爱学习的小登西的博客

转载 The Most Common Habits from more than 200 English Papers（中国学生写英语论文中最常见的错误）

中国学生写英语论文的常见错误总结IntroductionPurposeStructureSection 11. “a，an，the”Mistake: The, a, and anDefinitions:①.Articles②.Determiners③.Common nouns：④.Count noun：⑤.Noncount nouns⑥.Specific noun⑦.Nonspecific noun2. Very long sentences3. Prefacing the main idea of a s

原创 目标检测YOLOv5开源代码项目调试与讲解实战（跳转链接）

目标检测YOLOv5开源代码项目调试与讲解实战1.项目介绍和环境配置2.如何利用YOLOv5进行预测3.如何训练YOLOv5神经网络4.如何制作以及训练自己的数据集

原创 Python学习笔记（跳转链接）

Python学习笔记（跳转链接）1.Python安装，pip包管理器，anaconda，Pycharm介绍，DOS2.Python之变量、数据类型、类型转换、运算符3.Python之输出格式化、进制转换4.Python之位运算符5.Python之运算符的优先级6.Python之条件语句7.Python之条件语句练习题8.Python之while循环9.Python之while循环练习题10.Python之for循环11.Python之跳出语句（break，continue）...

原创 深度学习目标检测入门实战（跳转链接）

1.什么是目标检测2.VOC数据集3.COCO数据集4.标注自己的数据集5.解决 : ModuleNotFoundError: No module named ‘pycocotools‘6.如何使用pytorch加载并读取COCO数据集

原创 PyTorch深度学习入门教程（跳转链接）

PyTorch深度学习入门教程（可跳转）1.pytorch的两大法宝2.pytorch和jupyter使用和对比3.pytorch加载数据初认识4.Tensorboard使用5.torchvision中的transforms的结构以及用法6.python中__call__的用法7.torchvision中的数据集使用8.DataLoader的使用9.神经网络的基本骨架——nn.Module的使用10.神经网络基本结构的使用（Convolution Layers的使用）111.神经网络基

原创 开心的一天^_^

没啥事，就是想让大家看看我的新壁纸……

原创 Serving TensorBoard on localhost； to expose to the network, use a proxy or pass --bind_all问题解决

tensorboard无法显示问题解决

原创 英文论文写作神器

Deepl翻译，支持多语言，可针对某个词同义替换QuillBot，课程论文等句子改写，高级词汇替换wordtune，大论文的写作可用grammarly，语法检查用Aim writing，英文润色网站

原创 如何制作以及训练自己的数据集

1. 标注2. 自己获得数据集（手动）——人工标注3. 自己获得数据集——半人工标注。利用别人训练好的模型进行标注，自己再进行微调4. 仿真数据集（GAN，数字图像处理的方式）GitHub——YOLOv5——readme——Tutorials——Train Custom Data（训练自定义数据）1.需要准备与coco128.yaml格式相同的文件指明根目录训练集、验证集、测试集的相对路径制作标签Make sense / CVAT具体步骤：标注自己的数据集以汽车为标签制作

原创 如何训练YOLOv5神经网络(本地+云端)

1. 本地上训练YOLOv5 # 指定好训练好的模型的路径，然后用这个训练好的模型来初始化我们网络当中的参数，一般训练时都是一开始来进行训练，即default为空 # default='' Yolov5s.pt Yolov5m.pt Yolov5l.pt Yolov5x.pt parser.add_argument('--weights', type=str, default='', help='initial weights path') # config

原创 如何利用YOLOv5进行预测

YOLOv5 5.0 detect.pyif __name__ == '__main__': parser = argparse.ArgumentParser() # 下载好的网络模型，下载下来可以用它实现检测 parser.add_argument('--weights', nargs='+', type=str, default='yolov5s.pt', help='model.pt path(s)') # 给网络指定一个输入文件夹 default是个文件夹时，会对文

原创 YOLOv5之项目介绍和环境配置

YOLOv5之项目介绍和环境配置项目地址下载YOLOv5项目环境配置项目地址https://github.com/ultralytics/yolov5下载YOLOv5项目环境配置下载完毕后在pycharm打开，界面如下requirements.txt中写明了所有需要的库，以及没有安装的库，点击install requirements即可安装，或者将第一行命令复制至terminal也可安装（更快）...

原创 如何使用pytorch加载并读取COCO数据集

如何使用pytorch加载并读取COCO数据集环境配置基础知识：元祖、字典、数组利用PyTorch读取COCO数据集利用PyTorch读取自己制作的数据集环境配置看pytorch入门教程基础知识：元祖、字典、数组# 元祖a = (1, 2)# 字典b = {'username': 'peipeiwang', 'code': '111'}# 数组c = [1, 2, 3]print(a[0])print(c[0])print(b["username"])输出：利用PyTorc

原创 解决 : ModuleNotFoundError: No module named ‘pycocotools‘

1.pycharm终端输入 pip install pycocotools，显示安装 失败2.根据所提供的网站安装visual studiohttps://visualstudio.microsoft.com/visual-cpp-build-tools/工作负荷 选择：使用C++的桌面开发单个组件 输入：build选择：适用于V142的C++……生成工具更改位置选择安装3.安装完成后重新在终端输入 pip install pycocotools，稍等一会就会安装成功...

