<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[2403_86999529的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/2403_86999529</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; 2403_86999529]]></copyright><item><title><![CDATA[猫狗数据集的训练和调优]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143365130</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143365130</guid><author>2403_86999529</author><pubDate>Wed, 30 Oct 2024 14:50:06 +0800</pubDate><description><![CDATA[【代码】猫狗数据集的训练和调优。]]></description><category></category></item><item><title><![CDATA[超参数调优]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143364873</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143364873</guid><author>2403_86999529</author><pubDate>Wed, 30 Oct 2024 14:48:00 +0800</pubDate><description><![CDATA[确定标注任务的目标、标注对象和标注标准。]]></description><category></category></item><item><title><![CDATA[技术大杂烩]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143364606</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143364606</guid><author>2403_86999529</author><pubDate>Wed, 30 Oct 2024 14:36:30 +0800</pubDate><description><![CDATA[迁移学习能力是指机器学习模型在一个任务中学到的知识和经验，可以被用来帮助解决另一个相关但不同的任务。这种能力可以大大减少新任务所需的训练数据量，加快学习速度，并提高模型的性能。泛化能力是衡量一个机器学习模型在新数据上的表现能力。一个具有良好泛化能力的模型，能够从训练数据中学到普适的规律，并将这些规律应用到未见过的数据上，从而做出准确的预测。]]></description><category></category></item><item><title><![CDATA[大学生找工作必备的手段]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143364539</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143364539</guid><author>2403_86999529</author><pubDate>Wed, 30 Oct 2024 14:34:16 +0800</pubDate><description><![CDATA[准确率衡量的是模型在所有预测中正确预测的比例，而MAP则更侧重于评估信息检索系统或推荐系统在所有查询上的平均表现。在某些情况下，即使准确率很高，但如果模型在预测时存在偏差或不平衡，MAP值也可能不会相应提高。因为YOLOv1的损失计算主要包括合页损失、定位损失和类别损失，而置信度损失通常是在后续版本中加入的，不是YOLOv1原始损失计算的一部分。自己的信息，基本信息，老家是哪，啥学历，学历尽可能不要好高骛远，尽可能的抓起大略，抓大放小，学历不要高，但不能低，必须符合正常流程。准确率越高，map的值就越高。]]></description><category></category></item><item><title><![CDATA[docker 里面用redis milvus]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143364462</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143364462</guid><author>2403_86999529</author><pubDate>Wed, 30 Oct 2024 14:31:50 +0800</pubDate><description><![CDATA[RedisInsight就是来管理和监控你的Redis服务器，通过链接直接复制到浏览器上面运行，监视redis服务器。表示将宿主机的8001端口映射到容器的8001端口（RedisInsight默认端口）下载下载milvus镜像之前，还要洗澡docker copmpose来启动milvus。二，在docker仓库里面拉取redisInsight镜像。用这个命令检查Redis容器是否正在运行。通过浏览器访问redsinght。最后启动redis容器。下载milvus镜像。]]></description><category></category></item><item><title><![CDATA[ubuntu的软件包索引]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143364392</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143364392</guid><author>2403_86999529</author><pubDate>Wed, 30 Oct 2024 14:30:04 +0800</pubDate><description><![CDATA[添加 Docker 的官方 GPG 密钥。添加 Docker 仓库到列表。安装完成后，验证是不是安装好了。验证docker版本。]]></description><category></category></item><item><title><![CDATA[sdfghjkl的ubuntu后缀]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143364342</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143364342</guid><author>2403_86999529</author><pubDate>Wed, 30 Oct 2024 14:28:10 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[docker命令大全]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143364265</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143364265</guid><author>2403_86999529</author><pubDate>Wed, 30 Oct 2024 14:25:55 +0800</pubDate><description><![CDATA[必须确定电脑已经安装显卡驱动，没有驱动装啥呀。