最全的Linux教程,Linux从入门到精通
======================
-
linux从入门到精通(第2版)
-
Linux系统移植
-
Linux驱动开发入门与实战
-
LINUX 系统移植 第2版
-
Linux开源网络全栈详解 从DPDK到OpenFlow
第一份《Linux从入门到精通》466页
====================
内容简介
====
本书是获得了很多读者好评的Linux经典畅销书**《Linux从入门到精通》的第2版**。本书第1版出版后曾经多次印刷,并被51CTO读书频道评为“最受读者喜爱的原创IT技术图书奖”。本书第﹖版以最新的Ubuntu 12.04为版本,循序渐进地向读者介绍了Linux 的基础应用、系统管理、网络应用、娱乐和办公、程序开发、服务器配置、系统安全等。本书附带1张光盘,内容为本书配套多媒体教学视频。另外,本书还为读者提供了大量的Linux学习资料和Ubuntu安装镜像文件,供读者免费下载。
本书适合广大Linux初中级用户、开源软件爱好者和大专院校的学生阅读,同时也非常适合准备从事Linux平台开发的各类人员。
需要《Linux入门到精通》、《linux系统移植》、《Linux驱动开发入门实战》、《Linux开源网络全栈》电子书籍及教程的工程师朋友们劳烦您转发+评论
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
第97行的loss_c[pos] = 0
前面加上一句loss_c = loss_c.view(num, -1)
ssd.py
把所有的num_classes
的数量(第32、198行)都改为类别数+1
train.py
parser batch_size
,learning-rate
根据自己电脑情况修改(batchsize=16);
basenet
预训练模型,start_iter
迭代起始点,save_folder
模型保存地址
搜索这里面的data[0]
,全部替换为item()
;
第84、85行注释掉;
# if args.dataset\_root == COCO\_ROOT:
# parser.error('Must specify dataset if specifying dataset\_root')
第198行iteration % 5000 == 0
,意味着每5000次保存一次模型,可改为200。后两行可改保存的模型名。
可以在第195行创建txt记录loss值:
with open('loss.txt', 'a') as f:
f.write(str(loss.item()) + '\n')
165行的images, targets = next(batch_iterator)
改成:
try:
images, targets = next(batch_iterator)
except StopIteration:
batch_iterator = iter(data_loader)
images, targets = next(batch_iterator)
预训练文件vgg16_reducedfc.pth
开始训练时需要一个预训练文件 vgg16_reducedfc.pth
下载之后放在SSD项目下新建的weights文件夹下,然后就可以进行训练了。
注:训练中途遇到 loss=nan 的现象,将train.py
中,parser.add_argument('--lr', '--learning-rate', default=1e-3, type=float,
中的 default=1e-3
改为default=1e-4
。*直到loss降低到1左右时即可 *
eval.py
trained_model
评估的模型路径,save_folder
评估保存路径
demo.py
新建test_image
,在文件夹中放置几张待测图片(四处修改 20220106更新)
import os
import sys
import torch
from torch.autograd import Variable
import numpy as np
import cv2
from ssd import build_ssd
from data import VOC_CLASSES as labels
from matplotlib import pyplot as plt
# ------ 初始化 libiomp5md.dll 报错修改 ------
os.environ["KMP\_DUPLICATE\_LIB\_OK"] = "TRUE"
# -----------------------------------------
module_path = os.path.abspath(os.path.join('..'))
if module_path not in sys.path:
sys.path.append(module_path)
if torch.cuda.is_available():
torch.set_default_tensor_type('torch.cuda.FloatTensor')
net = build_ssd('test', 300, 5) # 第一处修改:类别+1
# 将预训练的权重加载到数据集上
net.load_weights('weights/ssd300\_VOC\_1995.pth') # 第二处修改:使用自己训练好的文件
# 加载多张图像
imgs = 'test\_image/'# 第三处修改:改成你自己的文件夹
img_list = os.listdir(imgs)
for img in img_list:
# 对输入图像进行预处理
current_img = imgs + img
image = cv2.imread(current_img)
rgb_image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
x = cv2.resize(image, (300, 300)).astype(np.float32)
x -= (104.0, 117.0, 123.0)
x = x.astype(np.float32)
x = x[:, :, ::-1].copy()
x = torch.from_numpy(x).permute(2, 0, 1)
# 把图片设为变量
xx = Variable(x.unsqueeze(0))
if torch.cuda.is_available():
xx = xx.cuda()
y = net(xx)
# 解析 查看结果
top_k = 10
plt.figure(figsize=(6, 6))
colors = plt.cm.hsv(np.linspace(0, 1, 21)).tolist()
currentAxis = plt.gca()
detections = y.data
scale = torch.Tensor(rgb_image.shape[1::-1]).repeat(2)
for i in range(detections.size(1)):
j = 0
while detections[0, i, j, 0] >= 0.6: # 第四处修改:置信度修改
score = detections[0, i, j, 0]
label_name = labels[i-1]
display_txt = '%s: %.2f'%(label_name, score)
print(display_txt)
pt = (detections[0,i,j,1:]\*scale).cpu().numpy()
coords = (pt[0], pt[1]), pt[2]-pt[0]+1, pt[3]-pt[1]+1
color = colors[i]
currentAxis.add_patch(plt.Rectangle(\*coords, fill=False, edgecolor=color, linewidth=2))
currentAxis.text(pt[0], pt[1], display_txt, bbox={'facecolor':color, 'alpha':0.5})
j += 1
plt.imshow(rgb_image)
plt.show()
demo/live.py
摄像头识别 (没试)
第10行用…/找到上一级目录
parser.add_argument('--weights', default='../weights/xxxxxx.pth',
第78行 类别+1
遇到的问题
报错顺序不记得了,下面是遇到的大部分错误
train.py
TypeError: unsupported operand type(s) for /=: ‘Tensor’ and ‘builtin_function_or_method’…
loss_l /= N这句错误
因为一些教程里还改了layers/modules/multibox_loss.py
程序:
第115行N = num_pos.data.sum()
改为
N = num_pos.data.sum().double
loss_l = loss_l.double()
loss_c = loss_c.double()
会出现这个问题.
