-04-25 11:38:37
270
原创 yolo_tracking项目val代码解析
中解析出 MOT（多目标跟踪）挑战的结果，具体是提取 COMBINED HOTA、MOTA 和 IDF1 这三个指标的值。这段代码的功能是从一个字符串。
2024-03-27 16:25:22
267
原创 深度学习-语义特征
这些模型经过训练，可以识别图像中的不同对象和场景，并将它们表示为向量形式，以便进行进一步的处理和分析。在自然语言处理中，语义特征可能是词向量、短语向量或句子向量，这些向量编码了单词、短语或句子的语义信息。"语义特征"是指在自然语言处理（NLP）或计算机视觉（CV）等领域中，用来表示文本或图像中含义的特征。总的来说，语义特征是数据中的一种高级表示，它捕捉了数据的含义和语境信息，通常用于解决自然语言处理和计算机视觉任务，如文本分类、情感分析、目标检测和图像分类等。
2024-03-18 16:30:24
646
原创 YOLO命令
其中TASK(可选)是[检测，分割，分类]之一MODE(必选)是[train, val, predict, export, track]之一ARGS(可选)是任意数量的自定义'arg=value'对，如'imgsz=320'，覆盖默认值。参数必须以arg=val对的形式传递，用等号分隔，并在对之间用空格分隔。不要在参数之间使用——argument前缀或逗号。
2024-03-18 10:51:39
569
原创 URL定义
URL 是统一资源定位符（Uniform Resource Locator）的缩写，用于标识和定位互联网上的资源，如网页、文档、图像、视频等。它是一个由字符组成的字符串，描述了资源的位置以及获取该资源所需的协议信息。表示访问资源所使用的协议，例如 HTTP、HTTPS、FTP 等。指定用于访问该资源的端口号，可以省略（使用默认端口）。指定资源所在的主机（服务器）的域名或 IP 地址。包含在 URL 中，用于传递参数给资源。指定服务器上资源的路径。标识资源中的特定片段。
2024-02-23 09:49:30
463
原创 makedirs函数
的目的是创建一个指定路径的目录。如果该目录已经存在，就不会引发异常，而是继续执行。如果目录不存在，它将被创建。这通常用于确保在保存文件之前目录已经存在，避免文件保存时出现路径不存在的错误。函数用于递归地创建目录，包括所有必需的中间目录。如果目录已经存在，它会默默地继续而不引发异常。
2024-02-23 09:45:37
420
原创 liunx报错解决subprocess-exited-with-error × git clone --filter=blob:none --quiet https://github.com/lvis
【代码】liunx报错解决subprocess-exited-with-error × git clone --filter=blob:none --quiet https://github.com/lvis。
2024-01-18 21:18:22
715
原创 autodl报错ssh: connect to host github.com port 22: Connection timed outfatal: Could not read from rem
*尝试使用 HTTPS：**如果无法解决 SSH 连接问题，可以尝试使用 HTTPS 协议。
2024-01-18 20:41:32
597
原创 python里的双引号
都是字符串，其中分别使用了单引号和双引号。在 Python 中，单引号和双引号用于表示字符串是等效的，您可以根据需要选择其中之一。字符串是文本数据的表示形式，可以包含字母、数字、符号等。总体而言，单引号和双引号的选择通常是根据个人偏好或字符串内部是否包含相应的引号。在大多数情况下，它们是等效的。如果字符串内部包含单引号，可以使用双引号定义字符串，以避免在字符串中转义单引号。用于创建包含文本的字符串。如果字符串内部包含双引号，可以使用单引号定义字符串。在 Python 中，双引号。
2024-01-03 09:44:03
434
原创 items函数
