Python
Snoopy_Dream
这个作者很懒,什么都没留下…
展开
-
Labelme 高效标注数据-----txt2json.py
高效标注数据,这里以特定的文字检测(文字交通标志文字检测)为例.开源模型检测,生成txt. txt2json,生成labelme的格式 打开labelme,进行进一步纠正 当自己的标注数据差不多的时候,用自己的数据,训练一个模型 重复1-3&4以下是百度开源API进行文字检测与识别的python代码输入图片,公开在线API得到list结果 baidu_det_api_h...原创 2019-12-22 12:31:41 · 867 阅读 · 0 评论 -
菜鸟学习python编程--杂记 (不定期更新)numpy
目录1.bool类型的形参+return 的合理使用 其实当i有明确含义时,如下for col in xrange(w)3.for与np的联合使用,4. import copy5. np.clip(data,min,max),6. np.where 两种用法7. np.oneslike(x)8. s_list = np.random.choice(self...原创 2018-10-02 10:29:43 · 661 阅读 · 0 评论 -
深度学习python数据构造(一)——序列读取pickle与cPickle
pickle与cPickle;两者的关系:“cPickle – A faster pickle” import cPickle as pickle常用函数:pickle.dump(data,handle,0 or 1 or 2) 接受一个文件句柄和一个数据对象作为参数[序列化] 0:txt,1 ,2:老新二进制 ...原创 2018-09-27 11:34:04 · 1647 阅读 · 0 评论 -
深度学习训练数据python代码——数据增广(二)
python图像数据增强库 Augmentor使用比较简单,只有一些简单的操作。 imgaug实现的功能更多,可以对keypoint, bounding box同步处理,比如你现在由一些标记好的数据,只有同时对原始图片和标记信息同步处理,才能有更多的标记数据进行训练。我在segmentation和detection任务经常使用imgaug这个库。 Augmentorhttp:/...原创 2018-09-27 21:20:31 · 4819 阅读 · 0 评论 -
深度学习训练数据python代码——数据增广(三)
imgaughttp://imgaug.readthedocs.io/en/latest/index.html安装 依赖numpy scipy scikit-image (pip install -U + scikit-image) six (pip install -U six) OpenCV (i.e. cv2 must be available in python)...原创 2018-09-27 22:51:04 · 3655 阅读 · 0 评论 -
三行Python代码,让数据预处理速度提高2到6倍
Python 是机器学习领域内的首选编程语言,它易于使用,也有很多出色的库来帮助你更快处理数据。但当我们面临大量数据时,一些问题就会显现……目前,大数据(Big Data)这个术语通常用于表示包含数十万数据点的数据集。在这样的尺度上,工作进程中加入任何额外的计算都需要时刻注意保持效率。在设计机器学习系统时,数据预处理非常重要——在这里,我们必须对所有数据点使用某种操作。在默认情况下,Pyt...转载 2018-10-18 16:31:29 · 1336 阅读 · 0 评论 -
深度学习python数据构造(二)——数据批生成器batch_generator+yield使用
当数据集的数据过大时,采用生成器generator生成数据循环调用那么,如何设置一个batchsize的批生成器以供训练深度学习模型用呢?背景介绍:下面这个例子是HWDB手写体,单张图片小,分类任务,trainset有89w+,正好涉及数据集多大,需要自己生成batch_generator提高效率。初步想法:首先第一种方法,是构造class,利用class中的__ne...原创 2018-09-30 09:57:53 · 6714 阅读 · 2 评论 -
Spyder 自动补全 加载模块
1.删除环境中的enum包,pip uninstall enum 或 pip uninstall enum342.找到 module_completion.py 文件,位于目录usr/lib/python2.7/dist-packages/spyderlib/utils/introspection/。将cv和cv2添加到 module_completion.py 文件第274行的 mo...原创 2018-10-19 12:03:00 · 1706 阅读 · 0 评论 -
RPN 预备编程知识(一) : Numpy VS Pytorch ( Anchor_target_layer )
目录1. np.where(x>4) ) 知道返回[0] [1]2. np.meshgrid 构造xy轴3. np.ravel( ) VS np.flatten() 拉成一维4. x.reshape( ) 了解填充方式5. np.squeeze(a,axis=none) & b.squeeze(0) [ b是torch.data ]6. np.vi...原创 2018-11-03 12:12:59 · 1379 阅读 · 0 评论 -
reshape和transpose的区别
reshape填充的顺序,从最后一个维度开始赋值。 transpose与reshape的最大区别:reshape修改的只是维度,填充顺序不变transpose修改的是轴,填充顺序改变anchor_target_layer:bbox_targets = bbox_targets.reshape((1, height, width, A * 4)).transpose(0, 3,...原创 2018-11-06 13:49:15 · 4002 阅读 · 0 评论 -
numpy:从多重for循环思维转换到矩阵思维
例子是bbox_overlaps计算anchors和gts的iou。输入: anchors: (N, 4) ndarray of float gt_boxes: (K, 4) ndarray of float输出: overlaps: (N, K) ndarray of overlap between boxes and query_boxes...原创 2018-11-05 22:07:19 · 3984 阅读 · 0 评论 -
python opencv检测直线 cv2.HoughLinesP
opencv的HoughLinesP函数是统计概率霍夫线变换函数,该函数能输出检测到的直线的端点 ,其函数原型为:HoughLinesP(image, rho, theta, threshold[, lines[, minLineLength[, maxLineGap]]]) -> linesimage参数表示边缘检测的输出图像,该图像为单通道8位二进制图像。rho参数表示参数极径 ...原创 2018-09-17 22:10:22 · 29668 阅读 · 1 评论 -
