- 博客(52)
- 收藏
- 关注
RSS订阅原创 图像分割技术总结
应用领域：人像抠图，医学组织提取，遥感图像分析，自动驾驶，材料图像分析。全景分割：统一语义分割和实例分割，每个像素分配语义标签和实例ID。图像分割：预测目标轮廓，将像素划分到不同类别，实现细粒度分类。VOC数据集：PASCAL视觉对象挑战赛数据，20个对象类别。Cityscape数据集：50个城市街景，30个类别。实例分割：检测前景目标，预测类别、边界框和个体ID。语义分割：每个像素分配单一类别标签，输出语义掩膜。COCO数据集：复杂日常场景，91个对象类别。背景类别：不可数事物（天空、草地、路面等）
2025-10-31 16:52:33
425
原创 YOLOv5源码解析总结
可视化流程：PyTorch → ONNX → Netron查看。工程完善：完整的训练和推理 pipeline。设计目的：加速推理过程，不增加AP指标。Netron工具：神经网络结构可视化。图像分块处理：将输入图像进行间隔采样。通道重组：将空间信息转换为通道信息。计算优化：减少计算量同时保持感受野。输出通道：输入3通道变为12通道。包含残差连接(ResNet模块)训练配置灵活：支持多种超参数调整。模型导出方便：支持ONNX等格式。多尺度检测：保持三个检测头设计。Focus创新：平衡速度与精度。
2025-10-31 16:12:10
301
原创 YOLOv5 代码深度解析总结
每个anchor输出：tx, ty, tw, th, obj, class1, class2...BottleneckCSP - Cross Stage Partial瓶颈（特征图分割处理）Bottleneck - 瓶颈结构（1x1降维→3x3卷积→残差连接）SPP - 空间金字塔池化（多尺度特征提取）Focus - 空间到通道转换（4倍下采样）Conv - 标准卷积（卷积+BN+激活）FPN特征金字塔 - 多尺度特征融合。Conv+BN融合 - 减少计算量。yolo.py - 模型架构核心。
2025-10-27 16:35:46
293
原创 YOLOv5源码解析总结
可视化流程：PyTorch → ONNX → Netron查看。工程完善：完整的训练和推理 pipeline。设计目的：加速推理过程，不增加AP指标。Netron工具：神经网络结构可视化。图像分块处理：将输入图像进行间隔采样。通道重组：将空间信息转换为通道信息。计算优化：减少计算量同时保持感受野。输出通道：输入3通道变为12通道。包含残差连接(ResNet模块)训练配置灵活：支持多种超参数调整。模型导出方便：支持ONNX等格式。多尺度检测：保持三个检测头设计。Focus创新：平衡速度与精度。
2025-10-27 16:29:25
205
原创 YOLOv5数据集处理模块深度解析
在LoadImagesAndLabels类的初始化过程中，首先会扫描指定路径下的图像文件，并自动匹配对应的标签文件。通过灵活的数据增强策略和高效的数据加载机制，为YOLOv5模型的优异性能提供了坚实的基础。YOLOv5的数据集处理模块是整个训练流程中的重要组成部分，负责数据的加载、预处理和增强。对于矩形训练模式，系统会根据图像的宽高比对batch内的图像进行分组，将相似宽高比的图像放在同一个batch中。可以在训练过程中保存增强后的图像，检查数据增强是否按预期工作，边界框是否正确变换。
2025-10-24 11:25:57
274
原创 YOLOv5训练脚本深度解析
自定义模块的导入包括test.py用于模型评估，models.yolo中的Model类定义YOLO网络结构，utils.datasets中的create_dataloader创建数据加载器，utils.general包含各种通用工具函数，utils.google_utils提供下载功能，utils.torch_utils包含PyTorch相关工具。热身阶段在训练初期逐步调整学习率和动量，避免训练不稳定。这个训练脚本展现了现代深度学习系统的完整架构，从数据加载、模型训练到评估保存，每个环节都经过精心设计。
2025-10-23 14:45:02
477
原创 YOLOv4目标检测算法总结
路径聚合网络(PAN)：双向特征金字塔，底层信息更容易传递到顶层。Soft-NMS：柔和处理重叠框，更改分数而非直接剔除。跨阶段局部网络(CSPNet)：通道拆分与特征复用。Mish激活函数：替代ReLU，更平滑的激活曲线。公式：f(α)=·tanh(ln(1+e^w))CIoU损失：综合重叠面积、中心距离和长宽比。空间金字塔池化(SPP)：适应不同输入尺寸。空间注意力机制(SAM)：简化版注意力模块。Mosaic数据增强：四张图像拼接训练。两大改进方向：数据增强和网络结构优化。
