weixin_45866058的博客

URetinex-Net是一款由深度学习驱动的低光图像增强工具，源于2022年CVPR会议的前沿研究，专为提升暗环境下的图像质量设计。通过融合经典的Retinex理论与现代的神经网络技术，本项目实现了高效、自动的亮度优化和色彩恢复。

一、数据集下载二、安装包Spectral Python (SPy)是一个用于处理高图像数据的纯Python模块。它具有读取、显示、操作和分类高光谱图像的功能。Spectral安装：官网链接：安装命令：三、数据处理加载数据、统计元素个数、光谱图显示、重构需要用到的类、标准化数据并存储四、模型训练五、模型推理六、踩坑记录问题描述：spectral.imshow(img)时，图像一闪而过，并且spectral好像没有类似CV2的waitKey方法。所以无法暂停。

在输入图像和输出图像之间，使用对齐图像对的训练集。但是，对于许多任务，配对训练数据将不可用。我们提出一个学习从源翻译图像的方法域 X 到目标域 Y，在没有配对的情况下例子。我们的目标是学习映射 G ： X → Y使得来自 G（X） 的图像分布与使用对抗性损失的分布 Y 无法区分。由于此映射的约束非常不足，因此我们将其与逆映射 F ： Y → X ，并引入强制执行 F（G（X）） ≈ X 的循环一致性损失（反之亦然）。

YOLOv9继续训练主要分为两个情况：其一、训练过程中意外中断，未完成训练预期的epoch数量；其二、训练完了，但是未收敛，在这个基础上，还想用这个权重、学习率等参数继续训练多一些轮次

（1）PubTabNet数据集（此次训练以 PubTabNet数据集为例）'filename': PMC5755158_010_01.png, # 图像名'split': ’train‘, # 图像属于训练集还是验证集'imgid': 0, # 图像的index'html': {'structure': {'tokens': ['', '', '', ...]}, # 表格的HTML字符串'cells': [

crnn+ctc识别模型中,lmdb脚本只转换部分数据集

ubuntu18.04 yolov5 tensorrt部署

Ghostnet\efficientnet_b0\MobileNetv3_small\ShuffleNetV2替换yolon5主干网络：修改骨干网络主要需要添加模块到models/common.py文件中，在models/yolo.py文件夹中进行注册，修改models下面的yaml文件中的网络结构。

miniGPT-4测试过程

例如：我在DBNet源文件夹predict.py的Pytorch_model函数里添加这段程序，直接生成.wts文件。生成方法：（1）置好保存路径。使用该软件包直接将.wts转换成.engine文件。：将训练好的模型文件.pth生成.wts 文件。

【代码】CRNN----CTC配置。

问题原因：ValueError: Only one class present in y_true. ROC AUC score is not defined in that case.方法2：DataLoader的参数设置shuffle=True。修改好config.py中的num_classes参数就行了，方法1：添加 try-except。（1）修改参数文件 utils/config.py。见谅（不好意思~(￣▽￣)~*）方法3：增大batch_size。

它可以用来获得完整的信息，使从头开始训练的模型比使用大数据集预训练的最先进的模型获得更好的结果，比较结果如图1所示。它可以用来获取完整的信息，从而使从头开始训练的模型能够比使用大型数据集预训练的最先进的模型获得更好的结果。图5.最先进的实时目标检测器的比较。（a） 路径聚合网络 （PAN）） [37]， （b） 可逆列（修订版）[3]，（c）传统的深度监督，以及（d）我们提出的可编程梯度信息（PGI）。GELAN的架构：（a）CSPNet [64]，（b） ELAN [65]，（c）提议的GELAN。

labelimg安装（anaconda）;标签文件.xml转换为.txt格式;到yolov9主目录下的./data路径下重新编写一个.yaml文件;将该文件填入到训练文件train.py中的数据参数设置--data中.