![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
文章平均质量分 55
西柚与蓝莓
好了阿鹏
展开
-
基于 YOLOv8n-pose 模型的图像特征提取,可用于识别特定的姿态
实现了一个基于模型的图像特征提取和相似性比较系统。它可以从图像中提取人体关键点信息,并将其保存为特征文件。然后,通过计算输入图像与数据库中图像特征的相似度,确定输入图像的类别。原创 2024-08-23 09:19:58 · 513 阅读 · 0 评论 -
在 OpenCV 中,cv2.rectangle两种主要的参数形式
【代码】在 OpenCV 中,cv2.rectangle两种主要的参数形式。原创 2024-08-22 20:47:59 · 354 阅读 · 0 评论 -
NMS写法
param boxes: 检测框列表,形状为 [N, 4],N 为检测框数量,每个检测框为 [x1, y1, x2, y2]:param scores: 检测框对应的置信度得分列表,形状为 [N]:param threshold: 重叠阈值。:return: 保留的检测框索引列表。原创 2024-08-22 16:28:20 · 120 阅读 · 0 评论 -
YOLOV8分类任务更换主干mobilenetv2网络
自定义Movilenet_v2类return x。原创 2024-08-16 13:44:54 · 774 阅读 · 0 评论 -
YOLOV8对于classify分类任务更换resnet18主干网络
添加到conv.py末尾注册模块。原创 2024-08-16 11:28:03 · 358 阅读 · 0 评论 -
cv2,PIL绘制矩形框与图片的切片(易错)
img:要绘制矩形的图像。pt1:矩形的一个顶点坐标,通常是左上角的坐标,格式为(x1, y1)。pt2:矩形的对角顶点坐标,通常是右下角的坐标,格式为(x2, y2)。color:矩形框的颜色,通常以(B, G, R)格式表示,例如表示蓝色。thickness:矩形框的线条粗细。如果为-1,则表示填充矩形。原创 2024-08-15 23:00:09 · 451 阅读 · 0 评论 -
vgg16网络搭建可运行代码
summary是打印网络结构信息。原创 2024-08-06 17:21:01 · 142 阅读 · 0 评论 -
查看pycharm里面的库的版本
1. 点击右下角点击2. 点击设置。原创 2024-08-06 11:19:03 · 343 阅读 · 0 评论 -
yolov3 neck部分搭建,以及完整的网络搭建代码,可直接运行
上次提到了搭建了主干网络,这个加上neck就可以构建完整的yolov3网络红色的字体是通道数。当然,你也可以最定义,最后的输出通道数可以根据你的分类数定夺。下面我们一起来实现一下整个代码。原创 2024-08-03 21:24:34 · 264 阅读 · 0 评论 -
代码实现yolov3主干网络,可以直接运行
net=Net()out=net(x)layers=[]net=Net()out=net(x)print(cif)tt.yaml#conf:conf:原创 2024-08-02 10:41:32 · 1516 阅读 · 0 评论 -
使用 Python 实现计算交并比(IoU)的代码示例:
两个矩形框的交集/并集。原创 2024-07-29 22:34:10 · 339 阅读 · 0 评论 -
Transform.ColorJitter测试
这个可以改变图片的亮度,饱和度,色相,对比度。原创 2024-07-23 20:00:59 · 226 阅读 · 0 评论 -
简单搭建卷积神经网络实现手写数字10分类
1.导入minest数据集2.对数据进行预处理3.构建卷积神经网络模型4.训练模型,评估模型5.用模型进行训练预测。原创 2024-07-14 23:00:30 · 1498 阅读 · 2 评论 -
PyTorch SummaryWriter TensorBoard 中进行可视化
通常用于在训练过程中记录各种数据,以便在 TensorBoard 中进行可视化。,然后在浏览器中打开显示的 URL 即可查看可视化结果。在 PyTorch 中,原创 2024-07-10 15:46:25 · 489 阅读 · 0 评论 -
交叉熵损失函数的使用目的(很肤浅的理解)
传进去的是(3,5)维度的数据,其中3可以代表有3个图片(数据),5代表有5中类别(0,1,2,3,4这几类)。[ 0.1087, -0.4276, 0.9313, -1.0140, 2.1229]表示预测的是。·····第一个图是第一类的概率是 -0.4276(负数无所谓,举的例子是随机的嘛)是预测值的概率更加接近真实值,让那些真实值对于的概率的类别更加大。····第一个图是第一类的概率是 0.1087。----第一行的第3个值。----第二行的第4个值。----第3行的第2个值。原创 2024-07-10 11:54:44 · 520 阅读 · 0 评论