m0_55259388的博客

原创 快速上手Make Sense：在线标注数据集的强大工具

Make Sense是一个易于上手、功能强大的在线标注工具，特别适合处理图像数据集。本文将详细介绍如何使用Make Sense进行数据集标注，帮助你快速了解其功能和操作流程。

原创 YOLOv5白皮书-第Y2周：训练自己的数据集（云jupyter运行版 ）

其实在YOLOv5白皮书-第Y1周：调用官方权重进行检测这一篇章中，我应该介绍一些基础概念的，不然即使是调用官方的权重，大家也看不懂，所以，这次，结合自己的数据集，我一次给大家讲清楚。本文使用的是Pytorch深度学习环境。水果检测数据集其实想说的有很多，收获也很大，踩了很多的坑，主要是代码不熟悉，路径总错，我使用的云服务器上的jupyter，所以一些路径的问题就需要注意。这次需要注意的点有三个1、数据集有三种格式，文中用的xml，而且是标注好的，划分之后换成txt文件然后存储到yaml文件中。

原创 YOLOv5白皮书-第Y1周：调用官方权重进行检测

拖了好久，终于要开始目标检测系列了。自己想过好几次，想尽快出几期目标检测算法的博客教程，但是一直苦于不知道如何写，才能让大家轻松、快速、高效的入门目标检测算法。这段时间终于有个一个比较靠谱的思路。我是这样计划的:首先，带大家先将算法跑起来，不然都不知道在干嘛，纯理论的东西看着头都大了，然后，教大家将官方的数据集更换成我们自己的数据集，并完成模型的训练。其次，在我们代码可以运行的情况下，从整体上讲解算法的结构。最后，挑选代码中一些比较关键的点，进行详细讲解。

原创 第T11周：优化器对比实验

- **🍨 本文为[🔗365天深度学习训练营]() 中的学习记录博客**>- **🍖 原作者：[K同学啊]()**

原创 第T10周：数据增强

这是大家可以自由发挥的一个地方# 随机改变图像对比度那么如何将自定义增强函数应用到我们数据上呢？请参考上文的函数，将aug_img函数嵌入到函数中（函数在加载数据部分），在数据预处理时完成数据增强就OK啦总结数据增强有着关键的作用，本文讲述了两种方式，三种方法，方式有嵌入到模型中进行数据增强，好处是能获得GPU加速，但是只能在训练阶段增强，第二种方式就是可以单独拿出一个数据增强模块，在数据集中进行增强，设置一个序列模型sequential，里面存有各种数据增强方法。

原创 第T9周：猫狗识别2

- **🍨 本文为) 中的学习记录博客**>- **🍖 原作者：[K同学啊]()**

原创 深度学习打卡T8

是一个函数，它允许你使用一小批数据（batch）来训练你的模型。这种方法通常用于深度学习中的迭代训练过程，可以有效地更新模型的权重。这篇文章中我放弃了以往的model.fit()训练方法，改用model.train_on_batch方法。是一个快速、可扩展的Python进度条库，可以在长循环中添加一个进度提示信息，用户只需要封装任意的迭代器。此外我也引入了进度条的显示方式，更加方便我们及时查看模型训练过程中的情况，可以及时打印各项指标。方法将磁盘中的数据加载到。

原创 第T7周：咖啡豆识别

使用方法将磁盘中的数据加载到中我们可以通过class_names输出数据集的标签。标签将按字母顺序对应于目录名称。VGG的结构非常简洁，整个网络都使用了同样大小的卷积核尺寸（3x3）和最大池化尺寸（2x2）。1)训练时间过长，调参难度大。2)需要的存储容量大，不利于部署。例如存储VGG-16权重值文件的大小为500多MB，不利于安装到嵌入式系统中。

原创 第T6周：好莱坞明星识别

使用方法将磁盘中的数据加载到中●int：标签将被编码成整数（使用的损失函数应为：sparse_categorical_crossentropy loss）。●categorical：标签将被编码为分类向量（使用的损失函数应为：categorical_crossentropy loss）。我们可以通过class_names输出数据集的标签。标签将按字母顺序对应于目录名称。卷积神经网络（CNN）的输入是张量 (Tensor) 形式的，包含了图像高度、宽度及颜色信息。不需要输入batch size。

原创 第T5周：运动鞋品牌识别

这个策略使得学习率每经过 10 个训练步骤就会衰减一次，衰减率为 0.92，即每次衰减后学习率变为原来的 92%，并且这种衰减是阶梯式的，即在每个衰减周期内学习率保持不变。这样，模型在训练过程中会根据定义的学习率衰减策略自动调整学习率，有助于在训练初期快速收敛，在训练后期则逐渐减小学习率以细化模型的权重调整，从而提高模型的最终性能。首先，我们定义了一个 `ModelCheckpoint` 回调函数，它在训练过程中会监控验证集的准确率（`val_accuracy`），并且只在验证集准确率提高时保存模型参数。