，如果容器正在运行则无法删除，可以使用。，取决于容器内的shell类型。第一就是安装英伟达的GPU驱动。设置Docker开机自启。查看Docker运行状态。查看Docker版本信息。查看Docker系统信息。获取容器或镜像的详细信息。查看特定命令的帮助，如。启动Docker服务。停止Docker服务。重启Docker服务。Docker帮助命令。查看容器内运行的进程。查看Docker网络。]]></description><category></category></item><item><title><![CDATA[ubuntu杂烩一锅炖]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143363645</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143363645</guid><author>2403_86999529</author><pubDate>Wed, 30 Oct 2024 14:15:18 +0800</pubDate><description><![CDATA[提高梯度下降法的稳定性和收敛速度，可以采取一些改进措施，如给梯度加一个小的系数（学习率），以控制自变量更新的步长；函数的最小值是指在函数的定义域内，存在一个或多个点，使得函数在这些点上的函数值不大于函数在定义域内其他任何点上的函数值。它基于函数在当前点的梯度（即导数）信息，沿着梯度的负方向（即函数值下降最快的方向）更新自变量。3：不知道自己创建的虚拟环境名字是啥，通过一下命令，查看，并进入创建的虚拟环境/在优化问题中，找到函数的最小值可以帮助我们实现资源的最优配置或成本的最低化。]]></description><category></category></item><item><title><![CDATA[视频抽帧具体的步骤]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143363584</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143363584</guid><author>2403_86999529</author><pubDate>Wed, 30 Oct 2024 14:05:11 +0800</pubDate><description><![CDATA[视频抽帧首先前提注意：需要去网站上下载视频，或者在客户端下载视频，接下网上查找视频抽帧代码，进行视频抽帧，调用视频抽帧的代码。运行代码：注意几点，一是视频抽帧需要把下载后的视频导入pycharm,让后指定视频抽帧的提取的图片路径，用来存取图片。]]></description><category></category></item><item><title><![CDATA[ubuntu遇到的问题]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143363474</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143363474</guid><author>2403_86999529</author><pubDate>Wed, 30 Oct 2024 14:01:57 +0800</pubDate><description><![CDATA[将响应的内容转换为 NumPy 数组，然后使用 OpenCV 的。2.创建一个flask应用和MTCNN模型实例。最后定义一个路由:函数来处理请求，并返回结果。发送 HTTP GET 请求来获取图片。将图像从 BGR 颜色空间转换为 RGB。Flask是python的轻量级。最后运行flask应用，监听端口。函数将字节数据解码为图像。这个函数接收一个图片名称。，然后构造图片的 URL。，可用来做简单的模型部署。定义Flask类的对象。以上代码：先进入依赖包。]]></description><category></category></item><item><title><![CDATA[VSCode 远程连接 Ubuntu]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143363429</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143363429</guid><author>2403_86999529</author><pubDate>Wed, 30 Oct 2024 13:59:09 +0800</pubDate><description><![CDATA[1：vscode远程连接ubantu系统，ip地址出现一天一变的情况，解决方法就是在ubantu系统里面终端填写ip a执行谢言：敌变我也变2：vscode里面运行代码，必须保证远程连接着ubantu最后点开py所在页面，打开右下面解释器的框，会出现自动检测的按钮，自动检测出ubantu所anaconda虚拟环境所配置的所有环境。]]></description><category></category></item><item><title><![CDATA[Ubuntu 是一个非常流行的开源操作系统]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143349727</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143349727</guid><author>2403_86999529</author><pubDate>Tue, 29 Oct 2024 20:50:21 +0800</pubDate><description><![CDATA[Ubuntu 是一个非常流行的开源操作系统，它是基于 Linux 的发行版之一。]]></description><category></category></item><item><title><![CDATA[pickle在保存数据时默认使用的是二进制格式]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143349674</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143349674</guid><author>2403_86999529</author><pubDate>Tue, 29 Oct 2024 20:47:49 +0800</pubDate><description><![CDATA[其存储结构包括1位符号位，8位指数位，和23位尾数位。