fuhao7i的博客

朴实无华的Dataset自定义Dataset，该Dataset用于读取训练图像和标签图像，并做简单的尺寸调整和归一化处理，不包含其他的图像预处理操作。具体的实例化和使用方法，可以参考main.py的使用。SimpleDataset.pyimport torchimport torch.nn as nnimport mathimport torch.nn.functional as Ffrom PIL import Imagefrom torch.autograd import Variab

小菊的语义分割3????——数据预处理及像素级分类实现原理1. 数据预处理2. label map 标签映射3. 像素级分类原理1. 数据预处理思路: 读取train.txt文件，获取训练图像及对应标签的文件路径，读取图像，将图像转化为tensor之后，resize调整图像尺寸大小并进行归一化处理，之后也可通过旋转，色偏，增加噪声等方式进行数据增强。注意要保证图像和标签的处理一致。padding可以使图像在resize时不失真2. label map 标签映射如图就是我们的语义分割标签图像，相

小菊的语义分割????——语义分割科普Semantic Segmentation什么是语义分割？什么是语义分割？语义分割其实就是像素级的分类任务。假设我们看到这样一幅图：我们一眼就能看到这是一只狗正趴在地上，那如果我们把这张图片传给计算机，计算机该如何获得这张图片哪些地方是狗，哪些地方是地面呢？因为计算机在读取图片的时候，是按像素点来读取的，对计算机来说，这么一张图片，其实就是整齐排列的大量的像素点，那么如果我们按照每一个像素点来进行分类：是小狗？或者是地面，就能准确的知道图片中小狗的位置了???

Mac折腾不起QAQ—— 无法升级zsh或无法使用git 报错：xcrun: error: invalid active developer path /Library/Developer/CommandLineTools在给zsh升级时遇到的这个问题，报错 xcrun: error: invalid active developer path解决办法： xcode-select --install之后就可以顺利完成升级了。...

Competition????1——智能交通场景应用1. YOLOv3 + Deepsort2. 提取背景.py3. 车道线标定.py4. 车牌识别模块4.1 车牌信息择优迭代5. 车辆非法越线检测6. 车辆斑马线不礼让行人检测7. 总结个人博客在这呢????fuhao7i Blog视频讲解在这找????袖手天下7iHello, 最近很多小伙伴们看了我在B站的视频之后来和我交流关于如何实现车辆的非法越线检测以及车辆在斑马线不礼让行人的检测等，今天我以一个开源的项目为基础来和大家简单分享一下技术实现，

Dali工具箱????1——torch GPU版本环境配置1. Anaconda安装2. 安装CUDA2.1 查看电脑上现有的CUDA版本2.2 [确认GPU所支持的CUDA版本](https://developer.nvidia.com/zh-cn/cuda-gpus)2.3 卸载CUDA2.4 安装我们所需的CUDA版本2.4.1 确认我们目前的环境2.4.2 [下载CUDA文件并安装](https://developer.nvidia.com/zh-cn/cuda-downloads)2.4.3 配置

Mac折腾不起QAQ——Python 安装依赖requirements.txt安装requirements.txt依赖pip install -r requirements.txt

Mac折腾不起QAQ——Linux或Mac 查看CUDA版本cat /usr/local/cuda/version.txtornvcc -V

pip install pip -Upip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

小菊的语义分割——对ISPRS数据集中的遥感图像进行切分，制作自己的训练数据集1. 为什么要对遥感图像进行切分？2. 切分图像，制作数据集1. 为什么要对遥感图像进行切分？一般的遥感图像尺寸都是非常大的，就像这里我们用的ISPRS遥感图像数据集，每张遥感图像.ttf的尺寸都是6000 x 6000，这根本就不能用于我们的模型训练????(内存瞬干爆炸????)，因此需要我们自己将大的遥感图像切分成自己需要的尺寸，像是常用的224 x 224，512 x 512等。大家可以利用如下代码将遥感图像切分成