2025-10-20 16:14:54
267
原创 YOLOv3目标检测算法总结
13×13尺度：(116×90),(156×198),(373×326)26×26尺度：(30×61),(62×45),(59×119)52×52尺度：(10×13),(16×30),(33×23)特征金字塔网络(FPN)：融合深层语义信息和浅层位置信息。多尺度特征融合：三个不同尺度特征图检测不同大小目标。特征图融合：深层与浅层特征结合提升小目标检测。小目标检测：多尺度特征融合显著提升小目标识别。多标签支持：适应复杂场景中的物体多类别归属。为YOLOv4/v5等后续版本奠定基础。
2025-10-17 16:04:01
360
原创 YOLOv1和YOLOv2目标检测算法总结
高分辨率训练：训练时使用448×448分辨率，提升4% mAP。Anchor Boxes：13×13网格预测更多边界框。网格限制：每个网格只能预测一个类别，重叠目标检测困难。输出维度：S×S×(B×5+C) = 7×7×30。输出特征：每个网格预测边界框坐标、置信度和类别概率。位置预测：相对网格单元的偏移量，提升训练稳定性。网格划分：7×7网格，每个网格预测2个边界框。损失函数：综合坐标误差、置信度误差和分类误差。小卷积核堆叠：3个3×3卷积等效7×7感受野。尺寸范围：320×320到608×608。
2025-10-16 16:00:43
289
原创 目标检测技术总结
R-CNN发展路线：R-CNN→SPP-Net→Fast R-CNN→Faster R-CNN。标注格式差异：YOLO(TXT)、VOC(XML)、COCO(JSON)VOC格式：绝对坐标(xmin,ymin,xmax,ymax)YOLO格式：归一化中心坐标+宽高(x,y,w,h)COCO格式：绝对坐标+宽高(x,y,w,h)代表：Faster R-CNN、YOLO系列。核心挑战：目标尺度变化、遮挡干扰、种类繁多。VOC数据集：20个类别，2-3万图像。SSD系列：SSD、DSSD、FSSD。
2025-10-15 15:09:37
257
原创 十类图片深度学习提升准确率（0.9317）
print(f'训练进度: {batch_idx}/{len(train_loader)}, 当前批次损失: {batch_loss / len(models):.4f}')print(f"训练损失: {train_loss / train_total:.4f}, 训练准确率: {train_correct / train_total:.4f}")print(f"模型 {i + 1} 准确率: {correct / total:.4f}")print(f"加载模型 {name} 失败: {e}")
2025-10-15 15:05:52
1006
原创 手写数据集的深度学习
axes[i].set_title(f'预测: {predicted[i].item()}, 真实: {labels[i].item()}') # 设置标题。plt.plot(np.arange(len(eval_acces)), eval_acces, label='Test Accuracy') # 绘制测试准确率曲线。plt.plot(np.arange(len(eval_losses)), eval_losses, label='Test Loss') # 绘制测试损失曲线。
2025-10-13 17:14:37
575
原创 移动硬盘无法弹出的一种解决方法
直接ctrl＋shift＋esc 找到性能，找到资源管理器再找到cpu ,在句柄那里搜索移动硬盘的盘符，比如是e盘，你就打e:让它搜索点文件右击结束进程，点击一下刷新，就是那个放大镜旁边那个，接着没有之后，就可以安全弹出了，而且之后再次插入不会再显示无法弹出。
2025-09-29 21:53:48
289
原创 基于PyTorch的CIFAR-10图像分类项目总结（2）
注意：在输入图像到达卷积层后原本的RGB三通道与卷积后的超参数不相关。初始化每个类别的正确预测计数器和总样本计数器。个人感觉卷积核就像高维度想低维度的收缩核心。保持相同的卷积层结构但修改全连接部分。3.思考：卷积层的通道为什么会增加。遍历测试集统计每个类别的预测结果。计算并打印10个类别的单独准确率。2. 增加全局平均池化网络架构。1. 添加每个类别准确率计算。使用全局平均池化替代全连接层。修正了原代码中的语法错误。减少参数数量，防止过拟合。添加参数总数统计和打印。关于卷积内部运行印象。