原创 标注自己的数据集

标注自己的数据集在线标注数据集网站MakeSense：http://www.makesense.ai/CVAT：https://cvat.org/本地标注数据集精灵标注助手：www.jinglingbiaozhu.com在线标注数据集网站MakeSense：http://www.makesense.ai/界面点击中间框添加图片添加完毕——选择物体检测选择开始，会在网页中添加类别从文件加载标签，可以自己新建txt将所有类别显示在action——edit labels 增加标注（类别）

原创 COCO数据集

COCO数据集COCO 数据集下载COCO 2017 数据集验证（val）数据集2017：由很多图片组成Annotations：中的.json文件1.info：讲解文件的一些基本信息（描述、链接地址、版本、年份、贡献者等）2.licenses：讲解许可证的信息3.images：图片，每一个 **{}** 讲解一个图片4.annotations：图片的一些标注，5.categories：关于类别，大类是交通工具，小类是自行车COCO 数据集下载官网：https://cocodataset.org/#hom

原创 VOC数据集

介绍常见的数据集（开源）制作属于自己的数据集VOC数据集 tar格式官网：http://host.robots.ox.ac.uk/pascal/VOC/多用，VOC2007和VOC2012VOC数据集的下载（使用迅雷加快下载速度）1.官网下载：2.利用下载链接：3.pytorch官网VOC2007Annotations：标注，点开有很多文件，以xml结尾，包含标注 信息ImageSets：图片集合JPEGImages：打开有很多图片，核心文件SegmentationC

原创 什么是目标检测

目标检测：位置+类别人脸检测：人脸——目标文字检测：文字——目标主流的目标检测，都是以矩阵框的形式进行输出的。语义分割：比目标检测更高精度（对训练要求更高）

原创 GitHub使用教程

项目的所有源代码查看某个文件内容源码区域下方会自动显示源码中的README.md文件，为说明文件，内容一般是软件的功能、用法、注意事项……将源码打包下载下载后解压缩

原创 完整的模型验证（测试，demo）套路

完整的模型验证（测试，demo）套路：利用已经训练好的模型，然后给它提供输入（对外应用）import torchimport torchvision.transformsfrom PIL import Imagefrom torch import nn# 找到img.png图片----》相对路径的考察img_path = "../image/airplane.png"# 读取图片img = Image.open(img_path)print(img) # 输出：<PIL.PngI

原创 如何采用GPU训练

如何采用GPU训练方法1：对网络模型，数据（数据、标注），损失函数调用.cuda()即可import torchimport torchvisionfrom torch import nnfrom torch.utils.data import DataLoaderfrom torch.utils.tensorboard import SummaryWriterimport time# 将model文件夹中有的东西都引入过来# from model import *# 准备数据集t

原创 完整的模型训练套路（以CIFAR10数据集）

完整的模型训练套路1.准备数据集2.准备dataloader3.创建网络模型4.创建损失函数、优化器5.设置训练参数6.设置训练轮数7.使网络进入训练状态8.从dataloader中不断取数据9.计算误差10.利用优化器进行优化11.特定步数训练结果进行输出12.使网络进入测试状态13.梯度清零14.从测试数据集中取数据15.计算loss16.构建特殊评价指标并计算17.输出训练效果18.将某一轮的模型进行保存代码实现：import torchoutputs

原创 模型的保存和读取

模型的保存import torchimport torchvisionfrom torch import nnvgg16 = torchvision.models.vgg16(pretrained=False)# 保存方式1torch.save(vgg16, "vgg16_method1.pth")# 保存方式2,模型参数（官方推荐）# 将vgg16的状态保存成字典形式torch.save(vgg16.state_dict(), "vgg16_method2.pth")模型的加载

原创 现有网络模型的使用及修改

pytorch官网→docs→torchvision→torchvision.models/Models and pre-trained weights查看特定网络并添加线性层import torchvisionfrom torch import nnvgg16_False = torchvision.models.vgg16(pretrained=False)vgg16_True = torchvision.models.vgg16(pretrained=True)# vgg16被设计来用于

原创 神经网络学习之优化器

1.官方文档：for input, target in dataset: # 梯度清零 optimizer.zero_grad() output = model(input) loss = loss_fn(output, target) loss.backward() optimizer.step()代码实战：import torchimport torchvisionfrom torch import nnfrom torch.nn import