找不到数据集里的文件夹/文件
VOC数据集名字错了 注意名称 和 大小写
FileNotFoundError: [Errno 2] No such file or directory: ‘C:\Users\Administrator\data/coco/coco_labels.txt’
train.py
第二行如果有 from data.coco import COCO_ROOT, COCODetection
注释掉
RuntimeError: Legacy autograd function with non-static forward method is deprecated. Please use new-style autograd function with static forward method.
版本问题。 参考
改 detection.py
为(更新 注释部分已翻译)
"""
Copyright (c) 2017 Max deGroot, Ellis Brown
Released under the MIT license
https://github.com/amdegroot/ssd.pytorch
Updated by: Takuya Mouri
"""
import torch
from torch.autograd import Function
from ..box_utils import decode, nms
from data import voc as cfg
class Detect(Function):
"""At test time, Detect is the final layer of SSD. Decode location preds,
apply non-maximum suppression to location predictions based on conf
scores and threshold to a top\_k number of output predictions for both
confidence score and locations.
"""
# PyTorch1.5.0 support new-style autograd function
#def \_\_init\_\_(self, num\_classes, bkg\_label, top\_k, conf\_thresh, nms\_thresh):
# self.num\_classes = num\_classes
# self.background\_label = bkg\_label
# self.top\_k = top\_k
# # Parameters used in nms.
# self.nms\_thresh = nms\_thresh
# if nms\_thresh <= 0:
# raise ValueError('nms\_threshold must be non negative.')
# self.conf\_thresh = conf\_thresh
# self.variance = cfg['variance']
#def forward(self, loc\_data, conf\_data, prior\_data):
@staticmethod
def forward(self, num_classes, bkg_label, top_k, conf_thresh, nms_thresh, loc_data, conf_data, prior_data):
self.num_classes = num_classes
self.background_label = bkg_label
self.top_k = top_k
# Parameters used in nms.
self.nms_thresh = nms_thresh
if nms_thresh <= 0:
raise ValueError('nms\_threshold must be non negative.')
self.conf_thresh = conf_thresh
self.variance = cfg['variance']
# PyTorch1.5.0 support new-style autograd function
"""
Args:
loc\_data: (tensor) Loc preds from loc layers
Shape: [batch,num\_priors\*4]
conf\_data: (tensor) Shape: Conf preds from conf layers
Shape: [batch\*num\_priors,num\_classes]
prior\_data: (tensor) Prior boxes and variances from priorbox layers
Shape: [1,num\_priors,4]
"""
num = loc_data.size(0) # batch size
num_priors = prior_data.size(0)
# [バッチサイズN,クラス数5,トップ200件,確信度+位置]のゼロリストを作成
# 创建一个 [batch size = N,classes = 5,预测框最大数量 top\_k = 200,置信度 + 位置] 的零列表
output = torch.zeros(num, self.num_classes, self.top_k, 5)
# 確信度を[バッチサイズN,クラス数,ボックス数]の順番に変更
# 按照 [batch size N, number of classes, number of box] 的顺序改变置信度
conf_preds = conf_data.view(num, num_priors,
self.num_classes).transpose(2, 1)