2025-09-27 16:07:19
332
原创 基于PyTorch的CIFAR-10图像分类项目总结（1）
实现完整的深度学习流程：数据加载、模型构建、训练和评估。数据加载器：批量处理(4张/批)，训练集打乱顺序。全连接层分类：128个隐藏单元，10个输出类别。数据集：CIFAR-10包含10类物体图像。神经网络架构：两层卷积+池化+两层全连接。卷积层特征提取：16和36个输出通道。图像预处理：标准化到[-1,1]范围。损失函数：交叉熵损失(多分类任务)图像可视化：样本训练和测试图像展示。准确率：基础模型在测试集上的表现。训练效率：批量处理提升训练速度。PyTorch工具链实践示例。模型评估：测试集准确率计算。
2025-09-26 14:52:23
287
原创 PyTorch神经网络工具箱总结
继承nn.Module，可与nn.Sequential结合。4. 训练循环：前向传播、损失计算、反向传播、参数更新。nn.ModuleDict：字典式容器，支持键值对。nn.ModuleList：列表式容器，支持索引。示例：nn.Linear, nn.Conv2d。示例：F.relu, F.max_pool2d。2. 使用nn.Sequential顺序构建。nn.functional：函数式接口。nn.Module：构建神经网络基类。nn.Sequential：顺序容器。1. 继承nn.Module基类。
2025-09-24 16:19:10
304
原创 PyTorch神经网络工具箱总结
继承nn.Module，可与nn.Sequential结合。4. 训练循环：前向传播、损失计算、反向传播、参数更新。nn.ModuleDict：字典式容器，支持键值对。nn.ModuleList：列表式容器，支持索引。示例：nn.Linear, nn.Conv2d。示例：F.relu, F.max_pool2d。2. 使用nn.Sequential顺序构建。nn.functional：函数式接口。nn.Module：构建神经网络基类。nn.Sequential：顺序容器。1. 继承nn.Module基类。
2025-09-23 15:18:05
318
原创 卷积神经网络（CNN）总结
更深的网络结构（ResNet, DenseNet）平移不变性：无论目标在图像何处，网络应有相似响应。局部性：网络应关注局部区域而非遥远区域关系。从浅层特征到高层语义的层次化特征学习。高层特征：眼睛、轮胎、文字等语义特征。结构：卷积编码器 + 全连接分类器。2012年ImageNet竞赛冠军。填充：控制输出尺寸，保持边界信息。步幅：调节滑动步长，控制输出大小。3×3小卷积核堆叠代替大卷积核。卷积核大小：通常3×3或5×5。ReLU激活函数缓解梯度消失。通道数：随网络深度增加而增加。
2025-09-22 11:24:37
314
原创 深度学习线性回归与Softmax回归
Softmax运算：将输出转为概率分布。交叉熵：L = -Σyᵢlog(ŷᵢ)学习率（learning_rate）输出层设计：分类问题用Softmax。随机梯度下降(SGD)：单样本更新。学习率选择：需平衡收敛速度与稳定性。批量大小（batch_size）核心模型：y = wx + b。损失函数：平方误差（L2损失）梯度下降：沿负梯度方向更新参数。小批量SGD：深度学习默认算法。全连接层：所有输入与输出相连。线性回归：房价预测、销量预估。目标：预测连续值（如房价）批量大小：充分利用计算资源。
2025-09-17 16:07:58
296
原创 深度学习预备知识总结
目标检测：YOLO, Faster R-CNN。信息化时代(20世纪中)：电子信息技术。机械化时代(18世纪末)：蒸汽机发明。电气化时代(19世纪末)：电力应用。人工智能时代(21世纪)：智能系统。图像分类：ResNet, VGG。大数据驱动：更多数据提升模型能力。多模态融合：视觉、语言、语音结合。分类：预测离散类别（图像识别）回归：预测连续值（房价预测）图像生成：GAN, 风格迁移。智能家居：语音控制，自动调节。智慧医疗：影像诊断，健康监测。自动驾驶：环境感知，决策控制。工业检测：质量监控，故障预测。
2025-09-16 11:20:20
456
原创 支持向量机(SVM)算法总结