菜鸟学习python编程----学习拾珍系列(二)
1.对于python这种语言,遇到问题的第一瞬间,应该是查找现有方法,而不是自己编写。比如字符串的strip,replace方法等2.pprint或者print( ,sep='\t',)更好的输出3.可选形参 def a(b,c=200) c为可选参数,200是默认4.寻找在d1中出现而d2没有出现的key,创建一个新的dict,然后 for 和 if 旧的两个的比较...原创 2018-08-13 10:42:51 · 256 阅读 · 0 评论 -
菜鸟学习python编程----学习拾珍系列(一)
以下内容是前12章,讲完了元组这些--------------------------------------------------------------------------------------------------0.for...if...break break停止掉最内部的for循环,且注意break的位置 if len(xuexiao...原创 2018-08-07 13:46:10 · 473 阅读 · 0 评论 -
给深度学习入门者的Python快速教程 - 番外篇之Python-OpenCV
原文出处: 達聞西 给深度学习入门者的Python快速教程基础篇numpy和Matplotlib篇番外篇之Python-OpenCV本篇是番外篇,因为严格来说不是在讲Python而是讲在Python下使用OpenCV。本篇将介绍和深度学习数据处理阶段最相关的基础使用,并完成4个有趣实用的小例子:- 延时摄影小程序- 视频中截屏采样的小程序- 图片数据增加(data augmentation)的...转载 2018-03-13 16:42:38 · 658 阅读 · 0 评论 -
给深度学习入门者的Python快速教程 - Numpy和Matplotlib篇
原文出处: 達聞西 给深度学习入门者的Python快速教程基础篇numpy和Matplotlib篇番外篇之Python-OpenCV本篇部分代码的下载地址:https://github.com/frombeijingwithlove/dlcv_for_beginners/tree/master/chap55.3 Python的科学计算包 – Numpynumpy(Numerical Pytho...转载 2018-03-13 16:44:00 · 457 阅读 · 0 评论 -
给深度学习入门者的Python快速教程 - 基础篇
原文出处: 達聞西 给深度学习入门者的Python快速教程基础篇numpy和Matplotlib篇番外篇之Python-OpenCVLife is short, you need Python人生苦短,我用Python — Bruce Eckel5.1 Python简介本章将介绍Python的最基本语法,以及一些和深度学习还有计算机视觉最相关的基本使用。5.1.1 Python简...转载 2018-03-13 16:43:29 · 803 阅读 · 0 评论 -
ubuntu安装spyder2后闪退
sudo pip install --upgrade html5lib==1.0b8转载 2018-05-05 17:08:35 · 648 阅读 · 0 评论 -
深度学习过程中 常用 python 使用总结
目录-8. for循环数据的时候-7.all() 下面是ocr里利用竖直投影裁剪下一张表格,取出掉两旁的空白区域。-6.倒序查找字典中,第一个[0]满足条件的值-5. enumerate的使用,统计循环次序-4. np.where的使用,以及zip的实际使用-3. outline = str(imgname) + ' ' + ' '.join(map(str...原创 2018-06-22 15:50:34 · 1588 阅读 · 0 评论 -
目标检测训练数据增广--旋转+尺度+颜色+裁剪
原文链接:https://blog.csdn.net/wei_guo_xd/article/details/74199729常用的图像扩充方式有:水平翻转,裁剪,视角变换,jpeg压缩,尺度变换,颜色变换,旋转当用于分类数据集时,这些变换方法可以全部被使用,然而考虑到目标检测标注框的变换,我们选择如下几种方式用于目标检测数据集扩充:jpeg压缩,尺度变换,颜色变换这里,我们介绍一个图象变换包htt...转载 2018-06-17 10:14:24 · 6576 阅读 · 0 评论 -
对检测出来的结果单独进行softnms操作
1.从官方文档https://github.com/bharatsingh430/soft-nms/blob/master/lib/nms/cpu_nms.pyx,下载cython实现的softnms的代码2.创建setup.py文件from distutils.core import setupfrom Cython.Build import cythonizesetup( n...原创 2018-06-25 12:16:52 · 2112 阅读 · 0 评论 -
菜鸟学习python编程----学习拾珍系列(三)调试总结篇
5.调试的时候,由于空格和制表符都看不到,所以比较难发现。 print repr(s)可以将空格换行等打印成/t /n 8.调试的常规操作 在def的刚开始加入print,验证获得的实参没有问题【前置条件没有达到】 在return前,print,函数本身有问题【后置条件没有达到】 函数的返回值有问题,调用方式不正确 10.考虑哪个地方出错的概...原创 2018-08-14 10:35:37 · 282 阅读 · 0 评论 -
cv2 任意画多边形
for result in results: f = open(result,'r') lines = f.readlines() boxes = [] for line in lines: score = float(line.strip().split(' ')[8]) box,name=line.strip().split('...原创 2018-08-06 12:05:13 · 4979 阅读 · 0 评论 -
菜鸟学习python编程----学习拾珍系列(四)类+继承+拾珍
222原创 2018-08-14 12:05:59 · 140 阅读 · 0 评论 -
Pandas 学习笔记
Python数据分析与挖掘所需的Pandas常用知识 好文转自:https://www.jianshu.com/p/6b7516e6fafb1. 安装如果做数据分析用途建议使用Anaconda,自带pandas numy 以及很多库,还有集成开发环境Spyder(自带的变量查看器很好用) WIN LINUX MAC均支持。Anaconda 安装地址:https://www.co...转载 2018-02-04 21:19:58 · 363 阅读 · 0 评论