橙子Blue不加冰

import osimport cv2# h,w 先后不要写错，不然图片会变形fixed_size = 512 # 输出正方形图片的尺寸if h >= w:= 0:new_w -= 1# array_file = np.pad(array_file, ((0, 0), (pad_w, fixed_size-pad_w)), 'constant') #实现黑白图缩放value=(0, 0, 0)) # 255是白色，0是黑色else:= 0:new_h -= 1。

去掉马赛克之后，就什么数据增强都没有了，需要增加尺度变换YOLOX-main/yolox/data/data_augment.py 增加一个函数 #163行+=choice18090090902uniform1.eye302<=0.1YOLOX-main/yolox/data/datasets/mosaicdetection.py 中加入from头文件。

根据txt批量找出文件夹里面的图片pythonimport refrom PIL import Imageimport numpy as npimport osdata = []path1 = r'G:\pachong\TEST_0526\2.txt' # txt文件路径path_img1 = r'G:\pachong\TEST_0526\2' # 原图像文件路径path_img2 = r'G:\pachong\TEST_0526\222' # 保存图像新路径with open

1.YOLOX无法指定gpu,只能指定gpu个数YOLOX-main/yolox/utils/dist.py在此路径下注释和添加代码：def get_local_rank() -> int: ###############ori """ Returns: The rank of the current process within the local (per-machine) process group. """ if not dist.

上面这个标签有时候更改会出现一些问题，按照下面这个来。

1.先把原来的mask标注图片从val.txt里面抽取出来import syssys.path.append("..")sys.path.insert(0, '.')import torchimport torch.nn as nnfrom PIL import Imageimport numpy as npimport os #要导入ostorch.set_grad_enabled(False)np.random.seed(123)val_path = "F:\\1207garb

1.图像增强copy_paste:输入原图JPEGImages+对应掩码图SegmentationClass可以提前可视化一下，看是否有问题（可能出在图像标注的时候出现别的未知类别）import matplotlib.pyplot as pltfrom matplotlib import gridspecimport numpy as npimport cv2import osimport warningswarnings.filterwarnings("ignore")import

1.爬取指定关键字图片'''爬取指定关键字图片'''import re # 正则表达式，解析网页import requests # 请求网页import tracebackimport osdef dowmloadPic(html, keyword, startNum): headers = {'user-agent': 'Mozilla/5.0'} # 浏览器伪装，因为有的网站会反爬虫，通过该headers可以伪装成浏览器访问，否则user-agent中的代理信息为pyt

from PIL import Imageimport timedef pixel_equal(image1, image2, x, y): """ 判断两个像素是否相同 :param image1: 图片1 :param image2: 图片2 :param x: 位置x :param y: 位置y :return: 像素是否相同 """ # 取两个图片像素点 piex1 = image1.load()[x, y]

1.深度学习中，偏置（bias）在什么情况下可以要，可以不要？卷积之后，如果接BN操作，就不要设置偏置，因为不起作用还要占显卡内存。所以，卷积之后，如果接BN操作，就不要设置偏置，因为不起作用还要占显卡内存。...

1.生成Yolox检测负样本-对应空文件夹txtimport os.pathimport cv2from tqdm import tqdmpath = r"G:\pachong\fuyangben_img" #负样本图片文件夹save_path=r"G:\pachong\fuyangben_txt" #生成空的txt文件夹files = os.listdir(path)print(files)for pic in tqdm(files): # # basename = os.pa

1.pytorch模型转化onnx先把pytorch的.pth模型转成onnx,例如我这个是用Bisenet转的import argparseimport os.path as ospimport syssys.path.insert(0, '.')import torchfrom lib.models import model_factoryfrom configs import set_cfg_from_filetorch.set_grad_enabled(False)pa

# -*- coding: utf-8 -*-import osimport randomimport shutilfrom shutil import copy2from tqdm import tqdm# category = ['可回收垃圾', '有害垃圾', '厨余垃圾', '其他垃圾']category = ['0','1','2','3','4','5','6','7','8','9']# 要保存的根目录saveTrainPATH = 'F:/1213bag/111/

如果文件夹1（大）的里面包含了与文件夹2（小）的同名图片：# !/usr/bin/env python# encoding: utf-8import osimport globfrom PIL import Image#指定找到文件后，另存为的文件夹路径outDir = os.path.abspath('G:/2.pe666/yibiaozhu')#指定第一个文件夹的位置imageDir1 = os.path.abspath('G:/2.pe666/image') #文件夾1 大

'''爬取指定关键字图片'''import re # 正则表达式，解析网页import requests # 请求网页import tracebackimport osdef dowmloadPic(html, keyword, startNum): headers = {'user-agent': 'Mozilla/5.0'} # 浏览器伪装，因为有的网站会反爬虫，通过该headers可以伪装成浏览器访问，否则user-agent中的代理信息为python pic_

1. 数据准备如下图所示，训练图片images的格式尺寸可以不等：标签label（.txt）一个文件对应一个txt文件：labellmg 标注可以直接导出 .txt文件 一一对应的格式,如图：上图换了个任务标签，细节不要在意，意思到就行~如果是labelme生成的Json文件，like this:json转化一下txt：import jsonimport osname2id = {'advertisement': 0} # 此处为类别id# name2id = {'per

此处的是在测试集上进行性能评估和统计用VOC格式训练数据集时：其中B是不同尺度的格子划分，进行特征提取，多尺度融合：利于小目标检测最后15个epoches时候，关闭了数据增强中的马赛克和混合两种，让其接近真实场景进行训练用轻量级模型时，过多用数据增强反而会降低模型性能，所以要合理进行...

1. 服务器版本的问题报错记录error：‘Hardswish‘ object has no attribute ‘inplace‘本地Pycharm很快就调好了，直接修改，但是服务器的模型内置文件搞了半天1.分别把 torch 版本降到 1.6.0 、torchvision 版本降到 0.7.0，执行检测，成功~2.直接改源代码，我用的是这种改torch的activation.py文件，改完确实有效，记录一下。根据报错提示的路径，编辑/torch/nn/modules/activation.

1.python获取路径中最后一个文件夹名 #coding=utf-8 import os #情况一：全路径中获取最后一个文件夹的名字 path1="D:/data/Beijing/Beijing_road.shp" a=os.path.dirname(path1)#先获取文件路径 print(a) b = os.path.basename(a)#从文件路径中读取最后一个文件夹的名字 print(b) #情况二：文件路径中直接获取最后一个文件夹名 path2="D:/data/Be

一、研究黑白图像1.位图模式（黑白图像）仅仅只有一位深度的图像 -》（0，1，1，1，……）此处0表示全黑 1表示全白2.灰度图像 [0,255]有8位深度的图像（0,0，0,0，0,0，0,0，0）-》20 = 1 ->（纯黑色）（1,1，1,1，1,1，1,1，1）-》28 = 256 ->（纯白色）3.彩色图像（三个通道）彩色三原色：三通道（RGB）一共三个通道 ，每个通道8个深度。#读取图片：import cv2import numpy as nppath =