寻找最优划分超平面：最大化边界(margin)点到超平面距离：|wᵀx + b|/||w||关键概念：支持向量(离超平面最近的样本点)高斯核(RBF)：强大非线性处理能力。超平面方程：wᵀx + b = 0。软间隔SVM：引入松弛变量处理噪声。Sigmoid核：神经网络类似效果。核技巧：通过核函数处理非线性问题。目标：提高模型泛化能力和鲁棒性。硬间隔SVM：完全线性可分情况。优化目标：最大化最小几何间隔。序列最小优化(SMO)算法。影响模型复杂度和泛化能力。多项式核：处理非线性关系。线性核：线性可分问题。
2025-08-26 15:37:31
408
原创 朴素贝叶斯算法总结
3. 应用贝叶斯公式：P(类别|特征) ∝ P(类别)·ΠP(特征|类别)基于贝叶斯定理：P(A|B) = P(B|A)·P(A)/P(B)1. 多项式朴素贝叶斯(MultinomialNB)2. 高斯朴素贝叶斯(GaussianNB)2. 计算条件概率：P(特征|类别)特征条件独立性假设：特征间相互独立。适用：离散特征（如文本词频统计）适用：连续特征（符合正态分布）场景：文本分类（单词出现与否）1. 计算先验概率：P(类别)适用：二值离散特征（0/1）特点：假设特征服从高斯分布。
2025-08-25 17:22:09
254
原创 线性回归算法总结
Sklearn实现：linear_model.LinearRegression()基础形式：y = w₁x₁ + w₂x₂ + ... + wₙxₙ + b。常用属性：coef_（权重）、intercept_（偏置）主要参数：fit_intercept（是否含截距）目标：找到最佳拟合超平面最小化预测误差。解析解：w = (XᵀX)⁻¹Xᵀy。线性模型：通过特征线性组合进行预测。多特征扩展：y = wᵀx + b。MSE：均方误差（SSE/n）范围[0,1]，越近1拟合越好。SSE/RSS：误差平方和。
2025-08-22 14:51:40
176
原创 集成学习算法总结
RandomForestClassifier（分类）RandomForestRegressor（回归）参数：n_estimators（树的数量）第二层：元学习器（融合基学习器输出）- 自助采样（Bootstrap）2. Boosting（串行集成）3. Stacking（堆叠集成）通过组合多个弱学习器提升整体性能。1. Bagging（并行集成）组合弱分类器（加权投票）对预测精度要求较高的应用。核心机制：样本权重调整。多模型协同优于单模型。- 并行训练基学习器。第一层：多个基学习器。需要模型解释性的场景。
2025-08-21 14:06:42
360
原创 K均值聚类算法总结
数据生成：make_blobs()创建测试数据集。类间分离度：各类中心与数据集中心距离平方和。参数设置：n_clusters指定聚类数量。模型实现：KMeans()进行聚类分析。聚类目标：将相似样本聚集到同一类别。2. 计算各点到中心距离并分配类别。类内紧密度：各点与类中心距离平方和。关键挑战：聚类效果评估与参数调优。无监督学习：无标签数据自动分组。公式：√(Σ(xi-yi)²)3. 重新计算每个聚类的中心点。可能需要多次运行取最优解。公式：Σ|xi-yi|适用于数值型数据聚类。常需数据标准化预处理。
2025-08-21 14:05:45
197
原创 机器学习数据预处理总结（复习：Pandas， 学习：preprocessing）
编码器：OneHotEncoder/OrdinalEncoder。Z-score标准化：StandardScaler()中位数填充：fillna(median())最小最大标准化：MinMaxScaler()公式：(x-min)/(max-min)删除策略：dropna()删除空行/列。均值填充：fillna(mean())众数填充：fillna(mode())检测方法：isnull()检测空值。常数填充：fillna(常数)公式：(x-mean)/std。训练集与测试集使用相同转换器。
2025-08-20 14:28:34
193
原创 决策树算法进阶精要
回归任务：criterion='mse'/'friedman_mse'分类任务：criterion='gini'/'entropy'要求最小增益min_impurity_decrease。设置节点最小样本min_samples_split。min_samples_leaf（叶节点最小样本）设置class_weight='balanced'分类：准确率/F1-score/ROC-AUC。max_features（考虑特征数）信息增益=父节点熵-子节点加权熵。网格搜索GridSearchCV。