对象的一个方法，用于返回包含字典中所有键值对（key-value pairs）的视图（view）对象。该视图对象可以被用于迭代、转换为列表等操作。方法用于获取字典中所有键值对的视图，然后通过迭代或转换为列表等方式可以方便地处理这些键值对。这在遍历字典的同时获取键和值的情况下特别有用。该方法返回一个包含字典所有键值对的视图对象，其中每个键值对表示为一个元组。在 Python 中，
2024-01-03 09:34:23
441
原创 endswith函数
方法用于检查字符串是否以指定的后缀结尾。可以选择指定起始位置和结束位置以进行部分检查。是 Python 字符串对象的一个方法，用于检查字符串是否以指定的后缀结尾。该方法返回一个布尔值，表示字符串是否以指定的后缀结尾。
2024-01-03 09:18:29
361
原创 format函数
是 Python 字符串对象的一个方法，用于格式化字符串。它允许您插入变量或值到字符串中，并指定它们的格式。是将替换占位符的值。您可以在字符串中使用多个占位符，并通过传递相应数量的参数来替换它们。方法通过传递的参数替换字符串中的占位符。方法提供了丰富的格式化选项，可以根据需要进行调整。等用于指定要使用的参数的顺序，而。指定浮点数的格式，保留两位小数。
2024-01-02 21:41:52
391
原创 startswith函数
是 Python 字符串对象的一个方法，用于检查字符串是否以指定的前缀开头。该方法返回一个布尔值，表示字符串是否以指定的前缀开头。
2024-01-02 21:37:31
1178
原创 split函数
函数是字符串对象的一个方法，用于将字符串按指定的分隔符拆分成子字符串，并返回一个包含这些子字符串的列表。方法首先根据默认分隔符（空格）或指定的分隔符（参数，拆分将在指定的次数达到之前停止。返回一个包含拆分后的子字符串的列表。）将字符串拆分成子字符串。在 Python 中，
2024-01-02 21:28:36
391
原创 python的sorted函数
是 Python 中的一个内置函数，用于对可迭代对象（如列表、元组等）进行排序。它返回一个新的已排序的列表，而不改变原始对象。列表升序排序并将结果分别存储在。列表本身并没有被修改。
2024-01-02 21:15:17
331
原创 wordppt当前光标在角标位置切换到普通行方法
新输入字符若在角标位置，上角标输入ctrl+shift+=即可以切换，若是下角标则输入ctrl+=。
2024-01-02 09:41:43
1116
原创 点积相似性（Dot Product Similarity）
在深度学习中，点积相似性常用于衡量两个向量的相似程度，例如在计算注意力权重或进行内积操作时。如果两个向量是单位向量（归一化），点积的取值范围在 -1 到 1 之间，其中 1 表示完全相似，-1 表示完全不相似。点积相似性（Dot Product Similarity）是一种计算两个向量之间相似性的方法。对于两个向量 a 和 b，它们的点积相似性定义为它们对应元素的乘积之和。在 NumPy 中，使用。点积相似性的计算结果越大，表示两个向量越相似；这两者都提供了高效的操作，特别适用于处理大规模的数值计算任务。
2023-12-28 16:25:19
657
原创 @MODELS.register_module()函数装饰器
可能是一个模型注册表或工厂类，负责创建和管理不同类型的模型。通过装饰器，开发者可以方便地向工厂注册新的模型类型，而不需要修改工厂的源代码。用于注册模型（models）的模块。这种设计模式通常被用于深度学习框架中，以便动态地构建、配置和管理模型的各个组件。装饰器用于注册不同类型的模型。通过这种方式，你可以在系统中添加新的模型类型，并通过名称检索相应类型的模型。装饰器，它可能实现了一种动态注册模型的机制。可能是一个类或模块，通过。
2023-12-27 21:37:29
626
原创 GitHub项目egg-info模块
文件夹通常包含有关 Python 包（package）的元数据信息。这些信息包括包的名称、版本、作者、依赖项等。文件夹中的元数据信息对于包的安装、卸载、版本管理等操作都是非常重要的。文件夹的创建是由 setuptools 库负责的，它是 Python 的一个包管理工具。文件夹中的元数据信息会被用来确定包的名称、版本和依赖关系等。卸载时，也会用到这些信息。文件夹中的元数据会包含在发布的包中，以提供关于包的详细信息。可以查看包的版本信息，确保使用的是正确的版本。中的元数据，以确保所需的依赖项已经满足。
