juanji3798的博客

原创 win10 wmware搭建的虚拟机如何扩容

linux扩容

原创 rpn代码模块详解【faster rcnn】

【代码】rpn代码模块详解【faster rcnn】

原创 yolov3 合并label

G:\bili\competition\2-yolov3_vehicle_spp_df比赛_b站教学视频\hebing_yolov3.py。

原创 pytorch 蒸馏 resnet vgg等可替换

代码】pytorch 蒸馏 resnet vgg等可替换。

原创 voc数据集分析

https://blog.csdn.net/weixin_39781783/article/details/110575057X轴代表GT框resize为网络输入分辨率时的面积的开根号，表示了尺度变化范围。Y轴代表w/h的比例，由于人一般修长一些，因此w/h比例往往是小于1的：......

原创 warmup pytorch实现 plot版本

warmup就是调节学习率，每一个epoch都进行修改lr,代码实现的就是这个功能，只考虑前xx个epoch采用一种缓慢上升的策略到init lr后，再设置一种函数来缓慢调节下降的学习率

原创 pychram专栏

打不开：采用方法二pycharm 打不开 解决办法_欧晨eli的博客-CSDN博客_pycharm打不开

原创 特征图下采样倍数对原图小目标的影响

原创 在线 神经网络可视化

https://ethereon.github.io/netscope/#/editor

原创 递归深度理解

617. 合并二叉树 - 力扣（LeetCode） (leetcode-cn.com)这道题可以很好的理解，1、找跟节点，跟节点合并思路2、跟节点的左右，和1一样的步骤3、终止条件class Solution: def mergeTrees(self, root1: TreeNode, root2: TreeNode) -> TreeNode: #3\终止条件， if not root1:return root2 if

原创 python 刷leetcode时如何传进去二叉树而非数组

# 定义树class TreeNode: def __init__(self, val=0, left=None, right=None): self.val = val self.left = left self.right = right# 将数组转为二叉树class Tree(object): def __init__(self): self.root = None def construct_tree(.

原创 anchor自动计算

1、u版yolov3详解 --->> 前向推理部分_无左无右的博客-CSDN博客2、yolov5 自适应 anchor_mob604756f1e4c7_51CTO博客

原创 Yolov5 学习记录

（1）输入端：Mosaic数据增强、自适应锚框计算，自适应图像缩放 主要是训练阶段的增强（2）Backbone：融合其他模型的思想 Focus结构，CSP结构（3）Neck：FPN+PAN结构（4）Prediction：输出和之前类似主要 损失函数GIOU_Loss 和预测框损失 DIOU_nmsMosaic数据增强则采用了4张图片，随机缩放、随机裁剪、随机排布的方式进行拼接，形成一张大的图片，可以丰富数据集的同时极大的提升网络的训练速度。针对不同的数据集，都会有初始设定长宽的锚框。在初始...

原创 C++ Leetcode 实现方式

【LeetCode】27. Remove Element（移除元素）-C++实现的两种方法_建筑结构设计软件开发-CSDN博客

原创 伽马矫正，增强亮度信息

import imageioimport numpy as npimport matplotlib.pylab as pltdef GammaCorrection(img, c=1.0, g=2.2): # 伽马校正 out = (np.power(img / 255, 1.0 / g) / c) * 255 return out.astype(np.uint8)if __name__ == "__main__": # 读取图像 img = i...

原创 检测学习-记录

感觉一句话概括就是 ：Region Proposal是一个区域，bounding box就是这个区域的4条边，而这4条边就是用一个4维向量来表示的。当然，ground truth的4条边也叫bounding box，即bounding box代表了一个区域的相对位置。...

原创 iou计算方法

import cv2def IOU(Reframe, GTframe): # 得到第一个矩形的左上坐标及宽和高 x1 = Reframe[0] y1 = Reframe[1] width1 = Reframe[2] height1 = Reframe[3] # 得到第二个矩形的左上坐标及宽和高 x2 = GTframe[0] y2 = GTframe[1] width2 = GTframe[2] height2 = GTfr.

原创 leetcode刷题总结

反转：a[::-1]字典中最大值对应的内容： max(max_str.values())

原创 爬虫记录(持续更新)

（1）code:获取图片path及图片下面的名字通过find_all("img)获取所有path urlfrom bs4 import BeautifulSoupimport requestsurl = "https://car.autohome.com.cn//pic/series/5605-53.html#pvareaid=2042220"source = requests.get(url).textsoup = BeautifulSoup(source,'lxml')detail

原创 快速排序思想

https://www.cnblogs.com/sunriseblogs/p/10009890.html

原创 爬虫汽车之家某款特定车图片

import osimport requestsfrom bs4 import BeautifulSoup#导入模块if not os.path.exists('./红旗H9'): os.mkdir('./红旗H9')#如果没有红旗H9文件就创建一个红旗H9文件url = "https://car.autohome.com.cn/photolist/series/5566/1/p1/?pvareaid=101197"response = requests.get(url=url).t.

原创 NLLLOSS(weight=)中weight解释

https://blog.csdn.net/weixin_37724529/article/details/107021786?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162144406116780271573141%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=16214440611678027157314

原创 nn.LogSoftmax与Softmax区别

LogSoftmax其实就是对softmax的结果进行log，即Log(Softmax(x))n = nn.Softmax(dim=1)mn=n(input)m = mn.log()print(m)等价于下面：m = nn.LogSoftmax(dim=1)

原创 pytorch label smothing

论文出处："When Does Label Smoothing Help? "这篇文章指出Szegedy et al.提出了Label Smoothing. 因此我们就从Szegedy et al.的文章入手。在这里我们简称Label Smoothing为LS。标签平滑也可以被简称为LSR(Label-Smoothing Regularization)。标签平滑(label-smoothing)主要用于防止过拟合，增强模型的泛化能力。在one-hot的基础上，添加一个平滑系数ε，使得最大...

