我,记录一下个人经历!

我,一个2000年出生的男孩,2015年,上高一的我,某个下午班主任找到我,我就知道什么事了,父亲生了一场重病,等我赶去医院人已经不在了,请了几天假的我回家料理后事,之后我的成绩一落千丈,说实话这件事对我的影响确实挺大的,后来我就辍学了。跟随母亲来到母亲的娘家河北,之前我一直在东北生活,再此期间母亲也改了嫁,从此以后我再也没有家了。听我姐对象说,他亲姐姐去某鸟培训机构出来的当上了程序员,他们就叫我也去试一试,后来自己也报名了,学得是那种三期的,我个人比较惨因为户口是省外的,他们办成考的学历因为一个暂住证不给我办,我自己等了一年办了暂住证才参加了成人考试,这个学历大约2021年7月毕业。之后找工作面试,里面的老师就让你包装简历包装个一年两年,我个人不太喜欢骗人,如果不包装根本没有面试机会,2018年年底我也包装了半年,结果被一家运维公司相中的干了一段时间还受了伤,自己就提出辞职了,然后回家养伤了,一直等到了2019年2月底,培训机构的老师给我推荐了一家公司,离我住的地方大约10km,当时约了时间当天我就过去了,结果老板出差了不在给我了一套面试题,当时这个公司有一个开发的人员我也认识,答完题我就回去了,他们说老板回来再找我,过了一天,我在我哥家店里帮忙,来了一个电话告诉我来公司谈一谈,我就骑着车过去了,没谈什么薪资基本上当时心里就是有人相中自己就可以了,后来领导送我出门和我大约说了说薪资,我也没在意那么多,就同意了转正3k,我感觉能接受,前期的确挺难的,直到2019年7月份,公司有个老系统出了问题,公司老员工说我发现问题不提前通知一声,当着除了领导外所有的员工骂了我一遍,真的当时我出门我就眼泪止不住的留下来,我当上了背锅侠,我第二天提出了离职,八月份我正式离职了,面试了一家朋友的公司,液化气的业务转正3.5k,入职了几天感觉自己能力不足主动提出了离职,后来面试了一家招聘全栈程序员的,招聘写着八点上班六点下班,结果一去告诉我996,4k好像,后来我也没去,打算回家考驾照,今年又遇到了疫情,疫情直到2020年5月中旬我才考试考试,七月份才拿到驾照,后来家里有事回了一趟东北,八月份开始回石家庄找房子邀约面试,面试了两家公司,都嫌弃经验少,我也不想包装了,就想入职一家公司慢慢一点点积累经验。真的不知道应该继续干这行还是转行。
真的这次离职让我经历了好多,中间好多细节没有说,我现在只希望有公司可以相中我,再也不年少轻狂了,只求稳定了,多么痛的领悟。希望大家引以为戒!
只希望这篇文章能引起共鸣!
最后引用一段歌词:
[出自JD/罗琦-她说 (Live)]
不想再面对
骄傲的我奔溃
真的拼到第九年我真的很疲惫
对不起妈妈让你流泪
我已经后悔
想你的我奔溃
要做到所有人都满意我真的好累
对不起妈妈不再让你流泪

  • 1
    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