原创 第T4周：猴痘病识别

使用方法将磁盘中的数据加载到中从文件夹directory中读取我们可以通过class_names输出数据集的标签。标签将按字母顺序对应于目录名称。

原创 第T3周：天气识别

通过tf.dataAPI优化了数据集的加载和预处理。训练数据集train_ds首先被缓存，然后进行打乱处理，最后通过预取操作来减少训练时的数据I/O等待时间。验证数据集val_ds也进行了缓存和预取操作。AUTOTUNE参数的使用允许TensorFlow自动调整预取的数量，以实现最优的训练性能。这些步骤有助于提高数据管道的效率，确保模型训练时数据流的顺畅。通过函数从data_dir目录加载图像数据，并创建了一个用于训练的对象。设置了20%的数据作为验证集，并指定了图像的调整尺寸和批次大小。

原创 深度学习实验第T2周：彩色图片分类

1. 数据集介绍CIFAR-10是一个广泛使用的彩色图像数据集，特别适合于机器学习和计算机视觉研究，尤其是在卷积神经网络的训练和评估中。它包含60,000张32x32像素的彩色图像，分为10个类别，每个类别包含6,000张图像，其中5,000张用于训练，1,000张用于测试。这些类别包括飞机、汽车、鸟类、猫、鹿、狗、蛙、马、船和卡车。图像数据是RGB三通道的，每个通道的像素值范围是0到255。CIFAR-10数据集常用于图像分类任务，是评估深度学习模型性能的标准基准之一。由于图像尺寸较小，分类任务。

原创 深度学习实验第T1周：实现mnist手写数字识别

MNIST手写数字数据集来源于是美国国家标准与技术研究所，是著名的公开数据集之一。（下载后需解压）。我们一般会采用这行代码直接调用，这样就比较简单MNIST手写数字数据集中包含了70000张图片，其中60000张为训练数据，10000为测试数据，70000张图片均是28*28，数据集样本如下：如果我们把每一张图片中的像素转换为向量，则得到长度为28*28=784的向量。因此我们可以把训练集看成是一个的张量，第一个维度表示图片的索引，第二个维度表示每张图片中的像素点。而图片里的每个像素点的值介于0-1。

原创 深度学习实战P10车牌识别

本次网络结构由自己设计，卷积卷积池化卷积卷积全连接reshape，使用了批量归一化层来加速训练过程，并通过池化层来减少参数数量和防止过拟合。本次导入数据集方式不同，数据集未分类，我们需要先获取类别名，然后标签数字化，在加载数据文件。

原创 第P9周：YOLOv5-Backbone模块实现

学习结构设计。

原创 第P8周：YOLOv5-C3模块实现

了解C3结构，方便后续学习数据集获取http://链接：https://pan.baidu.com/s/1oLNMwgcwTI1uJ3a-oOJWkA?pwd=6666 提取码：6666 --来自百度网盘超级会员V3的分享查看映射。

原创 深度学习打卡实战第p7周咖啡豆识别

在训练模型时候，优化器选择adam，效果正常，测试集准确率可达99，而选用sgd时候，发现准确率恒定不变在22，查看了初始学习率为0.0001，修正为0.01，再次训练，效果较好。再次调回0.0001，不再固定，可能一开始陷入局部最优。整体训练效果较好，第一步使用pathlib查看类别名称验证能否与实际对应，使用imagefolder创建数据集,定义数据处理方式，然后可以.class查看分类，对数据集进行4：1划分，创建dataloder，到这里 数据集才算处理完成。

原创 毕设基于深度学习的斑马鱼卵识别系统笔记和遇到的问题

我是在云GPU上训练的，训练完成之后，保存了最优模型字典pth文件，在到cpu本地加载的时候，我们需要读取pth文件，正确代码如下。pytorch 状态字典:state_dict使用详解。

原创 P6周人脸识别

结论，在想同epoch---learnrate下，使用动态学习了吧有提升。静态learn_rate = 1e-4，epoch=40。静态learn_rate = 1e-2，epoch=40。这次构建数据集还是直接调用的，但是遇到了一个问题就是。这次直接调用官方VGG。

原创 深度学习pytorch实战-运动鞋识别P5周

初次训练时，其他参数不变，只改变轮次，轮次达到一定数量时候，testacc已经基本确定了，82左右。所以我重新设置了学习率为1，发现准确率最高只有50左右。随后又改编为初始学习率0.0001，重新开始训练，我才可能是第一次陷入局部最优了？经过调整释放了出来，对了，我更换了学习率衰减策略，引入gamma效果能到达84的效果82左右的# # 每 2 个epoch衰减到原来的 0.98# learn_rate = 1e-4# 初始学习率。

