- 博客(44)
- 资源 (11)
- 收藏
- 关注
RSS订阅原创 linux 系统下基于 ssh 远程操作的常用指令
🐾 scp 是 secure copy 的缩写，scp 是 linux 系统下基于 ssh 登陆进行安全的远程文件拷贝命令。🐾 scp 是加密的，rcp 是不加密的，scp 是 rcp 的加强版。🐾 显示数据库下 非临时表 的详细信息。🐾 🐾 🐾 在数据库下创建表及其内容。🐾 rpm格式的软件包进行安装。🐾 创建test01的数据库。🐾 选择 使用/进入 数据库。🐾 显示数据库下的 非临时表。🐾 解压传输的压缩包。🐾 查看所有的数据库。🐾 查看所有的数据库。🐾 删除某个数据库。
2023-06-06 22:12:27
1016
原创 docker常用指令
例：sudo docker run --net host --name 容器名 -p 8000:8000 容器名:版本号。（3）镜像是只读的，镜像可以运行为多个容器，但容器的名称不能重复，必须是唯一的。sudo mysql -uroot -p （如果设置密码需要输入）（2）容器是基于镜像创建的，即容器中的进程依赖于镜像中的文件。sudo docker restart 容器名或容器ID。sudo docker start 容器名或容器ID。（1）镜像可以看成类，容器可以看做是类的实例化对象。
2023-04-06 17:49:21
714
原创 深度学习中的函数（一）
1）python实现文件解压2）python实现遍历文件夹下的子文件3）断点续训4）模型训练及测试5）tensorboard可视化
2022-11-22 15:58:37
529
原创 深度学习汇总（四）
Batch Normalization(BN)原理参考文章：https://blog.csdn.net/qq_37541097/article/details/104434557目的：我们在图像预处理过程中通常会对图像进行标准化处理，这样能够加速网络的收敛原理：我们希望输入的所有训练数据样本满足某一分布规律，理论上是指所用的训练样本满足分布规律，而不是某一个样本满足。而Batch Normalization的目的就是使我们的feature map满足均值为0，方差为1的分布规律。在实际的任务中，.
2022-05-07 20:49:04
367
原创 保留原图像尺寸改变像素值(压缩存储大小）
借助于PIL库实现对原始图像的压缩，而不改变原图像的尺寸（原尺寸不变，只改变图像水平像素和垂直像素），效果图如下所示：1.实现对单张图片的压缩（元图像尺寸宽高不变，水平垂直像素减少，减少单张图片存储）import cv2from PIL import Image as ImagePILfrom PIL import Imageimport os# 原图像路径im = cv2.imread('./picture/6260.jpg')image = Image.fromarray(cv2.c
2022-03-26 10:19:15
964
原创 Python实现对图片，文件批量重命名
基于python，实现批量图片(.jpg - .png - .bmp ~）和文件(比如说.xml）的有序数字的重命名。自己可以任意选择起始的数字。
2022-03-17 20:54:42
3362
1
原创 Coordinate Attention和BiFPN
目录文章目录目录坐标注意力机制(Coordinate Attention)原理：结构：代码：优缺点：加权双向特征金字塔(BiFPN)网络结构原理结构代码优缺点自适应非极大抑制（Adaptive Non maximum suppression， A-NMS）的多尺度检测方法原理结构优缺点设计内嵌空间注意力的双路金字塔特征融合网络，提升浅层细节特征与高级语义信息的融合能力原理知识蒸馏原理结构GA-Net立体匹配算法原理结构坐标注意力机制(Coordinate Attention)原理：结构：代码：优
2022-03-14 22:07:30
9032
3
原创 Pytorch笔记
