Alocus的博客

但是，对统计后的数据缺乏自动统计功能。导出xlsx或csv文件后，手工统计票数太慢。因此，利用pandas等包对文件自动统计并显示，能降低工作量。为了方便使用，将其打包为exe文件。编译成功后，exe文件在如下文件夹中。使用时需要把dist内的文件带着一起，不能删掉。使用时需要把xlsx文件放到exe文件同一目录，否则需要把路径也写上，不然会闪退。我们的草料二维码导出的xlsx文件如下图所示，目标是统计出列名为。③安装pyinstaller以及所必要的库，注意使用pipenv。下的内容中每个人的票数。

由于同学之前手动将上千个文档放到一个文档里，这步工作也可以通过遍历如os库，将各个文档分别处理，实现全部自动化。最后：再帮剁手！本文除了为相关工作人员提供代码思路，减少工作量外，还希望各行各业的工作人员和爱好者业余学习一下代码，武装自己，减少苦力劳动，提高效率。

代码中有部分需要修改和优化的地方，请自行优化。如图片的命名，裁剪后拼接的话也需要标记出原始图片的大小才可以进行还原，不赘述。如果有错误，请私信！！

在这方面的工作中，RealESRGAN做出了出色的工作。当我们想要借鉴其数据退化思路进行数据集处理与制作时，可以尝试使用其数据处理代码，但是其代码高度耦合，不利于我们使用，于是我将其降质代码剥离出来，可以方便地模拟图像的退化，相对于其他退化方法，这种退化模拟效果较好。降质流程的数学表达可简化为如下公式1，其中y表示待降质图像，表示x降质结果，表示D降质算子。通过常见的操作子对图像进行模拟降质，并结合sinc滤波模拟拍摄等因素产生的振铃和伪影等，通过随机扩散操作子模拟纸质老化，最终生成降质结果。

labelme2voc.py生成voc数据集指定填充的颜色，默认情况下生成二值图是黑红色，如何改成黑白色呢？

使用labelme标注生成json文件，利用该文件生成用于分割等任务的voc或者coco类型数据集时，可以使用label2voc.py。当我们忽略部分标签生成数据集时，即Ignore labels in labelme2voc.py，并没有可用的方法，修改json也麻烦，因此本文提出一种暴力但好用的方法。

目录1背景2.BI3.BD4.DN1背景超分辨率重建中经典的生成降质图像通常使用MATLAB实现的，通常有四种方法：类型 说明 BI bicubic-down BD blur-down BN bicubic-down+noise DN blur-down+noise 详细参考图像/视频超分之降质过程其中最常用的是BI，其次是BD，最后是DN。那我将其公认实现和出处总结起来，供大家参考。2.BI下面是通过MATLA.

1.背景图像超分辨率数据集是一个坑，图像/视频超分之降质过程

一背景在BSD100、Set14等经典数据集中，其长宽存在无法被2、3、/4整除的情况，导致生成的低分辨率图像重建出来时，和GT长宽不等。故按照默认方法，将其进行裁剪。代码很简单，如下二代码# coding=utf-8from PIL import Imageimport randomimport osdirs = r'C:\Users\Administrator\Desktop\SR\Testset\BSD100\BSD100_HR'result_dir = r'C:\Users

目录一背景二代码三注意一背景在超分任务中，为了做对比实验，需要双三次插值算法生成高分辨率图像。为此写了简单代码实现。二代码import osimport argparseimport cv2# parse argsparser = argparse.ArgumentParser(description='Upsize images using bicubic interpolation')parser.add_argument("-k", "--keepdi

目录1.背景2.代码3.说明1.背景在进行模型训练时，调整输入数据的均值和方差，能够使模型训练更加稳定、效果更好。如何计算数据集的均值和方差？2.代码###https://blog.youkuaiyun.com/weixin_43105540/article/details/119570461from itertools import repeatimport osfrom multiprocessing.pool import ThreadPoolfrom pathlib

背景pix2pix(HD)代码在训练时会自动保存一个损失变化的txt文件，通过该文件能够对训练过程进行一个简单的可视化，代码如下。训练的损失文件如图，对其进行可视化。代码#coding:utf-8###author: QQ：1913434222 WeChat：Alocus##import matplotlib.pyplot as pltimport reimport numpy as npimport os,sysfile = "loss_logA - 副本.