2025-08-19 14:04:39
181
原创 决策树算法总结
min_impurity_decrease：分裂最小增益。criterion：分裂标准（gini/entropy）min_samples_split：节点分裂最小样本数。sunny熵=0.971（2打球/3不打球）rainy熵=0.971（3打球/2不打球）overcast熵=0（4打球/0不打球）初始熵：0.940（9打球/5不打球）max_depth：树最大深度。叶子节点：最终分类/回归结果。典型场景：客户分群、疾病诊断。选择增益最大特征作为节点。根节点：初始特征划分点。内部节点：中间决策过程。
2025-08-18 14:37:13
366
原创 K近邻算法(KNN)总结
1. 计算待测样本与所有训练样本的距离。典型惰性学习算法：训练阶段仅存储数据。每个样本由其K个最邻近样本决定类别。2. 按距离升序排序选取前K个样本。algorithm：计算优化方式。4. 将最高频类别作为预测结果。公式：√(Σ(xi-yi)²)计算复杂度高（需存储全部数据）3. 统计K个样本的类别频率。n_neighbors：K值。weights：邻近点权重。公式：Σ|xi-yi|metric：距离度量。
2025-08-15 10:32:55
343
原创 机器学习绪论总结
数据准备→特征工程→模型训练→评估优化→部署应用。应用场景：关联规则挖掘（如尿布与葡萄酒）核心要素：经验数据、评价标准、性能优化。错误率：E=(FP+FN)/Total。数据集与样本：数据集合及其组成单元。查准率：P=TP/(TP+FP)查全率：R=TP/(TP+FN)特征与属性：描述样本特性的维度。属性空间：特征张成的多维空间。向量表示：样本的数学表达形式。特点：带标记的训练数据。损失函数：量化预测偏差。留出法：7:3数据划分。表现：过度拟合训练数据。表现：未能捕捉数据特征。需针对具体问题选择方法。
2025-08-14 12:35:36
229
原创 淘宝美妆双十一数据分析案例总结
字段：更新时间、商品ID、标题、价格、销量、评论数、店铺名称。- 销量/评论比=28:1（行业平均5-10:1）- 子类：清洁类（23%）、补水类（19%）数据来源：双十一淘宝美妆数据.csv。SKII/玉兰油：销量为0的高端品牌。销量峰值：双11前2天（11月9日）悦诗风吟：商品数量最多但销量第三。- 子分类（清洁类/补水类等）相宜本草：销量冠军但评论率异常。- 大类：护肤品（占比88%）- 主要需求：清洁类（61%）- 主分类（护肤品/化妆品）- 主导品牌：妮维雅、欧莱雅。
2025-08-12 16:10:22
591
原创 爬虫与数据分析结合案例总结
中国大学排名案例流程数据爬取阶段目标网址：http://www.bspider.top/gaosan/爬取字段：学校名称/总分/全国排名/星级排名/办学层级存储格式：CSV文件(school.csv)数据预处理空值处理四种方法：1.删除空行：df.dropna()2.指定值填充：df.fillna('待补充')3.均值填充：df.fillna(df['总分'].mean())4.中位数填充：df.fillna(df['总分'].median())数据分析阶段星级分布统计：8星:8所 7星
2025-08-11 14:02:46
215
原创 数据科学与计算 Seaborn 总结
style可选: darkgrid/whitegrid/dark/white/ticks。散点图 sns.scatterplot(x,y,data,hue,size,style)折线图 sns.lineplot(x,y,data,hue,size,style)柱状图 sns.barplot(x,y,data,hue,estimator)小提琴图 sns.violinplot(x,y,data,hue,split)箱线图 sns.boxplot(x,y,data,hue,orient)内置美观主题和调色板。
2025-08-08 14:20:59
206
原创 数据科学与计算5 Matplotlib 总结
正弦余弦曲线 x=np.linspace(0,2*np.pi) plt.plot(x,np.sin(x)) plt.plot(x,np.cos(x))球类喜好饼图 plt.pie([20,30,20,18,12],labels=['篮球','乒乓球','羽毛球','足球','排球'])plt.plot([1,8],[3,10]) 绘制(1,3)到(8,10)的线。plt.plot([1,8],[3,10],'o') 绘制两个点。散点图 plt.scatter(x,y,s=大小,c=颜色)
