阶段记录 2018年8月16日 21.27于天津大学

从2018-06-15来到天津大学中的XX公司学习已经有一个半月了,前半部分还好,中间有些散漫,不过也属正常,现在now()又找回了当时刚来的感觉,记得苹果公司的创始人乔布斯说过:做任何事情都保持一种初学者的心态是极其重要的。刚开始来的时候定的是做python后端,在ubuntu下编程,利用python和前端合作,然后做项目。

首先,老大让我看git,python基础,廖雪峰教程(看了大概一半,看不下去所以没继续看) 这应该是第一阶段
第二阶段 :学习了flask web 开发一书,俗称狗书,刚开始的时候是云里雾里,啥都不懂,之后坚持看并实践下来发现还是挺有趣的,反正有不懂的可以问大神(大神是华科的),基本上书上的程序代码自己都动手敲了一遍,基本上都能实现,实现的时候还是挺有满足感的,后来结合flask官方文档去看,不过实在是对英语不感冒,导致要用google翻译来看(不过google翻译的有时也是驴唇不对马嘴,稍微影响了一些理解,不过影响不是很大) 之后老大看我做的差不多了,让我一个小网站练手,利用flask做一个站点原型,并解决一个大问题,函数库之间的跳转问题以及在浏览器无法显示的问题,当时一接到这个任务时,内心是绝望的,觉得自己根本不可能解决那个大问题,基于flask的站点制作倒是不复杂,利用之前学过的知识一下就解决了,制作站点的时候接触了很多前端的知识,css,javascript,html,htm,xsl,xml一大堆的知识,之后自己制作并部署站点之后就没管了,那个大问题还是没有解决,老大每次一来就询问我做的怎么样了,为了激励我就一直给我发资料,导致后来只好硬着头皮上,主要还是因为涉及到的知识自己之前一点基础都没有,幸亏都是些静态网页,不过还是属于一块难啃的骨头,主要的问题是网页代码中的active X
只在ie浏览器下使用的一种方法,当时老大布置的任务是:这是个函数库的说明文档,目前里面的跳转只能在IE模式下进行,需要调整为可以在所有浏览器下实现跳转。 因为之前一丢丢的基础都没有,自己当时的想法是更改active X 的方法,采取一种通用的方法,代码好像是javascript的,一点不会,然后自己在baidu上找资料,看看别人遇见这个问题都是怎么解决的,不过度娘这玩意大家也知道,搜到的东西鱼龙混杂,真的是能试的方法都试了,结果还是没有解决,网页还是显示不出来。最后老大支了一招,将其中的xsl+xml文件转成html或htm(两者其实是一样的)文件,应该就能显示,当时听到的我其实也还是一脸懵逼,转?用啥转啊,想到python,因为相对熟悉点,网上找现成的程序改改看看能不能用,当时老大爷给我发了,其实和我找的文件是一样的,但是说的容易,做的时候可把我愁坏了,因为那个python程序里调用 的模块老是出错,看网上的教程都是在linux下系统实现的,不过自己使用的是win7,之前linux的双系统早就被我给删了,结果没办法,想到虚拟机是个好玩意,装了试了试,没把我卡成煞笔,不过还是硬着头皮装了输入法,以及编译的ide(pycharm),调了半天还是用不了,最后只好放弃寻找别的出路,后来在网上看见有用java转的,不过不会啊, 然后又java的ide(Intelli),以及java的编译器,其实当时自己已经很绝望了,只是抱着试试的心态,没想到真的成功了,xml+xsl转htm,而且还能打开,当时兴奋的不要不要的,但是还有一个问题就是当时有上千个 xsl+xm文件不可能手动转,智只能依靠程序来转,幸亏当时大神的帮忙才得以成功,全都转成了htm文件,但是还是高兴的太早,内部之间的跳转还是有问题,不过都是小问题,当时生成htm文件的时候也没仔细看,看到能打开的效果自己就忘乎所以了,其实生成的文件还是有些问题的,比如格式、路径等问题,不过总算是解决了一大问题,之后就是些小修小补。
第三阶段 也就是现阶段了,再看flask-restplus文档,尝试着写写接口,大神也给了我他做的一个项目(关于接口)给我看,以及mysql数据库的学习,操作起来也不是太难,可能记得东西有点多而已。

简单记录一下自己这一个半月的历程,尽量改掉自己老是休闲时间喜欢看直播的习惯,尽管现在不玩游戏,但感觉这些东西其实真的很没有营养,所以现在把看直播的时间全用来看书了,最近在看古典的<拆掉思维的墙>,其中讲到的心智模式还是不错的,深有感触,希望自己能坚持下去吧。

  • 2
    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