原创 CV调参技巧

# 调参技巧增大batch会降低精度，同时增大学习率#学习率调节方法（Bold Driver）：学习率调节的基本原则：如果离最优值越远，朝最优值就得移动越多，学习率也就越大；但是这里有个问题，我们不知道何时离最优值最近，我们也不知道每次迭代过程中离最优值有多远，我们可以采用bold driver方法：#归一化的目的：...

原创 关闭电脑触摸板

https://zhidao.baidu.com/question/1760653925507473308.html按键盘上的Fn+F6键，F6键上有一个触摸板图标

原创 多分类focal loss代码实现，基于正常loss函数获取多分类概率后，用文中几行代码公式，计算得到新的loss

from torch import nnimport torchfrom torch.nn import functional as Fclass focal_loss(nn.Module): def __init__(self, alpha=0.25, gamma=2, num_classes=5, size_average=True): super(focal_loss, self).__init__() self.size_average = si..

原创 水平集算法

import cv2from pylab import *Image = cv2.imread('1.jpg', 1) # 读入原图image = cv2.cvtColor(Image, cv2.COLOR_BGR2GRAY)img = np.array(image, dtype=np.float64) # 读入到np的array中，并转化浮点类型# 初始水平集函数IniLSF = np.ones((img.shape[0], img.shape[1]), img.dtype)Ini.

原创 爬虫火车票

#!/usr/bin/python3# coding: utf-8import requestsfrom pyquery import PyQuery as pqimport xlwtimport xlrdimport reimport randomimport timewbk = xlwt.Workbook()sheet_1 = wbk.add_sheet('sheet 1')sheet_2 = wbk.add_sheet('sheet 2')sheet_1.write(0, .

原创 欠拟合和过拟合通俗解释

今晚看到一个比较好的博客，很好的理解欠拟合和过拟合，在此记录下。类别过程追女朋友，女朋友好比数据集，你就是网络。女朋友如果有很多特征，那么就好比数据集比较大，数据特征比较多，而你get不到你女朋友这些特征，那么就需要提高自己，也就是欠拟合了，提高自己，提高网络复杂性，或者降低女朋友档次，降低数据特性。反之，一样的道理...

原创 点击鼠标取rgb，转为中文颜色，效果很差

import numpy as npimport collections# 定义字典存放颜色分量上下限# 例如：{颜色: [min分量, max分量]}# {'red': [array([160, 43, 46]), array([179, 255, 255])]}def getColorList(): dict = collections.defaultdict(list) # 黑色 lower_black = np.array([0, 0, 0]) .

原创 rgb转hsv，并判断颜色

import numpy as npimport collectionsimport cv2import numpy as np# 定义字典存放颜色分量上下限# 例如：{颜色: [min分量, max分量]}# {'red': [array([160, 43, 46]), array([179, 255, 255])]}def getColorList(): dict = collections.defaultdict(list) # 黑色 lower_bl.

原创 pytorch K折交叉验证 代码

https://www.codeleading.com/article/53453227121/

原创 Pytorch下查看各层名字及根据layers的name冻结层进行finetune训练；

from model_ori1 import resnet34 # model_ori1:your modelimport torchimport torch.nn as nnclass Net(nn.Module): def __init__(self): super(Net, self).__init__() model = resnet34() self.resnet = model def forward(self, img.

原创 resnet34替换repvgg结构

class BasicBlock(nn.Module): expansion = 1 def __init__(self, in_channel, out_channel, stride=1, downsample=None): super(BasicBlock, self).__init__() self.conv1_3x3 = nn.Conv2d(in_channels=in_channel, out_channels=out_channel, .

原创 pytorch 模型推理时间

class BasicBlock(nn.Module): expansion = 1 def __init__(self, in_channel, out_channel, stride=1, downsample=None): super(BasicBlock, self).__init__() self.conv1_3x3 = nn.Conv2d(in_channels=in_channel, out_channels=out_channel, .

原创 残差

Convolutional Block Attention Module (CBAM) 表示卷积模块的注意力机制模块。是一种结合了空间（spatial）和通道（channel）的注意力机制模块。相比于senet只关注通道（channel）的注意力机制可以取得更好的效果。它相对于SE多了一个空间attension，这个空间其实就是宽高对...

原创 深度残差

样本中含有噪声，或者与标签无关的冗余信息，会导致深度学习算法的效果有所降低背景复杂，会对分类的结果造成不利影响，剔除这些背景的特征，可以有效提高识别的效果这种方法原本应用在强噪振动信号，应该也可以应用在复杂背景的图像上深度残差收缩网络面向的是数据包含噪声的情况。事实上，这里的“噪声”，可以有更宽泛的解释。“噪声”不仅可以指数据获取过程中所掺杂的噪声，而且可以指“与当前任务无关的信息”。比如说，我们在训练一个猫狗分类器的时候，如果图像中存在...

原创 python sift 特征匹配 图片相似度

python sift 特征匹配 图片相似度提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录一、sift匹配图像相似度原理二、脚本一、sift匹配图像相似度原理可以从图片中提取SIFT特征，对两幅图片的SIFT特征进行匹配并按照一定条件删选就能得到两幅图片的匹配点个数，匹配点个数越多，相似度越高二、脚本import cv2from matplotlib import pyplot as pltimport numpy as npimport osimport

原创 win10局部截图

@TOCwin10截图快捷键提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录快捷键一、工具快捷键一、工具Win+Shift+S局部截图处理数据的函数和方法。