<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[giganticpower的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/giganticpower</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; giganticpower]]></copyright><item><title><![CDATA[linux常用命令收集]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/127864344</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/127864344</guid><author>giganticpower</author><pubDate>Tue, 15 Nov 2022 13:54:03 +0800</pubDate><description><![CDATA[linux 常用命令 收集]]></description><category></category></item><item><title><![CDATA[深度学习（一补充）win&linux下安装anaconda3&pycharm]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/121407016</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/121407016</guid><author>giganticpower</author><pubDate>Thu, 18 Nov 2021 19:16:57 +0800</pubDate><description><![CDATA[win&amp;linux下安装anaconda3&amp;pycharmwin下安装anaconda3&amp;pycharmlinux下安装anaconda3&amp;pycharm
win下安装anaconda3&amp;pycharm
https://www.anaconda.com/products/individual
下载安装anaconda3.
然后进行环境配置：

在计算机右键-&gt;属性-&gt;高级系统设置-&gt;环境变量-&gt;系统环境变量path中。
添加上述的三条信息。
1]]></description><category></category></item><item><title><![CDATA[GNN（二）GNN研究]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/121310280</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/121310280</guid><author>giganticpower</author><pubDate>Sat, 13 Nov 2021 21:26:40 +0800</pubDate><description><![CDATA[GNN研究
相信大家看完GNN（一）的部分，对GNN的基础知识已经了解了不少。去年我当时做研究时，有做一份PPT，在这里，我放出来，给大家，更可参考的认识GNN。在这里，我也要感谢中科院计算所的沈华伟老师给我GNN的学习带来的启蒙帮助，有GNN研究兴趣的小伙伴们，可以去听听他的演讲，很详细，很具体。之后我也会继续跟进。写一些关于GNN相关的研究。







































...]]></description><category></category></item><item><title><![CDATA[python 图像等比例缩放]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/121309231</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/121309231</guid><author>giganticpower</author><pubDate>Sat, 13 Nov 2021 20:56:27 +0800</pubDate><description><![CDATA[图像等比例缩放图像缩放等比例缩放pytorch下，对多维tensor进行缩放
图像缩放
目前比较常用的就是opencv-python底下的cv2.resize()
cv2.resize(src, size, fx, fy, interpolation)

其中src是输入原始图像，size为缩放的尺寸，fx为可选择的沿水平轴的比例因子，fy为可选择的沿垂直轴的比例因子，interpolation是可选择的插值方法，其中有：cv.INTER_NEAREST最近邻插值；cv.INTER_LINEAR双线性插值；]]></description><category></category></item><item><title><![CDATA[深度学习(四)：自己训练yolov5模型进行目标检测]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/121135447</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/121135447</guid><author>giganticpower</author><pubDate>Thu, 04 Nov 2021 10:25:29 +0800</pubDate><description><![CDATA[自己训练yolov5模型进行目标检测流程工程开始问题总结
流程
跟yolo系列一样，检测训练过程包括了4步：
搜集数据集
数据集的标注，分类以及清洗
进行训练
获得权重进行测试和预测
工程开始
先附上源码链接：https://github.com/ultralytics/yolov5
下载或者通过git clone https://github.com/ultralytics/yolov5.git将YOLOv5源码download，
创建虚拟环境，并通过pip install -r requirements]]></description><category></category></item><item><title><![CDATA[pytorch框架下计算模型推理时间]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/121048430</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/121048430</guid><author>giganticpower</author><pubDate>Sat, 30 Oct 2021 11:40:32 +0800</pubDate><description><![CDATA[pytorch框架下计算推理时间
我们需要使用torch.cuda.synchronize()函数进行推理时间开销计算。
关于torch.cuda.synchronize()，参照torch官方文档torch.cuda.synchronize
其主要作用是等待 CUDA 设备上所有流中的所有内核完成。
一般进程按照如下操作：
torch.cuda.synchronize()
start = time.time()
XXX（进程）
XXX（进程）
XXX(进程)
torch.cuda.synchronize(]]></description><category></category></item><item><title><![CDATA[PGNet: Real-time Arbitrarily-Shaped Text Spotting with Point Gathering Network阅读]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/120289150</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/120289150</guid><author>giganticpower</author><pubDate>Fri, 17 Sep 2021 10:54:13 +0800</pubDate><description><![CDATA[PGNet: Real-time Arbitrarily-Shaped Text Spotting with Point Gathering Network
单阶段文本spotter算法——点收集网络
论文链接：https://arxiv.org/abs/2104.05458
代码链接：https://github.com/PaddlePaddle/PaddleOCR
论文解析PGNet: Real-time Arbitrarily-Shaped Text Spotting with Point Gathe]]></description><category></category></item><item><title><![CDATA[Scene Text Detection with Scribble Lines论文阅读]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/117526093</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/117526093</guid><author>giganticpower</author><pubDate>Thu, 03 Jun 2021 18:07:47 +0800</pubDate><description><![CDATA[Scene Text Detection with Scribble Lines
带有涂鸦线的场景文本检测 2021 AAAI
论文解析Scene Text Detection with Scribble Lines论文核心思想培训和推理细节结果分析
论文核心思想