背景之前一篇论文代码使用此方式将数据进行了打包，然后再训练，实际上这种方式处理数据集能够提升读取耗费的时间。但是由于电脑性能有限，不得不将打包文件的方式替换掉，故也查了下这种方式打包数据的思路，以后备用。代码未细致整理，但是亲测可用。祝好！代码打包import osimport struct# 判断文件夹中是否有目标类型图片，没有则返回0def is_image_file(filename): # 如果不都为空、0、false，则any()返回true return

背景不少论文会有将细节之处放大对比，然后进行说明问题，如下，不知道他们如何实现，我写了个脚本，方便写论文制图。效果如下图所示。代码# -*- coding: utf-8 -*-import cv2path = r'C:\Users\Administrator\Desktop\1.jpg'im_sou = cv2.imread(path)print(im_sou.shape)im_sou2 = im_sou###修改这里，需要知道两个点，左上和右下的坐标######从w

背景：计算深度学习模型参数量有现成的脚本可供使用，如下。简单的使用方法参考了代码【2】依赖包介绍：pytorch框架中卷积网络的flops计数器：ptflops安装：pip install --upgrade git+https://github.com/sovrasov/flops-counter.pytorch.git##or#pip install ptflops说明【1】：此脚本用于计算乘法加法运算的理论量 在卷积神经网络中。它还可以计算参数的数量和 给定网

目录背景代码参考：背景评估模型的推理时间时有需要注意的地方。如torch.cuda.synchronize()，因为pytorch代码执行时异步的，使用该代码会等待gpu上所有操作结束后再接着运行代码、计算时间等【1】。代码函数【2】：import timedef measure_inference_speed(model, data, max_iter=200, log_interval=50): model.eval() # the fir

参考：Python里面的self，是谁啊？https://mp.weixin.qq.com/s/uZBBEQ4oLG-AmQB8wwNHXw一句话解释：类实例化后，self即代表着实例（对象）本身。

目录背景方法结论背景情况是这样的，我训练一个深度学习模型，用于图片的处理，读取图片时使用的是skimage包，然后进行一系列常见的处理变为tensor类型送入模型中进行训练。这个模型为我自己设计的，同时还有其他的论文设计的模型，他们共用一个数据预处理，现在我不想动数据处理模块，只想在我设计的模型中进行颜色空间的转换，看看模型在另外的颜色空间中是否有不一样的表现，那么如何做呢？方法所以就出现了比较蠢的方法，把即将送入模型中的tensor张量数据类型转一圈。先把batch维度

pairplot(data,hue,palette,x_vars,y_vars,kind,diag_kind,markers,height,aspect,corner,dropna,plot_kws,diag_kws)参数:data--要绘制的数据,为DataFrame类型;hue--取值为data中的列索引,为分组变量,根据不同颜色来区分各个变量;palette--为seaborn库颜色面板取值或者给出hue中各个类别对应颜色的字典;x_vars--data中需要用到的索引名组成的横坐

用glob获取所有文件并存入列表中。这里*的意思为获取所有文件，因此*/*的意思则为获取文件夹下的所有文件及它们的子文件。文件路径若为data_root： C:\Users\Administrator\.keras\datasets\flower_photos其中文件架构若为flower_photos||————————daisy |——————5547758_eea9edfd54_n.jpg||————————dandelion...

imageio.get_writer(uri, format=None, mode='?', **kwargs)参数Parameters: uri:{str, pathlib.Path, file} The resource to write the image to, e.g. a filename, pathlib.Path or file object, see the docs for more info. format:str The fo..

github无法访问或者访问速度过慢，可以访问https://gitee.com/创建gitee账号，新建仓库：然后 点击导入 输入github的网址（如https://github.com/tensorflow/docs）即可：通过此种方式访问仓库快，下载也快。如果通过命令!pip install -q git+https://github.com/tensorflow/docs安装tensorflow_docs包失败，将后面网址替换为你克隆后的网址即可安装。...

glob模块是最简单的模块之一，内容非常少。用它可以查找符合特定规则的文件路径名。跟使用windows下的文件搜索差不多。查找文件只用到三个匹配符：””, “?”, “[]”。””匹配0个或多个字符；”?”匹配单个字符；”[]”匹配指定范围内的字符，如：[0-9]匹配数字。glob.globimport glob#获取指定目录下的所有图片print (glob.glob(r"/home/qiaoyunhao/*/*.png"),"\n")#加上r让字符串不转义#获取上级目录的所有.py文

imageio.get_reader(uri, format=None, mode='?', **kwargs)参数uri:{str, pathlib.Path, file}读取的源，例如文件名、pathlib.path、http地址或文件对象，format:str用于读文件，默认系统基于文件名选择合适的.mode:{‘i’, ‘I’, ‘v’, ‘V’, ‘?’}用来读取的文件的格式（ “i” 图片, “I” 多个图像, “v” for a volume, “V” for.

安装scrapy：使用命令：pip install Scrapy创建爬虫项目使用命令：scrapy startproject test2创建爬虫使用命令：scrap genspider weiwuer uyghur.people.com.cn编辑weiwuer.py输入如下代码：import scrapyimport reclass WeiwuerSpider(scrapy.Spider): name = 'weiwuer' allow

背景之前有用到从pdf中提取图片，但是有的时候提取会失败，提取出长条状的残次图像，提取不完整。因此我找了网上的代码，将pdf转换为图片。该代码来自https://github.com/jtyoui/Jtyoui/tree/master/jtyoui#coding=utf-8import osimport fitzfrom os.path import abspath, dirname# 使用fitz 库直接提取pdf的图像# 参数： pdf 源pdf文件完整路径

