qinshi501的博客

11：device: 训练运行的设备，默认为None.如果使用GpU训练，可以设定为device=0,使用多个GPU可以设置为device=0,1,2,3,如果没有可用的GPU，可以设定为device=cpu进行训练。box_loss：目标检测任务中的边界框损失，表示模型预测的边界框和真实边界框之间的差异，损失越小，表示模型越能精确的定位物体，通常在0和10之间。cls_loss：目标检测中的分类损失，表示模型预测的物体类别和真实类别之间的差异，损失越小，表示模型越能正确识别物体，通常在0和10之间。

解决：我们把训练的数据集图片增加到100张以上，重新进行训练，然后进行预测，发现可以识别到物品。这里我们使用了20张图片进行训练，数量太少，模型没有训练的模型不能识别到物品。解决办法：可通过更改ananconda的权限解决，操作如下。2：找到anaconda3的安装目录设置python的权限。解决：这里提示训练的标记数据没找到，我们的目录是这样的。进入Users的权限，将除了特殊权限外，全部挂上√。我这个是这个目录，设置权限，users设置所有权限。1：找到环境所在目录。

savetext += "{0} {1} {2} {3} {4}".format(classes_dict[class_], site[0], site[1], site[2], site[3]) # 按格式拼接内容。classes_dict[class_] = len(classes) - 1 # 同时，为此类别标记序号，即第几个类别，从0开始标号。save_txt(labels_p + "/" + name + ".txt", savetext.strip()) # 保存标签文件。

") # 发送数据到客户端 data = client_socket.recv(1024) # 从客户端接收数据 print(f"Received data: {data.decode()}") client_socket.close() # 关闭连接 if __name__ == "__main__": start_server()server_socket = socket.socket(socket.AF_INET, socket.SOCK_DGRAM) # 创建UDP socket对象。

Ultralytics公司在YOLO之前版本基础上提出了v8版本。这个版本对AI视觉处理有了很大进步，它不但可以做检测，还可以做分类、分割、跟踪，甚至姿态估计。下面我们重点讲解下，使用官方自带的模型进行图片的分类，分割，跟踪等。使用yolo8进行图片处理时，可以使用命令行，也可以借助程序处理，这样拿到数据以后可以方面后续的数据操作。在下面的例子中我们都演示使用程序例子来处理图片。我们以包含电视，桌子，沙发，屏幕等物品的图片为例子来进行处理。通过以上的例子我们可以对模型库已存在的物品进行识别，分类，分割等。

最近看了 YOLO 的发展史，发现在机器视觉领域的应用非常广泛，f刚好最近一直在做机器视觉的工作，特此记录下搭建yolov的环境。我们使用的版本是yolov8的就用这个作为演示搭建过程。我们可以把依赖包定义在requirements.txt中，进行批量安装，这样就不用一个一个安装。yolov8的模型训练和使用依赖于pytorch，这个安装时间会比较长。4：安装ultralytics。安装完我们可以在命令行训练模型。直接git clone。3：安装pytorch。二：安装yolov8。

通过以上以上步骤，我们建立了yolon9虚拟环境，通过命令行的模式安装了opencv-python，但是安装完发现在pycharm的名利命令行终端中执行python脚本提示ModuleNotFoundError: No module named 'cv2',明明已经安装了，为何提示命令找不到呢？3：这里要说明的是conda里的虚拟环境和pycharm的解释器路径需要匹配使用，才可以看到安装的库文件。选择解释器的路径，为刚才创建的环境，软件会自动配置。配置完的环境如下，默认会安装一些包。

content = 'a ty5tye 你好y1s2tyc56yec' #待匹配字符串。pattern = re.compile("[a-zA-Z]+") #只匹配字母。pattern = re.compile("[a-zA-Z]+") #只匹配字母。pattern = re.compile("[a-zA-Z]+") #只匹配字母。result = re.sub(repl,'你好',content)result = re.sub(repl,'你好',content)str = '\d' #按照str分隔。