qq_38343151的博客

import jsonfrom nebula2.gclient.net import ConnectionPoolfrom nebula2.Config import Configfrom nebula2.common import *if __name__=='__main__': client =None try: config = Config() config.max_connection_pool_size=2 conn.

1.7.2　Cairo包安装 - 51CTO.COM

import osimport loggingimport argparsefrom xml.dom import minidomfrom pycocotools.coco import COCOimport jsonclass Dataset(): def __init__(self, jsonSrc, annFolder): super(Dataset, self).__init__() self.setLogger() # 设置日志 .

可以尝试一下一下几种插值方法INTER_NEAREST- a nearest-neighbor interpolationINTER_LINEAR- a bilinear interpolation (default)INTER_AREA- resampling using pixel area relation. It may be a preferred method for image decimation, as it gives moire’-free results. But ...

tensorflow对CUDA和cudnn版本的依赖性很强，就算你这三个都安装成功了，但是版本不匹配，执行程序时还是会报出各种五花八门的错误，下面就来看一下这三个的对应关系：1、要安装 tensorflow-gpu ，需要处理以下几个依赖：按顺序依次为 python、CUDA driver、CUDA toolkit、cudnn；2、conda create -n tf36 python=3.6其中 tf36 是环境名3、CUDA driver 版本nvidia-smi确定自己...

a = seg['segmentation'] b = np.array(a) c = b.reshape(-1,1,2) mu=cv2.moments(c) center_of_mass=[round(mu['m10'] / mu['m00']), round(mu['m01'] / mu['m00'])]

drt = cv2.transpose(img_crop) img_crop = cv2.flip(drt, 1)

错误：OpenCV Error: Assertion failed (p.checkVector(2, 4) >= 0) in cv::polylines, fileC:\projects\opencv-python\opencv\modules\imgproc\src\drawing.cpp, line 2432Traceback (most recent call last): File "deal_seg_test2.py", line 36, in <module>..

记一次配使用maskrcnn-benchmark的惨痛经历，因为要用到分割，所以就使用自己的数据集转成coco格式后用maskrcnn-benchmark来训练得到目标的轮廓，但是在运行的过程中报了两个错误，很致命。首先配置好环境，这里我就犯了一个错误，把pytorch版本装的太高了，我用的是pytorch==1.4.0，结果训练的时候报错selected_polygons.append(self.polygons[i])IndexError: list index out of range我查了

报错如下：raise ValueError, "empty range for randrange() (%d,%d, %d)" % (istart, istop, width)empty range for randrange() (0,-15, -15)一开始按照网络上的说法修改wokers数量甚至取消，但是没用; 后来发现自己的数据大小是112,但是transfrom的时候随机裁剪尺寸为128,难怪有问题，更改数据增强时的裁剪尺寸即可。...

def compute(): with open('instances_train2019.json') as fid: data = json.load(fid) images = {} for x in data['images']: images[x['id']] = x annotations = {} for x in data['annotations']: annotations[images[x['i.

# -*- coding: utf-8 -*-import cv2import numpy as npimport osprint(u'正在处理中')w_fg = 20h_fg = 15picflag = 3def readpic(fn): # 返回图像特征码 fnimg = cv2.imread(fn) img = cv2.resize(fnimg,(800,600)) w = img.shape[1] h = img.shape[0] w_interval =int( .

只有array格式的数据才有资格使用布尔类型作为索引。import numpy as npx = [2, 10, 2, 1, 5, 11, 9, 1, 1, 9, 1, 3, 1, 2]y = [2, 9, 2, 1, 8, 11, 9, 1, 1, 7, 1, 3, 5, 3]x = np.array(x)y = np.array(y)print(x[x==y])print(x[x!=y])[ 2 2 1 11 9 1 1 1 3][10 5 9 1 .

如图：定义总共红色边框为all_negative=5 (负样本)总共绿色边框为all_positive=5（正样本）top-k推荐：从最后的按得分排序的推荐列表中返回前k个结果。Precision准确率是检索出相关结果数与检索出的结果总数的比率，衡量的是检索系统的查准率Recall@K召回率是指前topK结果中检索出的相关结果数和库中所有的相关结果数的比率，衡量的是检索系统的查全率。top1中:召回率 Recall@1=正样本数/all_positive=1/5=0.2准确率 Pr..

BN层的作用主要有三个：加快网络的训练和收敛的速度 控制梯度爆炸防止梯度消失 防止过拟合

1、os.rename(name_old, name_new)它可以对路径重命名达到修改文件位置的功效2、os.path.exists(sub_dir_path)判断是否存在文件夹3、os.makedirs(sub_dir_path)创建文件夹，可以创建多级目录4、os.mkdir(sub_dir_path)创建文件夹，只能创建单级目录5、os.walk(’路径‘)它返回一个迭代器，其次，每一层（tuple）有三个元素（list），如下：[([本层目录名],.

'alexnet': 'https://download.pytorch.org/models/alexnet-owt-4df8aa71.pth', 'densenet121': 'http://data.lip6.fr/cadene/pretrainedmodels/densenet121-fbdb23505.pth', 'densenet169': 'http://data.lip6.fr/cadene/pretrainedmodels/densenet169-f470b90a4.pt.

import numpy as npimport scipy.miscimgs_test = np.load("xxx.npy") #读入.npy文件print(imgs_test.shape)scipy.misc.imsave("xxx.png",imgs_test)

看一下注册机制是如何使用的：registry_machine = Registry('registry_machine')registry_machine.register()def print_hello_world(word): print('hello {}'.format(word))registry_machine.register()def print_h...