1.构建tensor类型的矩阵#1 创建一个空的矩阵x = torch.empty(5,3)#2 创建一个全零的矩阵x = torch.zeros(5,3.dtype =torch.long)#3 创建一个随机值矩阵x = torch.rand(5,3)#4 显示tensor矩阵的大小x.size()2.基本计算方法#1 矩阵加法（类型一）y = torch.rand(5,3)x + y #2 矩阵加法（类型二）torch.add(x,y)3.索引在这里插入代码片
2022-02-26 17:30:01
893
原创 Python读取txt文件画Loss曲线图---txt文件转xls文件---xls文件转txt文件--xml文件转txt文件
txt文件转xls文件xls文件转txt文件xml文件转txt文件读取txt文件画Loss曲线
2021-12-26 21:11:54
7294
28
原创 YOLOv4笔记
v4解码概述在代码中就是首先生成特征层大小的网格，然后将我们预先设置好了的在原图中416416先验框的尺寸调整到有效特征层大小上，最后从v4的网络预测结果获得先验框的中心调整参数xoffsetx_offsetxoffset和yoffsety_offsetyoffset和宽高的调整参数h和w，对在特征层尺寸大小上的先验框进行调整，将每个网格点加上它对应的x_offset和y_offset的结果就是调整后的先验框的中心，也就是预测框的中心，然后再利用先验框和h、w结合 计算出调整后的先验框的的长和宽，也
2021-12-20 16:37:40
985
原创 深度学习汇总（三）
新的vit也有这种思想，其他还有attention-ocr##ZF Net概述模型优点不足##空洞卷积概述模型优点不足##可变形卷积概述模型优点不足##MobileNetV3概述模型优点不足##Inceptionv3概述模型优点不足##Canopy+K-means聚类概述模型优点不足##AdaBelief（Adaptive"belief"stepsize）优化算法概述模型优点不足##主干网中加入混合空洞卷积,提高网络对行人特征的提取能力
2021-12-19 21:09:08
1851
原创 Focal-loss & QFocal-Loss
Focal-loss是交叉熵损失的变体，如下图所示通过实验发现，即使是easy examples(Pt >> 0.5)，它的loss也很高，所以当这种样本的数量较多的时候，累计起来就会比较大了，甚至会超过那些概率较小的样本（hard example），导致对于那些hard example的学习效果不佳，这也就是为什么正负样本不均衡会导致学习效果不佳，太多的简单样本，累加起来，会产生较大的影响，量变产生质变。如下图蓝线https://blog.csdn.net/qq_36584673/a
2021-11-12 20:57:56
3845
原创 深度学习汇总（一）
目标检测评价指标概述：深度学习优化目标概述：特征通道与信息融合概述：1*1卷积及其作用概述：11卷积在瓶颈结构中的作用以及11卷积在增强网络表达能力中的作用概述;网络宽度对模型性能的影响概述：分组卷积概述：多输入网络？什么时候需要多输入？概述：批量标准化概述：Dropout正则化概述：学习率衰减概述：随机梯度下降概述：......
2021-11-06 09:26:18
1961
原创 深度学习汇总（二）
分类经典模型1*1卷积的作用概述：如果卷积的输出输入都只是一个平面，那么1x1卷积核并没有什么意义，它是完全不考虑像素与周边其他像素关系。但卷积的输出输入是长方体，所以1x1卷积实际上是对每个像素点，在不同的channels上进行线性组合（信息整合)，且保留了图片的原有平面结构，调控depth，从而完成升维或降维的功能。1、降维（ dimension reductionality ）。比如，一张500 * 500且厚度depth为100 的图片在20个filter上做11的卷积，那么结果的大小为5
2021-10-27 19:54:04
719
原创 AI Studio 永久性使用pytorch框架