2025-08-07 14:56:54
163
原创 数据科学与计算4 Pandas基础总结
df['学生平均分'] = df[['语文最终', '数学最终', '英语最终']].mean(axis=1)df['学生最高分'] = df[['语文最终', '数学最终', '英语最终']].max(axis=1)df['语文最终'] = df['语文考试'] * 0.6 + df['语文平时'] * 0.4。print(df[['姓名', '语文最终', '数学最终', '英语最终']])'姓名': ['张三', '李四', '王五'],print(df[['姓名', '学生平均分']])
2025-08-05 12:32:47
497
原创 数据科学与计算3 NumPy 字符串与数学函数总结
print(f"{student}: 语文={final_scores[i,0]:.1f}, 数学={final_scores[i,1]:.1f}, 英语={final_scores[i,2]:.1f}")算数函数：add(), subtract(), multiply(), divide()students = ['小孙', '小张', '小韩']subjects = ['语文', '数学', '英语']# 考试成绩 (按学生顺序: 小孙, 小张, 小韩)三角函数：sin(), cos(), tan()
2025-08-05 12:31:10
832
原创 MySQL数据库基础(二)（1）
COUNT(*)比COUNT(DISTINCT 字段名)性能更。多行子查询: 搭配IN, ANY/SOME, ALL使用。单行子查询: 搭配>, <, =, <>等运算符使用。EXISTS子查询: 判断子查询是否返回结果。不等值连接: 使用>, <, <>等运算符。返回左表所有行，右表无匹配则显示NULL。返回右表所有行，左表无匹配则显示NULL。3. 右外连接(RIGHT JOIN)4. 交叉连接(CROSS JOIN)返回左表中的所有行与右表中的所有行组合。1. 内连接(INNER JOIN)
2025-08-04 11:19:24
421
原创 数据科学与计算 NumPy 进阶总结（1）
hstack()/vstack()：水平/垂直堆叠。hsplit()/vsplit()：水平/垂直分割。broadcast_to()：广播到新形状。concatenate()：沿指定轴连接。expand_dims()：增加维度。连接操作需保证除连接轴外其他维度相同。squeeze()：移除单维度。resize()：调整大小。append()：追加元素。insert()：插入元素。delete()：删除元素。stack()：新轴堆叠。split()：均等分割。unique()：去重。
2025-08-04 11:18:14
134
原创 数据科学与计算 NumPy 进阶总结
hstack()/vstack()：水平/垂直堆叠。hsplit()/vsplit()：水平/垂直分割。flatten()/ravel()：展平数组。broadcast_to()：广播到新形状。concatenate()：沿指定轴连接。transpose()/T：转置数组。expand_dims()：增加维度。掌握这些操作能大幅提升数据处理效率。reshape()：改变数组形状。squeeze()：移除单维度。swapaxes()：交换轴。rollaxis()：滚动轴。resize()：调整大小。
2025-08-01 11:25:00
190
原创 NumPy 介绍
random.randint(): 创建随机整数数组。random.randn(): 创建标准正态分布数组。random.normal(): 创建正态分布数组。random.rand(): 创建随机数组。logspace(): 创建对数间隔数组。linspace(): 创建等间隔数组。empty(): 创建未初始化数组。arange(): 创建等差数组。shape: 数组形状(行,列)zeros(): 创建全0数组。full(): 创建指定值数组。ones(): 创建全1数组。eye(): 创建单位矩阵。
2025-07-31 13:16:55
263
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人