向上生长的程序媛的博客

【图像后处理工具】该工具基于Python实现二值图像优化处理，主要功能包括：1）清除面积小于200像素的孤立目标；2）填充面积小于200像素的孔洞；3）通过高斯模糊(15x15核)实现边界平滑。使用scikit-image和OpenCV库实现，具有部署简单、处理高效的特点。核心算法依次调用remove_small_objects()、remove_small_holes()和GaussianBlur()，最终输出优化后的二值图像。代码简洁高效，适用于各类二值化栅格图的后期处理需求。

本文介绍使用Python的geopandas库计算两个矢量文件要素交并比(IoU)的方法。主要步骤包括：1)加载矢量文件；2)遍历要素判断相交情况；3)计算IoU值并根据不同条件分类统计。代码实现了对完全不相交、单要素相交(阈值0.7)和多要素相交(阈值0.5)等情况的分类计数，最后输出各类统计结果。使用前需确保安装geopandas库(pip install geopandas)且文件坐标系一致。文末附完整代码和程序员节祝福。

首先看效果，支持SAR影像色调统一、光学遥感影像色调统一、自然影像色调统一。：色调参考图：待处理的图：色调转换后的处理结果图色调转换的算法将其封装成可执行程序exe文件，直接双击打开即可在软件界面上实现该功能。

给任意一段预测代码添加FPS计算的万能公式。

依据目标检测结果框（YOLO格式txt）或label从原图中裁剪目标

窗口分为三个部分：左侧显示原始图像。右侧上方显示去雨后的图像。右侧下方显示去雾后的图像。按钮位于窗口底部，用于加载图像、去雨和去雾操作。

img_path：所有多类别标签数据地址，比如包含了火和烟2种类别，现在需要区分2者。smoke_path：输出烟的标签地址。fire_path：输出火的标签地址。

CCPD (Chinese City Parking Dataset）数据集包含2个版本，一个是2019年更新，也是首发的海量中文车牌数据，另一个是2020年更新的新能源汽车车牌数据，该数据集有八位车牌号。百度网盘（hm0u）百度网盘（ol3j）数据集官网（github介绍请移步。2019版部分数据集展示：注意！CCPD数据集的label是包含在文件名中。比如，图像名称为“这个名称可拆分为 7 个字段。每个字段用‘-’分开。这些字段的说明如下。面积：车牌面积占整个图片面积的面积比。倾斜度。

以前没用过matplotlib的读图方式，今天在别人的工程里看到这个用法，自己改写别人工程时，怎么都找不到问题，最后在最初，开始读图的时候发现了问题。

PyTorch Lightning 与PyTorch版本对应安装

混淆矩阵是用于衡量分类模型性能的一种评估工具。它是一个矩阵，用于显示将样本分为不同类别的预测结果与实际类别之间的差异。True Positive (TP)：将正样本正确地预测为正样本的数量。True Negative (TN)：将负样本正确地预测为负样本的数量。False Positive (FP)：将负样本错误地预测为正样本的数量。False Negative (FN)：将正样本错误地预测为负样本的数量。混淆矩阵可以以矩阵的形式呈现，行表示实际类别，列表示预测类别。

用python代码实现label图像转coco格式JSON文件

多种方法计算模型参数量和计算量，含完整Python代码

python编码小技巧之——整齐规范的命名，恰到好处的注释，合理的封装类，封装钩子等等

报错信息：Running command git clone --filter-blob:none --quiet https://github.com/openai/(lIgit /tmp/pip-reg-build-r7wizorc。解决方案：本地下载编译安装

conda创建虚拟环境报错CondaHTTPError: HTTP 000 CONNECTION FAILED for url

os.path包最全用法

通过thop计算神经网络参数量和运行效率

本篇主要是讲解如何用自己的数据复现代码LSNET变化检测网络。

mean-shift原理详解。

注意，该代码仅提供了一个基本的区域生长法实现，实际应用时可能需要根据具体情况对生长算法进行优化。

pycocotools 包处调用coco.py 报错TypeError: Argument 'bb' has incorrect type (expected numpy.ndarray, got list）报这个错误是传入的segment点是四个以内（包含四个）的会触发的错误。找到环境安装位置的coco.py文件，修改420行，增加条件判断就好了✔️。整理不易，欢迎一键三连！

RecursionError: maximum recursion depth exceeded in comparison报错解决递归次数超限问题

CondaHTTPError: HTTP 000 CONNECTION FAILED for url报错解决

mmseg工程单机多卡可以顺利运行训练，切换到多机多卡训练就报错。

报错：No module named 'pycococreatortools'原因，没有安装pycococreatortools。

tensor.gpu与numpy.cpu互转

mmseg工程报错RuntimeError: CUDA error: an illegal memory access was encountered解决。

指的是多种模态的信息，包括：文本、图像、视频、音频等。而多模态研究的就是这些不同类型的数据的融合的问题。目前大多数工作中，只处理图像和文本形式的数据，即把视频数据转为图像，把音频数据转为文本格式。

CLIP在不使用任意一张 ImageNet 图片训练的情况下，直接 Zero-Shot 推理，就能获得跟有监督训练的ResNet-50同样优秀的结果，这么牛的预训练模型确定不点进来看看嘛

ALBEF模型详解

报错terminate called after throwing an instance of 'std::bad_alloc' what(): std::bad_alloc解决

图像和文本编码器通过对比损失来进行学习，将互相匹配的文本-图像对嵌入到一起，将不匹配的分开，将配对文本视为图像的细粒度标签，我们的图像与文本对比损失类似于传统的基于标签的分类目标；关键区别在于文本编码器生成“标签”权重。对齐的图像和文本表示自然适合于跨模态匹配/检索任务，并在相应的基准中实现最先进的（SOTA）结果。例如，在大多数零样本和微调中，ALIGN比以前的SOTA方法好7%以上。

pip安装的所有方式，全在这里了。