2023-12-27 17:08:04
480
原创 PathManager功能
是一个用于管理文件路径和 I/O 操作的工具类，它提供了对文件系统的抽象接口，使得在不同的环境中进行文件读写变得更加灵活和可扩展。这种抽象允许你使用相对路径，而不必担心底层的文件系统细节。被用作一个文件路径的管理器，它可以自动适应不同的文件系统，包括本地文件系统和分布式文件系统。的实现可能会依赖于具体的框架或库，例如 PyTorch 中就有一个。方法打开文件，这样你可以在不同的环境中轻松切换文件读写操作。在使用时，可以根据具体的框架文档查看相关信息。方法检查指定路径的文件是否存在。方法删除文件或目录。
2023-12-27 14:15:14
404
原创 @staticmethod函数装饰器
在 Python 类中，通常可以定义实例方法（instance method）和类方法（class method）。实例方法是最常见的方法，第一个参数是实例对象（通常被命名为。而静态方法则不依赖于实例或类的特定状态，因此不需要对应的实例或类对象作为第一个参数。是 Python 中的一个装饰器，用于定义静态方法（static method）。），通过它可以访问实例的属性和其他方法。装饰器进行标记，它们在类的命名空间中，但与类的实例无关。），通过它可以访问类的属性和其他方法。
2023-12-27 10:01:19
1001
原创 使用pycharm虚拟环境和使用conda管理虚拟环境的区别
在实际应用中，选择使用 PyCharm 虚拟环境还是 Conda 管理虚拟环境通常取决于个人或团队的偏好，以及项目的具体需求。Conda 通常在数据科学和机器学习领域比较流行，因为它能够方便地管理非 Python 软件包。使用 PyCharm 虚拟环境和使用 Conda 管理虚拟环境有一些区别，主要涉及到环境的创建、依赖管理、跨平台性等方面。
2023-12-26 22:44:14
503
原创 asset模块在Github的含义
文件夹通常用于存放与项目相关的二进制文件、发布版本的预编译文件、图像、文档或其他项目资源。这个文件夹不是 GitHub 默认的文件夹之一，而是由项目所有者自行创建的，用于组织项目中不方便或不适合放在代码仓库根目录的文件。它提供了一个容纳不同类型文件的地方，使项目结构更加清晰，同时也方便用户和贡献者查找和获取与项目相关的资源。一些项目可能包含一些配置文件，这些文件可能不是源代码文件，但仍然是项目的重要组成部分。项目可能包含一些图像文件，如项目的 Logo、示例图片、图标等，这些文件可以放在。
2023-12-26 17:01:20
899
原创 深度学习OOD
解决OOD问题的方法包括使用更多丰富和多样的训练数据，采用对抗性训练，或者使用专门设计的模型结构，以提高模型对未见过分布的泛化能力。具体而言，当模型在测试时面临不属于训练数据分布的样本时，可能会表现出预测不准确、不可靠或不稳定的情况。这种情况可能导致模型在未见过的数据上产生误导性的结果，因为它在训练阶段没有学到足够泛化到这些新数据的能力。在深度学习领域，"OOD" 通常指的是 "Out-of-Distribution"，即"分布之外"。
2023-12-24 11:24:38
151
原创 在深度学习中，端到端的含义
在深度学习中，端到端（End-to-End）指的是整个系统从输入到输出的完整学习过程，而不需要明确定义和手动设计中间的特征提取或处理步骤。具体而言，端到端深度学习方法强调通过一个统一的、端到端的模型，直接从原始输入映射到目标输出，从而实现任务的自动特征学习和端到端优化。在自然语言处理任务中，如情感分析，传统方法可能包括手动提取文本特征。端到端的语音识别模型（如端到端语音识别 - ESPnet）直接从声波信号中学习表示，并生成文本输出，无需手动设计声学特征提取器。
2023-12-23 20:32:56
888
原创 RoIAlign在深度学习怎么翻译
RoIAlign 的中文翻译可以是 "感兴趣区域对齐"。RoIAlign 是一种在深度学习中常用于目标检测的技术，它用于提取感兴趣区域（Region of Interest，简称 RoI）中的特征并进行对齐操作，以更准确地捕捉目标的特征信息。RoIAlign 被设计用于解决 RoIPooling 中可能引起信息丢失的问题，通过插值操作实现对齐，提高了特征提取的精度。