深度学习原理概述，带你一分钟秒懂深度学习1. 深度学习与人工智能，机器学习之间的关系2. 机器学习工作原理3. 深度学习工作原理3.1 何为“深度”？3.2 神经网络如何对数据进行操作？或进行怎样的操作？3.3 告诉神经网络它的输出符不符合我们的胃口！3.4 进行"学习"4. 深度学习发展现状1. 深度学习与人工智能，机器学习之间的关系        人工智能包含机器学习，而深度学习又是机器学习的一个分支。接下来，我将循序渐

阿菊的OpenCv11——cv2读取图像并用matplotlib显示多幅图像以及RGB图像通道的拆分cv2.split与合并cv2.merge0. 原始图像1. cv2读取图像并用matplotlib显示2.RGB图像通道的拆分与合并3. matplotlib 显示多幅图像0. 原始图像1. cv2读取图像并用matplotlib显示import cv2import matplotlib.pyplot as pltimg = cv2.imread('../images/ju.jpg')pl

阿菊的OpenCv——特征检测算法与匹配算法汇总详解！1. 特征检测算法a. 用于检测角点的特征检测算法a1 Harrisa2 FASTb. 用于检测斑点的特征检测算法b1 SIFTb2 SURFb3 BRIEFc. ORB：该算法代表带方向的FAST算法与具有旋转不变性的BRIEF算法2. 特征匹配算法a. 暴力(Brute-Force)匹配法b. 基于FLANNel的匹配法OpenCv可以检测图像的主要特征，然后提取这些特征，使其成为图像描述符，并可以利用这些特征进行图像匹配和搜索。1. 特征检测

阿菊的OpenCv——使用快速Hessian算法和SURF来提取和检测特征SURF采用快速Hessian算法检测关键点，而SURF来踢去特征，这和SIFT很像。阿菊的OpenCv(九)——使用DoG和SIFT进行特征提取与描述代码如下：import cv2import numpy as npimg = cv2.imread('1.jpg')gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)sift = cv2.xfeatures2d.SURF_crea

阿菊的OpenCv——使用DoG和SIFT进行特征提取与描述关于使用Harris算法来对图像进行角点检测的介绍，大家可以参考我的另一个博客：阿菊的OpenCv(八)——cv2.cornerHarris()函数详解 用于角点检测前面我们已经了解了Harris函数来进行角点检测，因为角点的特性，这些角点在图像旋转的时候也可以被检测到。但是，如果我们放大或缩小图像时，就可能会丢失图像的某些部分，甚至有可能增加角点的质量。这种损失的现象需要一种与图像比例无关的角点检测方法来解决。SIFT(Scale-Inva

阿菊的OpenCv——cv2.cornerHarris函数详解 用于角点检测OpenCV 中的 Harris 角点检测python代码如下：参考文献：关于角点的介绍，请参考我的另一篇博客：阿菊的OpenCv(七)——一分钟了解特征检测中的角点(Corner)以及斑点(blob)OpenCV 中的 Harris 角点检测Open 中的函数 cv2.cornerHarris() 可以用来进行角点检测。参数如下:　　• img - 数据类型为 float32 的输入图像。　　• blockSize -

阿菊的OpenCv——一分钟了解特征检测中的角点以及斑点1.角点2. 斑点参考文献：1.角点通常意义上来说，角点就是极值点，即在某方面属性特别突出的点，是在某些属性上强度最大或者最小的孤立点、线段的终点。 对于图像而言，如图所示圆圈内的部分，即为图像的角点，其是物体轮廓线的连接点。以下是关于角点的几种具体描述：一阶导数(即灰度的梯度)的局部最大所对应的像素点；两条及两条以上边缘的交点；图像中梯度值和梯度方向的变化速率都很高的点；角点处的一阶导数最大，二阶导数为零，指示物体边缘变化不连续的方