符号位用以标明浮点数的正负，指数部分用以标识浮点数的整数部分的大小，尾数部分用于标识浮点数的具体数值。根据IEEE 754标准，32位浮点数的数值范围为-3.4E38～3.4E38，且单精度浮点数的精度大约是7位十进制数。建议在写入txt文件时，使用pickle的二进制写入模式，并在读取时相应地以进制模式打开文件。另外，也可以考虑将pickle数据转换为字符串形式后再写入txt文件，或者使用其他更适合文本存储的格式，如JSON。]]></description><category></category></item><item><title><![CDATA[啥是条形码]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143349352</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143349352</guid><author>2403_86999529</author><pubDate>Tue, 29 Oct 2024 20:34:44 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[opencv读取图片返回是BGR吗]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143349063</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143349063</guid><author>2403_86999529</author><pubDate>Tue, 29 Oct 2024 20:23:18 +0800</pubDate><description><![CDATA[OpenCV选择BGR格式作为默认格式主要是因为在早期，主流的摄像头制造商和软件供应商提供的摄像头采集的图像的通道排列顺序为BGR，同时位图BMP的格式也是BGR，基于BGR在当时被广泛使用。openCV默认使用的是BGR.BGR和RGB色彩空间的区别在于图片在色彩通道上的排列顺序不同.img=np.zeros((200,200,3),np.uint8)#分割通道。最常见的色彩空间就是RGB,人眼也是基于RGB的色彩空间去分辨颜色的。opencv读取图片返回是BGR吗。]]></description><category></category></item><item><title><![CDATA[YOLOv8 简述]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143349048</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143349048</guid><author>2403_86999529</author><pubDate>Tue, 29 Oct 2024 20:22:19 +0800</pubDate><description><![CDATA[与基于锚的方法相比，无锚分裂 Ultralytics 头有助于提高检测过程的准确性和效率，是 YOLOv8 的一个重要创新点。提高对不同形状和大小物体的检测能力：传统锚框的尺寸和比例是固定的，可能对一些特殊形状或大小的物体检测效果不佳。具体的分裂方式可能涉及将不同的任务或特征处理过程分开进行，以提高检测的准确性和效率。强调示例用于 YOLOv8 Detect 模型的对象检测，但对于其他支持的任务，如分割、分类、OBB 和姿势检测，可以参考相应的文档。而无锚的方法则不依赖预先定义的锚框。]]></description><category></category></item><item><title><![CDATA[rpc相机]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143348901</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143348901</guid><author>2403_86999529</author><pubDate>Tue, 29 Oct 2024 20:20:42 +0800</pubDate><description><![CDATA[RPC 模型可以看作是一个带畸变参数的相机模型，它描述了从三维的地理坐标到二维的卫星影像坐标之间的转换关系，也被称为正投影，即已知经度（lon）、纬度（lat）和高程（h），求得像素坐标（s，l）。而反向投影则是从影像坐标系到地理坐标系的转换，即已知像素坐标（s，l）和高程（h），求得经度与纬度，需要注意的是，这仍然是一个 3D 到 2D 的关系。路由器能把一个 IP 分配给多个主机使用，这些主机对外只表现出一个 IP，而交换机连接的多台主机则对外各有各的 IP。交换机和路由器的区别？]]></description><category></category></item><item><title><![CDATA[计算机应用]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143348844</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143348844</guid><author>2403_86999529</author><pubDate>Tue, 29 Oct 2024 20:20:10 +0800</pubDate><description><![CDATA[计算机视觉应用行业广泛，CV 算法栈集中在图像分类/检测等通用任务以及人脸/人体识别等细分任务，且工程环境主要分为服务器和边缘设备。行动才能决定价值成功不是比你聪明，只是在最短的时间内采取最大的行动。]]></description><category></category></item><item><title><![CDATA[反向传播学习笔记]]></title><link>https://blog.youkuaiyun.com/2403_86999529/article/details/143348771</link><guid>https://blog.youkuaiyun.com/2403_86999529/article/details/143348771</guid><author>2403_86999529</author><pubDate>Tue, 29 Oct 2024 20:19:26 +0800</pubDate><description><![CDATA[反向传播（Backpropagation）是一种在人工神经网络中用于训练权重的算法。它是一种基于梯度下降的优化技术，通过计算损失函数相对于网络权重的梯度来更新这些权重，从而使得网络的输出与预期目标之间的差异最小化。反向传播算法的核心在于能够有效地计算多层网络中每一层权重的梯度，即使在隐藏层中也是如此。在反向传播过程中，首先进行前向传播，即输入数据通过网络的每一层，计算出网络的输出。然后，计算损失函数，即网络输出与真实标签之间的差异。]]></description><category></category></item></channel></rss>