Python学习

变量类型

Number 数字
str 字符串类型
list 列表
tuple 元祖
dictionary 字典
set 集合

关于字符串

注意转义字符/和//的区分
占位置的方法
字符串的格式化方法
1.百分号(不流行)
d% 此处放入一个整数
s%此处放一个字符串
举例子: s = " I am %d years old , I am from %s"
print(s%(18,China))
2.format函数(比较常用)-可以编号
用{}和:代替%
举例子: s= "I am {1} years old,I am from {0},you are {1} years old ".format(“CHINA”,18) /编号/
3.None 占位置 没有返回值就返回None或者用于接触变量绑定

运算符

算术运算符 : 取(余数 %)( 取商//)( 幂运算**)
比较运算符 :比较的结果是布尔值 true 或者false
赋值运算符 :a+=7 是a=a+7 所有的数学运算符都有缩写的形式 //=和 %=注意
逻辑运算符 :逻辑与 and 逻辑或 or 逻辑非not python没有异或运算
运算规则:and看作乘法 or看作加法 true看作1 false看作0 逻辑运算转化成数学运算
结果是0就是false 否则为1
短路问题:逻辑运算式:按照顺序算完一旦确定了整个式子的值就不再进行运算直接返回
位运算 :
成员运算 :用来检测一个变量是否为另一个变量的成员
in 检测某一个变量是否为另一个变量的成员
not in
举例子:l={1,2,3,4}
a=7
print(a in l)
身份运算 :检测两个变量是否为同一个变量
var1 is var2
跟地址和id 对象之类的有关
运算符优先级 用括号
python 讲究简洁明了

表达式就是变量+运算符

程序结构:(语法加语意)

  • 顺序 :

  • 分支:
    - 结果必须是布尔值表达式

    • 表达式后面的冒号不能少 即if 和else 后面都要有‘:’
    • 表达是结果为true执行if后面的缩进的语句块

    单向分支举例
    age=input(“输入你的年龄”) /输入年龄/
    print(" 你输入的年龄为{0}".format(age)) /格式化方法1/
    print(" 你输入的年龄为%s"%age) /格式化方法2/ input输入的是一个字符串而不是整数
    if age<19:
    print(“ok”)
    else: print(”not ok“)
    双向分支举例
    类型转换方法:用转换函数比如形如数字的字符串score 就可以用 int(score)转化

多路分支
if 条件表达式:
语句1:
elif 条件表达式:
语句2:

注意格式 if 和else elif 一齐

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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