m0_62919535的博客

Dice系数和mIoU是均是语义分割的评价指标，今天这里就着重讲讲Dice系数，顺便提一下Dice Loss，以后有时间区分一下在语义分割中两个常用的损失函数，交叉熵和Dice Loss。

这一篇主要是了解一下我自己项目上的主要技术指标。在目标检测领域中，存在着许多的精度评价指标，需要依据本身的应用场景选择更合适的评价指标。准确度(Accuracy)、精确率(Precision)、召回率(Recall)、IoU(Intersection over Union)。分类精度：比如准确度（Accuracy），精度（Precision），召回率（Recall Rate）， PR 曲线，AP，mAP等；定位精度：比如 IoU；运行速度：比如 fps，帧率，一秒处理几张图。

Mobilenetv2网络设计基于Mobilenetv1，它保持了其简单性，不需要任何特殊的操作，同时显著提高了其准确性，实现了移动应用的多图像分类和检测任务的最先进水平。接下来我们将使用pytorch实现它。

在这里mobilenetv2会从之前写好的模块中得到，但注意的是，我们在这里获得的特征是[-1]，也就是最后的1x1卷积不取，只取循环完后的模型。forward当中，会输出两个特征层，一个是浅层特征层，具有浅层的语义信息；另一个是深层特征层，具有深层的语义信息。具有高语义信息的部分先进行上采样，低语义信息的特征层进行1x1卷积，二者进行特征融合，再进行3x3卷积进行特征提取。根据下采样的不同，当downsample_factor=8时，进行3次下采样，对倒数两次，步长为2的。上采样后进行特征融合；

ASPP：Atrous Spatial Pyramid Pooling，空洞空间卷积池化金字塔。简单理解就是个至尊版池化层，其目的与普通的池化层一致，尽可能地去提取特征。利用主干特征提取网络，会得到一个浅层特征和一个深层特征，这一篇主要以如何对较深层特征进行加强特征提取，也就是在Encoder中所看到的部分。1x1卷积膨胀率为6的3x3卷积膨胀率为12的3x3卷积膨胀率为18的3x3卷积对输入进去的特征层进行池化。

相信大家对于这一部分才是最感兴趣的，能够实实在在的看到效果。这里我们就只需要两个.py文件（deeplab.py、predict_img.py）。deeplab.py的作用是为了创建一个DeeplabV3类，提供一个检测图片的方法，而predict_img.py则是为了单独检测图片的效果。在这里我需要一个defaults字典用来包含我在这个类要使用的变量，而需要把数据类型转换成字典数据再做存储，这时候就需要用到类的内置属性__dict__。由于我想要将图片放在PyQt5设计的ui中，所以要单张单张的显示

今天看了多个大佬的教程，总算是把PyQt5开发弄好了，每个部分都要看几个人的十分不方便，我十分想要总结一下，所以在这里，你无需看其他的教程，从这就能完成它的安装到快速上手。后续的功能添加，我准备放在我的项目设计当中来写，希望这个教程能够给你带来帮助，不劳我辛苦一场（手动滑稽，呵呵）。

在写作这篇博客时，我本来打算将虚拟环境的创建和标注软件的使用分开讲解。然而，在完成虚拟环境的创建部分后，我发现它的字数似乎有些不足以独立成篇。因此，我决定将这两部分内容放在一起，以便读者更全面地了解这两个主题的关联性。在人工智能的时代，标注数据已经成为了推动技术进步的重要一环。标注软件的使用对于数据标注的效率和准确性有着决定性的影响。我们需要意识到，标注不仅仅是一项重复性的劳动，更是一项需要技能和专业知识的工作。因此，我们需要持续地学习和探索，提高自身的标注能力。

因为这些是属于我们项目小组的，我也不清楚是不是有什么不能公开的，我就截取了一小部分，原本是用lambelme来修改的，但由于xml文件似乎读不进去，所以只有手动修改，将water改为blue（重要的是一个一个用记事本打开，手动修改），这时候我的第一生产力产生了，because I am lazy。我查了，是因为编码的问题，可以把XML文件的格式用记事本另存为ANSI就可以了（我不知道怎么另存为，可以看到记事本里面的编码格式是ANSI，所以我觉得这个方法是行得通的），还可以将第一行修改为。