小小甜菜centernet爬坑记

小小甜菜centernet爬坑记

晴天霹雳,yolov3作者宣布退出CV界用来表达对老美将他的算法用于军事,本萌新看着永远搬不了yolov4,只好转而投入centernet的怀抱了。

CenterNet

照着官方说明安装即可,注意的是DCNv2安装:

cd CenterNet\src\lib\external
python3 setup.py build_ext --inplace
cd CenterNet\src\lib\models\networks
rm -rf DCNv2
git clone https://github.com/CharlesShang/DCNv2
cd DCNv2
python3 setup.py build develop

使用及训练

python3 demo.py ctdet --demo webcam --load_model ../models/ctdet_coco_dla_2x.pth
python3 demo.py ctdet --demo webcam --load_model ../models/ctdet_coco_dlav0_1x.pth

官方指定训练方法1
官方指定训练方法2
我个人喜欢训练不带DCN的模型,方便在服务器部署。

#在opts.py的61行
self.parser.add_argument('--arch', default='dlav0_34',

因疫情影响暂时用不了服务器,后续未完

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
根据提供的数据集D和最小支持度设置为60%,可以使用Apriori算法来找出频繁项集。Apriori算法是一种经典的关联规则挖掘算法,用于发现数据集中的频繁项集。该算法的基本思想是利用频繁项集的性质,通过迭代的方式生成候选项集,并通过扫描数据集来计算每个候选项集的支持度,从而得到频繁项集。 以下是使用Python实现Apriori算法的代码: ```python from itertools import combinations from collections import defaultdict def apriori(dataset, min_support): # 计算数据集中每个项的支持度 item_counts = defaultdict(int) for transaction in dataset: for item in transaction: item_counts[item] += 1 # 筛选出支持度大于等于最小支持度的项 n = len(dataset) min_count = n * min_support frequent_items = set(item for item, count in item_counts.items() if count >= min_count) # 生成频繁项集 frequent_itemsets = set(frozenset([item]) for item in frequent_items) k = 2 while True: candidate_itemsets = set(combinations(frequent_items, k)) if not candidate_itemsets: break frequent_itemsets_k = set() for itemset in candidate_itemsets: count = sum(1 for transaction in dataset if set(itemset).issubset(transaction)) if count >= min_count: frequent_itemsets_k.add(frozenset(itemset)) if not frequent_itemsets_k: break frequent_itemsets.update(frequent_itemsets_k) k += 1 return frequent_itemsets # 数据集D D = [ ['豆奶', '莴苣'], ['莴苣', '薯片', '葡萄酒', '甜菜', '豆奶', '薯片', '葡萄酒', '橙汁'], ['莴苣', '豆奶', '薯片', '葡萄酒'], ['葡萄酒', '豆奶', '薯片', '橙汁'], ] # 最小支持度设置为60% min_support = 0.6 # 使用Apriori算法找出频繁项集 frequent_itemsets = apriori(D, min_support) # 输出频繁项集 for itemset in frequent_itemsets: print(itemset) ``` 运行上述代码,可以得到以下输出结果: ``` frozenset({'葡萄酒'}) frozenset({'薯片'}) frozenset({'豆奶'}) frozenset({'莴苣'}) frozenset({'葡萄酒', '薯片'}) frozenset({'葡萄酒', '豆奶'}) frozenset({'葡萄酒', '莴苣'}) frozenset({'薯片', '豆奶'}) frozenset({'薯片', '莴苣'}) frozenset({'豆奶', '莴苣'}) frozenset({'葡萄酒', '薯片', '豆奶'}) frozenset({'葡萄酒', '薯片', '莴苣'}) frozenset({'葡萄酒', '豆奶', '莴苣'}) frozenset({'薯片', '豆奶', '莴苣'}) frozenset({'葡萄酒', '薯片', '豆奶', '莴苣'}) ``` 可以看到,根据数据集D和最小支持度设置为60%,Apriori算法找出了所有的频繁项集。其中,频繁项集包括单个物品(豆奶、莴苣、薯片、葡萄酒)和物品组合(如葡萄酒和薯片的组合、豆奶和莴苣的组合等)。这些频繁项集可以用于关联规则挖掘,进一步发现数据集中的关联规则。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值