原创 深度学习pytorch实战4---猴逗病识别·

天气识别数据集http://链接：https://pan.baidu.com/s/1N2otldhzYZSqyh-E69IdjA?pwd=6666 提取码：6666 --来自百度网盘超级会员V3的分享同上期。

原创 对比试验和作图技巧

深度强化学习算法研究中的常用对比试验及作图技巧。不同框架模型的对比试验。

原创 如何使用pytorch进行图像分类

如何使用pytorch进行图像分类。

原创 深度学习pytorch实战第P3周--实现天气识别

引言1.复习上周深度学习pytorch实战-第P2周-彩色图片识别对于上周的学习，数据集是下载的2.摆正心态3.本机环境见上文4.学习目标扎扎实实学好习，走好每一步。一、前期准备1.设置GPU2.导入数据glob()data_dirdata_pathssplit()data_paths3.数据可视化。

原创 目录模板-深度学习pytorch实战

注意：在加载并打印模型的时候 ，可能会报错，输入这条命令就可以了。3. torch.nn.MaxPool2d()详解。2. torch.nn.Linear()详解。1. torch.nn.Conv2d()详解。零、引言（温故而知新，可以为师矣）二、构建简单的CNN网络。

原创 3小时从0到部署图像分类深度学习项目（非标题党）

我来告诉你，他是一个深度学习框架，类似于代码模板，目前不需要深究，只需要有这么个东西就行了，结束，恭喜你，已经具有独立完成毕设的能力了。首先，我们作为新人，要知道两个概念，我整理了链接，都是其他大佬的。这是文字版，看一边之后，

原创 深度学习pytorch好用网站分享

深度学习pytorch好用网站分享

原创 深度学习pytorch实战第P2周:CIFAR10彩色图片识别

深度学习第二例，CIFAR10彩色图片识别，全文1W+字，带你领略卷积神经网络之美，让你真正跑通你的第一个pytorch案例

原创 深度学习pytorch实战第P1周：实现mnist手写数字识别

（2）自己摆烂太久了，自驱力太差，要改正，自己要有计划（3）希望自己能端正心态，好好的去学，坚持下去MNIST手写数字数据集来源于是美国国家标准与技术研究所，是著名的公开数据集之一。（下载后需解压）。我们一般会采用这行代码直接调用，这样就比较简单MNIST手写数字数据集中包含了70000张图片，其中60000张为训练数据，10000为测试数据，70000张图片均是28*28，数据集样本如下：如果我们把每一张图片中的像素转换为向量，则得到长度为28*28=784的向量。因此我们可以把训练集看成是一个。

原创 Anaconda虚拟环境问题

PyCharmTerminal终端命令行Shell设置方式。torch和torchvision的版本对应关系。手把手教你进行Python虚拟环境配置。pytorch中文官方文档。

原创 python-anaconda-pytorch全流程安装（自己用）

在Anaconda下安装Pytorch的超详细步骤。

原创 yolov5快速实战，让你了解整个流程（b站李立宗老师）

这个lilizong是label工具新生成的文件夹在yolov5的目录下，里面包含train test和vaild三个文件夹。标注需要两个文件，一个是分类文件（01），一个是标注文件，01分类 参数意义 （x，y）wh。要明白 ，这里为什么都是0.几呢，因为归一化了。这个工具叫labelIMG。

原创 yolov1论文精读笔记（南开李立宗老师）（自看）

李老师哔哩哔哩链接如下YOLO深度解析（8小时原汁原味解读YOLO论文）摘要（第一印象 很重要）introduction导读三个优点缺点：检测iou 交并比

原创 深度学习之领略卷积之美

我能说什么 只能说up主用尽可能少的名词把这个讲的通俗易懂，其实求权重时候就是想让损失函数最小，利用链式法则对权重W1W2求导 ，求导结果和学习率用于梯度下降时计算W1W2的改变值，这样多次计算之后就会找到一个让损失函数最小的权重值就是W1W2，损失函数最小了，也就是说误差小了，我们的预测准确了。哔哩哔哩up主王木头讲科学老师视频。哔哩哔哩up主李立宗老师视频。

原创 递归（顶级理解）

归来时图一图二意思一样，代码不同。

原创 Acwing785 快速排序顶级理解（评论区大佬的分析过程）

原创 吴恩达教授深度学习（计算机视觉篇）

垂直边缘检测图太粗了，因为6x6的，如果换成1000x1000的就会会很好的检测出垂直边缘。这就是卷积网络提供的一种简便的的算法，像素点更多之后变得更平滑。图片--filter过滤器--另一张图片（垂直边缘检测器）， 写代码时候进行卷积运算会有专门函数，利用反向传播求新型滤波器的9个参数。

原创 数据结构（图）

没有空图但是边集可以为空集。

原创 数据结构（树），忘了记录了才想起来，可恶；

如下。