原创 损失函数和反向传播

损失函数Loss1.概念理解2.官方文档使用不难，要明白loss是如何计算的需要一定数学功底（1）L1lossX:1,2,3Y:1,2,5L1loss = (0+0+2) / 3 = 0.6MSE = (0+0+2^2) / 3 = 1.333import torchfrom torch.nn import L1Lossinputs = torch.tensor([1, 2, 3], dtype=torch.float32)targets = torch.tensor([1,

原创 神经网络之搭建小实战和Sequential的使用

SWQUENTIAL：使代码更加简洁目标：搭建一个对CIFAR-10分类的简单神经网络import torchfrom torch import nnfrom torch.nn import Conv2d, MaxPool2d, Flatten, Linearclass Peipei(nn.Module): def __init__(self) -> None: super(Peipei, self).__init__() self.conv1

原创 神经网络基本结构的使用（线性层及其它层的使用）

Normalization Layers 正则化层 加快神经网络训练速度CLASS torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)Recurrent Layers&Transformer Layer 特定的网络结构，根据具体需要使用Drop Layers 防止过拟合Distance Funct

原创 神经网络基本结构的使用（Non-linear Activations的使用）

作用：从神经网络中引入一些非线性的特征，非线性特征越多，才能模拟出越丰富的曲线以RELU举例CLASStorch.nn.ReLU(inplace=False)实战：import torchfrom torch import nnfrom torch.nn import ReLUinput = torch.tensor([[1, -0.5], [-1, 3]])input = torch.reshape(input, (-1, 1, 2, 2)

原创 神经网络基本结构的使用（Polling Layers的使用）

CLASS torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)Parameterskernel_size – the size of the window to take a max over 生成池化层窗口的大小stride – the stride of the window. Default value is kernel_size

原创 神经网络基本结构的使用（Convolution Layers的使用）2

CLASS torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtype=None)Parameters：in_channels (int) – Number of channels in the input image 输入图像的通道数，彩色图像通道数 3out

原创 神经网络基本结构的使用（Convolution Layers的使用）1

torch.nn相当于把齿轮封装好的，直接提供给我们的方向盘torch.nn.functional相当于开车时齿轮的运转TORCH.NN.FUNCTIONAL.CONV2Dtorch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1) → Tensor代码实战：import torchimport torch.nn.functional as F# 写入二维矩

原创 神经网络的基本骨架——nn.Module的使用

pytorch官网——docs（官方文档）——torch.nn（关于神经网络的工具）Containers：给神经网络定义了一些骨架在卷积神经网络中的一些核心部分：Convolution LayersPooling layersPadding LayersNon-linear Activations (weighted sum, nonlinearity)Non-linear Activations (other)Normalization LayersRecurrent LayersTr

原创 DataLoader的使用

dataset：数据集dataloader：数据加载器，每次从dataset中取数据，加载到我们需要的神经网络当中，如何取数据由dataloader控制。官网：# batch_size(int, optional): 每个batch有多少个样本 ,每次从dataset中取4个数据进行一个打包# shuffle(bool, optional): 在每个epoch开始的时候，对数据进行重新排序# num_workers (int, optional): 这个参数决定了有几个进程来处理data load.

原创 torchvision中的数据集使用

使用教程位置：pytorch官网（https://pytorch.org/）→docs→torchvisionDataset和transform的联合使用下载数据集# 下载数据集train_set = torchvision.datasets.CIFAR10(root="./dataset_cifar10", train=True, transform=dataset_transforms, download=True)test_set = torchvision.datasets.CIFAR10

原创 python中__call__的用法

作用：可以不用 . 就调用class Person: def __call__(self, name): print("__call__"+"hello"+name ) def hello(self,name): print("hello"+name)person = Person()person("zhangsan")person.hello("lisi")

原创 torchvision中的transforms的结构以及用法

作用：主要对图片进行一些变化python的用法 -》tensor数据类型(以ToTensor工具来讲解transforms的用法)通过transforms.ToTensor去解决两个问题1.transforms如何使用（在python中）2.为什么需要Tensor数据类型出现错误，波浪线时 alt+回车 可以查看解决方案查看需要什么参数 Ctrl+p# 绝对路径 C:\Users\11404\PycharmProjects\pytorch_learning\dataset2\train\a

原创 Tensorboard使用

1.Tensorboard使用：探究模型在不同阶段如何输出的，得到如下图的表格2.图像变换，transform的使用pycharm中，按下CTRL键，鼠标单击类，就可查看类的介绍add_scalar()的使用：常用来绘制train/val lossfrom torch.utils.tensorboard import SummaryWriterwriter = SummaryWriter("logs")# y=2xfor i in range(100): writer.add_sc

原创 pytorch加载数据初认识

两个类 Dataset/Dateloaderfrom torch.utils.data import Datasetfrom PIL import Imageimport osclass MyData(Dataset): # 初始化，根据这一个类创建一个特例实例时要运行的函数，函数为整个class提供全局变量 def __init__(self, root_dir, label_dir): # 已知，一个函数的变量没法传递给另外一个函数，self就相当于指定了一个

原创 pytorch和jupyter使用和对比