（亲测有效）1.登录百度AI Studio创建项目网址：百度 AI Studio步骤1.选择Notebook类型，然后下一步2.我选择的AI Studio经典版；PaddlePaddle 选择2.0版本，点击下一步3.项目名称、标签、描述自己根据需求设置；注：这里这个数据集选项，1.如果自己喜欢在Notebook里面运行程序，只需要把自己的数据集在电脑中压缩，然后以压缩包的形式上传即可。2.如果是自己框架的程序，比如tensorflow和pytorch框架的程序，这里建议和数据集一起以压缩包
2021-10-09 22:13:48
9184
24
原创 深度学习- pip、pycharm快捷键
安装Anaconda，不推荐官网下载，直接到清华大学镜像站下载：清华镜像站-Anaconda，选择近期而不是最新的版本，具体的安装步骤可以参考这篇文章：史上最全最详细的Anaconda安装教程如果已经安装好了，并配置了环境，安装以下的包，可以直接打开 anaconda prompt 进行安装，也可以 activate pytorch(自己的环境) 到自己创建好的环境下安装。查看已经安装的 python 库pip list卸载库pip uninstall 包名安装 PILpip instal
2021-09-23 21:41:42
472
原创 pytorch深度学习（二）模型小结
总结一下最近一段时间，用 pytorch 实现深度神经网络模型的整体架构。如果要求我们自己写深度模型，我们该怎么构建模型框架。我总结的深度回归模型是从5个方面创建，方法不是唯一的——构建的思路我也会不断的更新和修改，以及后续添加新的模型（一）pytorch 神经网络线性回归模型框架1.准备数据集 - 可以加入数据增强方法2.搭建自己的模型（2.1）对于简单的线性模型我们可以直接用model=nn.Linear(input,output),训练模型时直接调用模型就可以了。（2.2）对于神经网
2021-09-11 21:29:27
341
1
转载 深度学习（二）---算法岗面试题
● 神经网络为什么用交叉熵参考回答：通过神经网络解决多分类问题时，最常用的一种方式就是在最后一层设置n个输出节点，无论在浅层神经网络还是在CNN中都是如此，比如，在AlexNet中最后的输出层有1000个节点，而即便是ResNet取消了全连接层，也会在最后有一个1000个节点的输出层。一般情况下，最后一个输出层的节点个数与分类任务的目标数相等。假设最后的节点数为N，那么对于每一个样例，神经网络可以得到一个N维的数组作为输出结果，数组中每一个维度会对应一个类别。在最理想的情况下，如果一个样本属于k，那么
2021-08-11 15:30:57
2338
1
转载 深度学习---算法岗面试题
● 深度学习了解多少，有看过底层代码吗？caffe,tf?● 除了GMM-HMM，你了解深度学习在语音识别中的应用吗？参考回答：讲了我用的过DNN-HMM，以及与GMM-HMM的联系与区别；然后RNN+CTC，这里我只是了解，大概讲了一下CTC损失的原理；然后提了一下CNN+LSTM。● 用过哪些移动端深度学习框架？参考回答：开源的有：小米的MACE，骁龙的SNPE，腾讯的FeatherCNN和ncnn，百度的mobile-deep-learning(MDL)；caffe、tensorflow
2021-08-09 20:38:04
1313
1
原创 K-means 聚类算法学习笔记
（一）聚类-无监督学习事先并不知道任何样本的类别标号，希望通过某种算法来把一组未知类别的样本划分成若干类别，聚类的时候，我们并不关心某一类是什么，我们需要实现的目标只是把相似的东西聚到一起，这在机器学习中被称作unsupervised learning(无监督学习)K-means是寻找给定数据集的K个簇的聚类算法，也称之为K-均值，是因为它可以发现（寻找）K个不同的簇，且每个簇的中心采用簇中所含数据的均值计算而成。其中簇的个数是用户指定的，每一个簇通过其质心，即簇中所有的中心来描述。优点：容易实现缺
2021-08-04 19:51:06
697
1
原创 计算视频内车辆速度差和拍摄者车辆与后方车辆之间距离-（2019年数学建模C题 视觉情报分析）