2023-12-23 17:04:38
176
原创 logits后面接softmax的作用
在深度学习中，将Logits（逻辑值）输入 softmax 函数的主要目的是将原始的未经处理的分数转换为概率分布。Softmax 函数能够将Logits转化为归一化的概率值，使得每个类别的分数都在0到1之间，且所有类别的概率之和等于1。通过Softmax，原始的Logits中较大的值会被映射到更大的概率，而较小的值则对应较小的概率。这样的转换使得模型的输出更易于解释，可以用于多分类问题的决策和预测。在分类任务中，通常会选择具有最高概率的类别作为最终的预测结果。是Softmax 函数的输出，表示第。
2023-12-21 16:58:53
193
原创 深度学习的logits什么意思
在深度学习中，Logits（逻辑值）通常是指模型的输出层的原始未经处理的分数或得分，尤其是在分类问题中。具体来说，Logits是模型对每个类别的线性输出，还未经过 softmax 或 sigmoid 等激活函数的处理。在进行分类任务时，一般会对Logits应用 softmax 函数，将其转化为概率分布，使得每个类别的得分都在0到1之间，且所有类别的概率之和为1。总体而言，Logits是神经网络输出的原始值，它们提供了每个类别的分数信息，进而可以用于后续的分类或决策过程。
2023-12-21 16:48:52
1238
原创 深度学习的推理部分
这个输出结果可以是类别标签、目标位置的坐标、对输入数据的描述等，具体取决于模型的任务和设计。在这个阶段，深度学习模型通过使用大量标记的训练数据进行学习，调整模型的权重和参数，以便使模型能够适应输入数据并执行特定的任务（如图像分类、目标检测、语音识别等）。深度学习的推理部分指的是已经训练好的深度学习模型应用于新数据（通常是测试或实际应用数据）以进行预测、分类、分割等任务的过程。推理阶段的模型可以嵌入到各种应用中，例如计算机视觉系统、自然语言处理系统、语音识别系统等，用于实时或批处理地处理新的数据。
2023-12-21 04:00:00
107
原创 深度学习嵌入头embedding head解释
在目标跟踪或目标检测的深度学习模型中，"嵌入头"（Embedding Head）通常指的是网络架构中负责生成目标的特征表示的部分。具体来说，嵌入头负责将输入图像或图像区域转换为一个高维度的向量（即嵌入向量或特征向量），其中包含了关于目标的抽象信息。例如，对于目标检测，嵌入头可能需要同时输出目标的类别信息和位置信息。因此，嵌入头的结构和输出可能在不同的模型和任务中有所不同。嵌入头的设计影响了模型对目标的抽象表示能力。嵌入头通常连接在卷积神经网络（CNN）的顶部，用于提取输入图像或图像区域的高级特征。
2023-12-20 21:12:35
635
原创 深度学习模型里的apis
在深度学习模型中，APIs（Application Programming Interfaces）是一组接口或方法，用于与深度学习框架或库进行交互，以构建、训练和使用神经网络模型。总体来说，"apis" 文件夹通常用于组织和存放与深度学习模型相关的自定义接口和功能，以提高代码的可维护性和可扩展性。这有助于将不同功能的代码模块化、清晰地分离，使整个项目更易于理解和维护。通常情况下，"apis" 文件夹可能包含一些自定义的模块或脚本，用于封装、定义、或提供一些特定功能的 API 接口。
2023-12-20 20:14:04
214
原创 深度学习目标检测全连接层什么意思
典型的深度学习目标检测架构（如Faster R-CNN、YOLO等）会使用全连接层来处理从卷积层提取的特征，最终生成目标检测的结果。在近年来的发展中，也有一些轻量级的目标检测模型，它们可能会减少或者完全去除全连接层，以减小模型的参数量和计算复杂度。CNN 的主要结构包括卷积层和池化层，用于从输入图像中提取特征。然而，为了最终输出目标的类别和位置信息，通常在网络的最后会连接全连接层。2. 目标分类和位置回归：全连接层的最后一部分通常包括两个子层，一个用于目标分类（分类层），另一个用于目标位置回归（回归层）。
2023-12-18 10:02:10
83
qdtrack的核心代码注释
2023-09-21
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人