GLCIC:全局和局部一致的图像补全
本文《GLCIC:全局和局部一致的图像补全》所使用的项目源码
项目目录结构如下:
GLCIC-PyTorch-master
├─datasets
│ └─img_align_celeba
│ ├─test
│ └─train
├─images
├─results
│ └─demo
│ ├─phase_1
│ ├─phase_2
│ └─phase_3
├─model_cd
├─model_cn
├─config.json
└─__pycache__
SRGAN:使用生成对抗网络对图像进行超分辨率重构
此为SRGAN项目源码,项目目录结构如下:
SRGAN-master
├─benchmark_results
│ └─SRF_4
├─data
│ ├─DIV2K_train_HR
│ ├─DIV2K_valid_HR
│ ├─test
│ │ ├─SRF_2
│ │ │ ├─data
│ │ │ └─target
│ │ ├─SRF_3
│ │ │ ├─data
│ │ │ └─target
│ │ ├─SRF_4
│ │ │ ├─data
│ │ │ └─target
│ │ └─SRF_8
│ │ ├─data
│ │ └─target
│ └─test_videos
├─epochs
├─images
├─out_srf_4_data
│ └─test
│ └─SRF_8
│ └─data
├─pytorch_ssim
│ └─__pycache__
├─statistics
├─training_results
│ └─SRF_4
└─__pycache__
使用Ultralytics框架进行YOLO-World目标检测
本文《Real-Time Open-Vocabulary Object Detection:使用Ultralytics框架进行YOLO-World目标检测》所用的YOLO-World目标检测模型及其测试代码。
Neural Architecture Search:使用Ultralytics框架进行YOLO-NAS目标检测
本文《Neural Architecture Search:使用Ultralytics框架进行YOLO-NAS目标检测》所用的YOLO-NAS目标检测模型及其测试代码。
对抗生成:基于CycleGAN的风格迁移
本文《对抗生成:基于CycleGAN的风格迁移》的项目源码
文章地址:https://blog.csdn.net/FriendshipTang/article/details/140968347
项目目录结构如下:
pytorch-CycleGAN-and-pix2pix
├─data
│ └─__pycache__
├─datasets
│ ├─bibtex
│ └─vangogh2photo
│ ├─testA
│ ├─testB
│ ├─trainA
│ └─trainB
├─docs
├─imgs
├─models
│ └─__pycache__
├─options
│ └─__pycache__
├─scripts
│ ├─edges
│ └─eval_cityscapes
│ └─caffemodel
└─util
└─__pycache__
vangogh2photo.zip
文章《对抗生成:基于CycleGAN的风格迁移》所使用到的数据集。
文章地址:https://blog.csdn.net/FriendshipTang/article/details/140968347
“vangogh2photo”数据集是专门为训练一种名为CycleGAN(循环对抗生成网络)的深度学习模型而设计的。这个数据集的目的是让计算机学习将梵高的绘画风格应用到实际照片上,从而实现艺术与科技的跨界融合。
资源目录结构如下:
vangogh2photo
├─testA
├─testB
├─trainA
└─trainB
StarGAN v2:多领域的不同图像合成
本文《PatchCore:工业异常检测中的全面召回》的项目源码
项目目录结构如下:
stargan-v2
├─assets
│ └─representative
│ ├─afhq
│ │ ├─ref
│ │ │ ├─cat
│ │ │ ├─dog
│ │ │ └─wild
│ │ └─src
│ │ ├─cat
│ │ ├─dog
│ │ └─wild
│ ├─celeba_hq
│ │ ├─ref
│ │ │ ├─female
│ │ │ └─male
│ │ └─src
│ │ ├─female
│ │ └─male
│ └─custom
│ ├─female
│ └─male
├─core
│ └─__pycache__
├─data
│ └─celeba_hq
│......
Segment Anything Model 2:使用Ultralytics框架进行SAM2图像分割
本文《Segment Anything Model 2:使用Ultralytics框架进行SAM2图像分割》所用的SAM2图像分割模型及其测试代码。
PatchCore:工业异常检测中的全面召回
本文《PatchCore:工业异常检测中的全面召回》的项目源码
项目目录结构如下:
patchcore-inspection-main
├─bin
├─checkpoints
├─images
├─models
├─mvtec
│ └─bottle
│ ├─ground_truth
│ │ ├─broken_large
│ │ ├─broken_small
│ │ └─contamination
│ ├─test
│ │ ├─broken_large
│ │ ├─broken_small
│ │ ├─contamination
│ │ └─good
│ └─train
│ └─good
├─src
│ └─patchcore
│ ├─datasets
│ │ └─__pycache__
│ ├─networks
│ └─__pycache__
└─test
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)