视频是别克英朗2016款车上乘客通过后视镜拍摄的，通过视频（1）估算该车和后方红色车辆之间的距离；（2）估算该车超越第一辆白色车辆时两车的速度差异。视频提取地址链接：https://pan.baidu.com/s/1hPSxrhds6bwxyV4BoUR6Bw提取码：v78s分析：根据乘客拍摄的视频，不难发现视频中车辆所在的国道，以及国道道路上白色虚线的标准长为多少，经过查阅，白色的车道标识为6米。然后我们对视频进行分帧操作，我是用python实现的，一秒钟大约30帧左右，然后再根据拍摄者的倒视镜下
2021-08-02 16:14:56
783
1
原创 贝叶斯算法 - 学习笔记
贝叶斯算法贝叶斯简介总结的概括：贝叶斯算法，其实它就是解决一个关于概率的问题。为什么使用贝叶斯呢？现实世界本身就是不确定的，人类的观察能力是有局限性的；我们日常所观察到的只是事物表面的结果，因此我们需要提供一个猜测。贝叶斯概述写这篇文章的时候，我参考了很多博客和文章，大多都是以生动的例子直接引入问题，我也考虑到这点，为了形象的表达贝叶斯算法，直接以故事图例的方式来阐述贝叶斯算法。在此之前，先了解一下正向概率和逆向概率：正向概率：假设袋子里面有N个白球，M个黑球，你伸手进去摸一把，摸出黑球的概率
2021-07-30 10:37:50
805
1
原创 车牌分割实战
对于车牌分割我会从以下几个知识点来论述，最后对车牌分割的代码进行详解~1.图像边缘图像边缘，即表示图像中一个区域的终结和另一个区域的开始，图像中相邻区域之间的像素集合构成了图像的边缘。所以，图像边缘可以理解为图像灰度发生空间突变的像素的集合。图像边缘有两个要素，即：方向和幅度。沿着边缘走向的像素值变化比较平缓；而沿着垂直于边缘的走向，像素值则变化得比较大。因此，根据这一变化特点，通常会采用一阶和二阶导数来描述和检测边缘。综上，图像中的边缘检测可以通过对灰度值求导数来确定，而导数可以通过微分算子计算来实
2021-07-24 19:44:38
3420
3
原创 pytorch深度学习笔记（二）- pytorch框架搭建一个简单的神经网络模型
通过pytorch框架搭建一个简单的神经网络模型如何基于pytorch深度学习框架用简单快捷的方式搭建出复杂的神经网络模型，同时让模型参数的优化方法趋于高效。如何使用pytorch中的自动梯度方法，在搭建复杂的神经网络模型的时候，我们也可以使用pytorch中已定义的类和方法，这些类和方法覆盖了神经网络中的线性变换、激活函数、全连接层、池化层等常用的神经网络结构的实现。在完成模型的搭建之后，我们还可以使用pytorch提供的类型丰富的优化函数来完成对模型的优化。（一）模型初始化 - 导包、设置参数
2021-07-23 16:07:14
752
原创 支持向量机（Support Vector Machine，SVM）学习笔记
##（标题格式未修改）支持向量机（SVM）概述概述：小例子：魔鬼和天使玩了一个游戏，魔鬼在桌上放了两种颜色的球，如图1所示。魔鬼让天使用一根木棍将它们分开。这对天使来说，似乎太容易了。天使不假思索地一摆，便完成了任务，如图2所示。魔鬼又加入了更多的球。随着球的增多，似乎有的球不能再被原来的木棍正确分开。如图3所示：按照这种球的摆法，世界上貌似没有一根木棒可以将它们完美分开。但天使毕竟有法力，他一拍桌子，便让这些球飞到了空中，然后凭借念力抓起一张纸片，插在了两类球的中间，如图4所示。从魔鬼的角度看
2021-07-16 17:08:51
315
原创 决策树学习笔记
首先，在了解树模型之前，自然想到树模型和线性模型有什么区别呢？其中最重要的是，树形模型是一个一个特征进行处理，之前线性模型是所有特征给予权重相加得到一个新的值。决策树与逻辑回归的分类区别也在于此，逻辑回归是将所有特征变换为概率后，通过大于某一概率阈值的划分为一类，小于某一概率阈值的为另一类；而决策树是对每一个特征做一个划分。什么是决策树？所谓决策树，就是一个类似于流程图的树形结构，树内部的每个节点代表的是对一个特征的测试，树的分支代表该特征的每一个测试结果，而树的每一个叶子节点代表一个类别。树的最高层就
2021-05-27 11:01:18
544
10
转载 pytorch深度学习笔记（一）
