python学习第二天

集合类型

集合类型主要有:

  • 字符串(str)
  • 元组(tuple)
  • 列表(list)
  • 字典(dict)
序列

元组

列表

列表的操作

  • 取值
  1. 切片和索引  --如果超出索引范围,会报错误list index out of range
  • 添加
  1. list.append(<新元素>)
  • 删除
  1. list.remove(<待删元素>)  --如果列表中有多个元素都等于指定值,则删除第一个。
  2. del(list[3])   --注意其中的list是列表变量的变量名
  3. list.pop(index)
  4. list.clear()  ----清空列表
  5. del(list)  --删除列表
  • 修改
  1. list[5]=x
  • 元素的拆分
  1. l=[“zhangsan”,19,”male”]
  2. name,age,gender=l
  • 排序
  1. list.sort()  ----注意元素的类型不同时不能排序,逆序时加参数reverse=True
  2. sort()的key参数:
    sortstudents = [('牛牛', 'A', 15), ('道长', 'B', 12), ('大师兄','B', 10)]
    students=sorted(students,key=lambda s:s[2])
    print(students)
字典

  • 字典定义一组可以改变的键值对数据的集合

  • 字典用{}来定义:
  • 空的字典:d={}
  • 含有单个键值对的字典:跟列表相同(可以有逗号,也可以没有逗号)
  • 含有多个键值对的字典: dic={1:’a’,[2,3,4]:(9,0)}
  • 还可以用dict方法来定义字典:dic=dict(name=‘zhangsan’,age=21)
  • 字典中的键可以是不同的数据类型,但是必须是可以哈希的类型(数,字符串,元组,函数名,自定义类型等。不可以作为键的类型:list和dict,再比如元组中有list元素),字典中的键必须唯一。如果定义dic={1:’a’,1:’b’}则后定义的有效。
  • 所以这个定义完成后dic={1:’b’}
  • 字典中的值可以是不同的数据类型(比如一个元组中可以包含一个人的姓名,年龄,课程等信息)
  • 字典元素通过key来访问:比如定义dic={1:’a’,[2,3,4]:(9,0)},则dic[1]表示键为1的元素,其值为’a’。
  • 字典元素的拆分:
    dic={1:’a’,(2,3,4):(9,0)}
    a,b=dic    --获得的是key的值
  • 字典的内容是可以改变的
字典的操作

  • 取值:
  1. 字典元素通过key来访问:比如定义dic={1:’a’,[2,3,4]:(9,0)},则dic[1]表示键为1的元素,其值为’a’。
  2. dict.get(key,default=None)  --获得指定键的值,可以指定第二个参数,指定如果键不存在时返回的值。
  • 添加和修改:
  1. dic[‘a’]=(9,8,7)
  2. dict.update(dict1)  ---- 用字典dict1去更新字典dict—因此也可以完成字典的元素添加和修改
  • 删除
  1. dic.pop(‘a’)  --弹出,这个时候会返回删除的元素的值,可以有第二个参数来指定如果key不存在时返回的值
  2. dic.clear()   --删除字典的所有元素,这个时候dic为空字典
  3. del(dic[‘a’])
  4. del(dic)  --删除字典,这个时候dic变量没有定义
  • 其它操作
  1. k in dict 或者k not in dict---判断键是否存在
  2. dic.items()  ---返回所有的键值对,它是一个dict_items类型,不支持索引
  3. dic.keys()  ---返回所有的键,它是一个dict_keys类型,不支持索引
  4. dic.values()  ----返回所有的值,它是一个dict_values类型,不支持索引
  5. dict_items, dict_keys, dict_values这3个类型的变量(比如变量d),都可以用list(d)转换为列表类型,用tuple(d)转换为元组类型
  6. dic.fromkeys(seq,default=None) ---以seq中的元素为键创建并返回一个字典,可以指定第二个参数作为该字典的默认值。




  • 0
    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