yolopose笔记 进行人体关键点观测时默认用OKS_SIGMA，定义在yolo\utils\metrics.py中，OKS_SIGMA = np.array([.26, .25, .25, .35, .35, .79, .79, .72, .72, .62, .62, 1.07, 1.07, .87, .87, .89, .89]) / 10.0，否则所有点赋予同样的权重。
目标追踪 FairMOT 训练log解读： [5]表示第5轮训练，500表示batch的数量（总图片为1000，bachsize为2）,loss是总损失，hm是类别损失，wh是宽高损失，off是中心点偏移损失，id_loss是id损失，time是总时间。（1）目标类别分类(hm)：通过C通道的heatmap来预测，heatmap的大小是原图下采样4倍之后的大小，如果图像中有某个类别的目标，那么这个目标的中心点在heatmap上的概率值为1，其余周围概率成高斯分布逐渐衰减；代表在80%的帧中没有被正确跟踪的轨迹占所有轨迹的比重。
paddleocr - 模型效果对比与推理 （2）PP-OCRv2：基于PP-OCR在5个方面重点优化，检测模型采用CML协同互学习知识蒸馏策略和CopyPaste数据增广策略；结果：Predicts of doc/imgs_words/ch/word_4.jpg:['0', 0.9999982]结果存储在inference_results下：det_res_00111002.jpg和det_results.txt。（3）PP-OCRv3：基于PP-OCRv2在9个方面进行升级。（1）PP-OCR：两阶段的OCR系统，其中文本检测算法选用。
paddleocr - 训练 下载预训练模型放到pretrain_models下并解压，找到预训练模型对应的配置文件，例如：configs/rec/ch_ppocr_v2.0/rec_chinese_common_train_v2.0.yml。下载预训练模型放到pretrain_models下并解压，找到预训练模型对应的配置文件，例如：configs/det/ch_ppocr_v2.0/ch_det_res18_db_v2.0.yml。模型存储在onnx_model下。模型存储在onnx_model下。
yolov8使用 labels中是每张图片的标注文件（txt），格式为 ... ，坐标经过归一化。将train.txt和val.txt放到/project/train/src_repo/yolov8/dataset/下。将train.txt和val.txt放到/project/train/src_repo/yolov8/dataset/下。用法参考：https://docs.ultralytics.com/tasks/segment/
coco数据集解析（person_keypoints） 解析分割： ... ,归一化。解析目标检测： ,归一化。annotations/instances_val2017.json是5000张图片的标注信息。存储类别名和类别id之间的映射关系。此处的类别id不是0-79,需要用CLASSES转换一下。images下是5000张图片。
GLUE榜单 自然语言处理（NLP）主要自然语言理解（NLU）和自然语言生成（NLG）。GLUE（General Language Understanding Evaluation）九项任务涉及到自然语言推断、文本蕴含、情感分析、语义相似等多个任务。BERT、XLNet、RoBERTa、ERINE、T5等知名模型都会在此基准上进行测试。CoLA：句子合乎语法与不合乎语法二分类，0表示不合乎语法，1表示合乎语法。SST-2：情感分类，正面情感和负面情感二分类MRPC：语义是否等效二分类。
关注