背景：由于论文需要，我将测试代码进行了修改，融入了LPIPS等指标，关于LPIPS介绍，可以查看博客：LPIPS图像相似性度量标准：The Unreasonable Effectiveness of Deep Features as a Perceptual Metric_Alocus的博客-优快云博客_lpips度量代码：代码中有两大部分需要进行修改，我在代码中进行了标注。有疑问欢迎联系交流。# -*- coding:utf-8 _*-import argparseimport o

背景由于获取到的高分辨率图像尺寸不一，不符合公认的要求，因此我对图像进行了裁剪过滤，代码如下代码#coding=utf-8from PIL import Imageimport randomimport osdirs = r'C:\Users\Administrator\Desktop\敦煌超分\数据集'result_dir = r'C:\Users\Administrator\Desktop\敦煌超分\数据集2'name= []num = 1list = os.listdir

背景嗯嗯代码ee其他ee

背景超分辨率重建任务需要高清和对应的低质图像。由于需要自己制作超分辨率重建数据集，需要将高分辨率图像按照公认的方式（DIV2k）制作为低分辨率图像，我根据网上代码进行了改造可运行代码如下：代码import osimport argparseimport cv2#parse argsparser = argparse.ArgumentParser(description='Downsize images at 2x using bicubic interpolation')par

背景参加了2021年全国研究生数学建模竞赛，组队算上我一共三人，由于第一次参加，之前都没有参加过比赛，没有经验，开赛第一天一块商量了选择哪个题目，确定了空气质量预报，第二天分配了下工作，开始做题。历程我的任务是对数据进行处理，并做第1、2题。经验不足导致我花了将近两天的时间对数据进行处理，好在小伙伴们都不划水，能够容忍我的速度。处理的过程中，一度便想放弃... 但是我的任务数据预处理是所有题目得先决条件，我必须先把数据处理做好。通宵查资料学习pandas，并分析数据，当数据分析完成之后，我发

以下代码根据实验需要进一步了修改，尚有不完善之处，多多指教！#coding:utf-8# import cv2# import os# import glob# import cv2, math# import numpy as np# Copyright (c) Microsoft Corporation.# Licensed under the MIT License.# import os.path# import io# import zipfile## impor

一、感知相似性人类可以快速评估两幅图像之间的感知相似性，但是底层过程非常复杂。纹理图像包含了纹理颜色、纹理基元等丰富的图像信息。在计算机视觉研究领域中，人们使用感知相似性来度量不同纹理之间的相似程度，研究人类对纹理图像的视觉感知。纹理相似性度量广泛应用于纹理识别和材质识别，是对象识别和场景理解的关键技术之一。研究人员通过计算特征之间的距离度量估计纹理感知相似性。近年来，对图像网络分类进行训练的VGG网络的特性作为图像合成的训练损失具...

一、简介有些情况下，直接对文件夹中的大量图像等文件进行处理，可能会影响程序执行的速度。这时，如果能够先将图像等文件打包合并为一个（二进制bytes流）文件，从内存中读取bytes，一定程度上能够提高读取的速度。 本文中对各种图片类型文件和numpy生成的存储矩阵的npy类型文件进行打包。 我的文件目录如下安排：test |--image |--1.jpg |--2.jpg |--......

matlab中：exp()函数，如下所示python中：numpy.exp()函数，如下所示

目录完整代码matlab：python版本：（待完善）官方：完整代码matlab：参见：https://blog.youkuaiyun.com/Crystal_remember/article/details/119529529python版本：（待完善）def perlin_noise(): passdef srgb2lrgb(I0): gamma = ((I0 + 0.055) / 1.055)**2.4 scale = I0 / 12.92

python版本：def srgb2lrgb(I0): gamma = ((I0 + 0.055) / 1.055)**2.4 scale = I0 / 12.92 return np.where (I0 > 0.04045, gamma, scale)def lrgb2srgb(I1): gamma = 1.055*I1**(1/2.4)-0.055 scale = I1 * 12.92 return np.where (I1 > 0.

有如下代码块 self.gan_mode = gan_mode if gan_mode == 'lsgan': self.loss = nn.MSELoss() elif gan_mode == 'vanilla': self.loss = nn.BCEWithLogitsLoss() elif gan_mode in ['wgangp']: self.loss = .

一、什么是Xpath Helper用于Html中对目标字段或者属性值进行匹配的一个浏览器插件。效果和正则表达式、css类似。使用爬虫时，可以用来替换正则，非常方便进行过滤。二、安装Xpath Helper下载地址：链接: https://pan.baidu.com/s/1u5BSLxwyt1mBq3sLXLioqw 提取码: 2r5m下载解压之后，如果不可以直接拖拽到浏览器的扩展安装页面直接安装的话，就将解压后的文件的后缀改成rar或者zip再次解压。然后点击加载已解压的扩展程序进行安装。.

import pygameEMPTY = 0BLACK = 1WHITE = 2black_color = [0, 0, 0]white_color = [255, 255, 255]class RenjuBoard(object): def __init__(self): self._board = [[]] * 15 self.reset() def reset(self): for row in ra...