深度卷积神经网络（AlexNet）在2012年前，图像特征都是机械地计算出来的。事实上，设计一套新的特征函数、改进结果，并撰写论文是盛极一时的潮流。SIFT [Lowe, 2004]、SURF [Bay et al., 2006]、HOG（定向梯度直方图） [Dalal & Triggs, 2005] 、bags of visual words 和类似的特征提取方法占据了主导地位。另一组研究人员，包括Yann LeCun、Geoff Hinton、Yoshua Bengio、Andrew Ng、
2021-05-02 12:37:32
1286
1
原创 基于python-opencv的SIFT角点检测算法
SIFT角点检测关于Sift角点检测，我会从三个方面详细的介绍SIFT算法：1 SIFT简介 2 SIFT算法步骤（这里要分四个小的方面进行介绍） 3 SIFT算法实现的结果分析，下面就开始进行本文的论述SIFT简介尺度不变特征转换即SIFT (Scale-invariant feature transform)是一种计算机视觉的算法。它用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由 David Lowe在1999年所发表。（SIFT算法的实质是
2021-05-01 20:00:58
5209
2
原创 Harris角点检测（python-opencv）
Harris角点检测（python-opencv）1. 图像特征图像的特征我认为可以分为基于一幅图像的平面，边缘和角点。2.Harris角点检测图像是N*M维度的矩阵，选择一个合适的窗口滑过图像的每个区域，然后计算所有差值的总和。数学公式为：其中最关键的(判断是什么特征）：详细的理论（写的不错）：https://blog.csdn.net/xw20084898/article/details/211807293.代码import cv2import numpy as npfil
2021-04-01 13:29:55
563
1
原创 基于opencv-四种图像滤波技术
基于open-cv的图像预处理图像预处理的一些基本操作，基于python的cv21.导入模块2.实现均值滤波在这里插入代码片3.实现方框滤波在这里插入代码片4.实现高斯滤波在这里插入代码片5.实现中值滤波在这里插入代码片6.显示所有预处理的图像在这里插入代码片...
2020-12-16 14:57:10
352
钢板表面缺陷数据集(铝型材和德国DAGM数据集混合制作，使用了高斯噪声扩充数据集)
2022-05-01
钢板表面缺陷数据集(铝型材和德国DAGM数据集混合制作，使用了高斯噪声扩充数据集)
2022-05-01
该数据集为真实场景下拍摄的疲劳驾驶数据集（比如打哈欠，低头等） 共2915张图片和2915个xml标签文件。
2022-03-21
农业害虫数据集（包括：蚂蚱，毛毛虫，甲虫） 4010张JPG图片和4010个xmL格式的标签文件
2022-03-21
布匹瑕疵数据集，真实场景下的布匹图像，该数据集有三个文件，最大的文件1.72G，上传的这个为800MB左右，其中包含32种缺陷。
2022-03-21
林业害虫数据集（该数据集分为训练集，验证集和测试集) 注：由于文件太大，分为两次上传，该文件是验证集和测试集
2022-03-21
林业害虫数据集（该数据集分为训练集，验证集和测试集) 注：由于文件太大，分为两次上传，该文件是训练集图像
2022-03-21
真实场景下的工人佩戴安全帽数据集，这是第二部分，图片png格式，标签是xml格式。(2500-4999)
2022-03-21
安全帽数据集(真实工人作业场景下的数据集，一张图片含有多个目标，5000张png图片，5000个xml标签文件）
2022-03-21
火灾与烟雾数据集(共6940张jpg格式图片和6940个对应xml格式的标签文件）
2022-03-21
基于pytorch的多元线性回归模型.zip
2021-11-17
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人