# Decode predictions into bboxes.
for i in range(num):
decoded_boxes = decode(loc_data[i], prior_data, self.variance)
# For each class, perform nms
conf_scores = conf_preds[i].clone()
for cl in range(1, self.num_classes):
# 確信度の閾値を使ってボックスを削除
# 使用置信阈值删除框
c_mask = conf_scores[cl].gt(self.conf_thresh)
scores = conf_scores[cl][c_mask]
# handbook
#if scores.dim() == 0:
if scores.size(0) == 0:
# handbook
continue
l_mask = c_mask.unsqueeze(1).expand_as(decoded_boxes)
# ボックスのデコード処理
# box 解码过程
boxes = decoded_boxes[l_mask].view(-1, 4)
# idx of highest scoring and non-overlapping boxes per class
# boxesからNMSで重複するボックスを削除
# 使用 NMS 从 boxes 中删除重复的 box
ids, count = nms(boxes, scores, self.nms_thresh, self.top_k)
output[i, cl, :count] = \
torch.cat((scores[ids[:count]].unsqueeze(1),
boxes[ids[:count]]), 1)
flt = output.contiguous().view(num, -1, 5)
_, idx = flt[:, :, 0].sort(1, descending=True)
_, rank = idx.sort(1)
flt[(rank < self.top_k).unsqueeze(-1).expand_as(flt)].fill_(0)
return output
ssd.py
中99行左右
output = self.detect(
改为
output = self.detect.apply(self.num_classes, 0, 200, 0.01, 0.45,
AttributeError: ‘NoneType’ object has no attribute ‘shape’
change coco.py
:
from: img=cv2.imread(osp.join(self.root,path))
to:img=cv2.imread(path)
IndexError: Too many indices for array:Array is 1-dimensional,but 2 were indexed (20220105更新)
annotation也就是xml文件里面有些包含空目标(我的没有也报错了)
参考 网址
出错的xml和jpg修改 或 删掉 (流程结束后需要重新生成VOC的四个txt文件)
新建 check.py
修改root
、 classes
import argparse
import sys
import cv2
import os
import os.path as osp
import numpy as np
if sys.version_info[0] == 2:
import xml.etree.cElementTree as ET
else:
import xml.etree.ElementTree as ET
parser = argparse.ArgumentParser(
description='Single Shot MultiBox Detector Training With Pytorch')
train_set = parser.add_mutually_exclusive_group()
parser.add_argument('--root', default="xxxxxxxxxxxxxxxxxxxxxxxxxxx", help='Dataset root directory path')
args = parser.parse_args()
CLASSES = ( # always index 0
'fire', 'xxxxxxxxxxxxxxxxxxxxx')
annopath = osp.join('%s', 'Annotations', '%s.{}'.format("xml"))
imgpath = osp.join('%s', 'JPEGImages', '%s.{}'.format("jpg"))
def vocChecker(image_id, width, height, keep_difficult = False):
target = ET.parse(annopath % image_id).getroot()
res = []
for obj in target.iter('object'):
difficult = int(obj.find('difficult').text) == 1
if not keep_difficult and difficult:
continue
name = obj.find('name').text.lower().strip()
bbox = obj.find('bndbox')
pts = ['xmin', 'ymin', 'xmax', 'ymax']
bndbox = []
for i, pt in enumerate(pts):
cur_pt = int(bbox.find(pt).text) - 1
# scale height or width
cur_pt = float(cur_pt) / width if i % 2 == 0 else float(cur_pt) / height
bndbox.append(cur_pt)
print(name)
label_idx = dict(zip(CLASSES, range(len(CLASSES))))[name]
bndbox.append(label_idx)
res += [bndbox] # [xmin, ymin, xmax, ymax, label\_ind]
# img\_id = target.find('filename').text[:-4]
print(res)
try :
print(np.array(res)[:,4])
print(np.array(res)[:,:4])
except IndexError:
print("\nINDEX ERROR HERE !\n")
exit(0)
return res # [[xmin, ymin, xmax, ymax, label\_ind], ... ]
if __name__ == '\_\_main\_\_' :
i = 0
for name in sorted(os.listdir(osp.join(args.root,'Annotations'))):
# as we have only one annotations file per image
i += 1
img = cv2.imread(imgpath % (args.root,name.split('.')[0]))
height, width, channels = img.shape
### 最后的话
最近很多小伙伴找我要Linux学习资料,于是我翻箱倒柜,整理了一些优质资源,涵盖视频、电子书、PPT等共享给大家!
### 资料预览
给大家整理的视频资料:
![](https://img-blog.csdnimg.cn/img_convert/b28151d072227b704b6fe8ed24dfa88a.png)
给大家整理的电子书资料:
![](https://img-blog.csdnimg.cn/img_convert/66684766caa580fe40ed9f60e000002e.png)
**如果本文对你有帮助,欢迎点赞、收藏、转发给朋友,让我有持续创作的动力!**
**网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**
**[需要这份系统化的资料的朋友,可以点击这里获取!](https://bbs.csdn.net/topics/618635766)**
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**
nels = img.shape
### 最后的话
最近很多小伙伴找我要Linux学习资料,于是我翻箱倒柜,整理了一些优质资源,涵盖视频、电子书、PPT等共享给大家!
### 资料预览
给大家整理的视频资料:
[外链图片转存中...(img-HG7OwUQW-1715881764719)]
给大家整理的电子书资料:
[外链图片转存中...(img-XgydUGbk-1715881764720)]
**如果本文对你有帮助,欢迎点赞、收藏、转发给朋友,让我有持续创作的动力!**
**网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**
**[需要这份系统化的资料的朋友,可以点击这里获取!](https://bbs.csdn.net/topics/618635766)**
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**