主要贡献一：
提出了一种标记成本低得多的弱标记场景文本检测方法，这是一种适用于各种形状文本的通用方法。
文本实例的标注规则是:(1)对于水平或定向的文本实例，第一个和最后一个字符中心附近的两个点被标注；(2)对于不规则形状的文本实例，我们在中心]]></description><category></category></item><item><title><![CDATA[TextMountain: Accurate Scene Text Detection via Instance Segmentation论文阅读]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/117470790</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/117470790</guid><author>giganticpower</author><pubDate>Thu, 03 Jun 2021 15:12:38 +0800</pubDate><description><![CDATA[TextMountain: Accurate Scene Text Detection via Instance Segmentation
通过实例分割的准确的场景文本检测
论文解析TextMountain: Accurate Scene Text Detection via Instance Segmentation论文核心思想培训与推理细节结果分析
论文核心思想
主要贡献一：
我们提出了一种新的方法——文本山，它由TS, TCBP and TCD组成。实验证明，TCBP 能够很好地分离文本行并对其进行分]]></description><category></category></item><item><title><![CDATA[TextFuseNet: Scene Text Detection with Richer Fused Features论文阅读]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/117468754</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/117468754</guid><author>giganticpower</author><pubDate>Wed, 02 Jun 2021 15:32:04 +0800</pubDate><description><![CDATA[**
TextFuseNet: Scene Text Detection with Richer Fused Features
**
利用更丰富的特征融合进行场景文本检测
代码：https://github.com/ying09/TextFuseNet
论文解析TextFuseNet: Scene Text Detection with Richer Fused Features论文核心思想论文培训及推理细节论文结果分析
论文核心思想
贡献一：
提出了一种新的框架——文本融合网络。
提出了两种流程
1、多级]]></description><category></category></item><item><title><![CDATA[提取各个文件夹下的内容,分割格式不同的文件(例jpg and xml)]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/116236152</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/116236152</guid><author>giganticpower</author><pubDate>Wed, 28 Apr 2021 17:41:12 +0800</pubDate><description><![CDATA[提取各个文件夹下的内容
将主文件夹下各个文件夹中的内容提取出来
data_main_path:
----data_1:
---------a
---------b
---------…
----data_2:
--------a
--------b
---------…
----…
。。。。。。。。。。。。。。。。。
data_main = "data_main_path"
data_output_path = "data_output"
for data_files in data_main:
   fo]]></description><category></category></item><item><title><![CDATA[pytorch中获得模型参数量统计]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/115579001</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/115579001</guid><author>giganticpower</author><pubDate>Sat, 10 Apr 2021 16:23:00 +0800</pubDate><description><![CDATA[pytorch中获得模型参数量统计
import numpy as np

model = net1()
total_params = 0
Trainable_params = 0
NonTrainable_params = 0
for param in model.parameters():
     multvalue = np.prod(param.size())
     total_params += multvalue
     if param.requires_grad:
        T]]></description><category></category></item><item><title><![CDATA[判断数组中的值是否满足一定条件]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/114372019</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/114372019</guid><author>giganticpower</author><pubDate>Thu, 04 Mar 2021 16:40:59 +0800</pubDate><description><![CDATA[判断数组中的值是否满足一定条件。
a.all()
import numpy as np

np1 = [1,2,3,4]
# 转为numpy数组
np1 = np.array(np1)
print((np1 &gt;= 4).all())

结果输出为：False
a.any()
import numpy as np

np1 = [1,2,3,4]
# 转为numpy数组
np1 = np.array(np1)
print((np1 &gt;= 4).any())

结果输出为True

...]]></description><category></category></item><item><title><![CDATA[pytorch调用多GPU及GPU选择]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/113636023</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/113636023</guid><author>giganticpower</author><pubDate>Thu, 04 Feb 2021 12:32:47 +0800</pubDate><description><![CDATA[pytorch多卡调用与选择
单机多卡
第一步，查看gpu环境：
执行：nvidia-smi
第二步，gpu选择：
执行：os.environ['CUDA_VISIBLE_DEVICES'] = '0,3'
将gpu环境设定为0卡和3卡。
使用显卡训练有两个部分需要进行挂gpu。
1数据：直接
inputs = inputs.cuda() 
labels = labels.cuda()

在模型上并行我们需要：
model = nn.DataParallel(model) # or torch.nn.Dat]]></description><category></category></item><item><title><![CDATA[pyqt5学习（2）实现一个简单ui.py -＞ exe]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/113510601</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/113510601</guid><author>giganticpower</author><pubDate>Mon, 01 Feb 2021 13:48:58 +0800</pubDate><description><![CDATA[pyqt5学习（2）实现一个简单ui.py -&gt; exe
实现一个简单的图形界面到桌面可执行文件过程，以及记录一些出现的问题。
我就遇到一个很坑的问题，其实问题很小。
。。
。。
。。
第一步 我们要构建一个我们需要的图形功能界面
pyqt5学习（1）中我们已经可以正常运行qt designer了，我们现在打开qtdesigner

我们一般就选择这个mainwindow就好了，初始不需要啥版面
然后我们就可以在左边将我们需要的物件拉到右边，然后在右边进行参数设计，大小，颜色，字体什么的。关于qt d]]></description><category></category></item><item><title><![CDATA[pyqt5学习（1）加载环境]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/113483729</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/113483729</guid><author>giganticpower</author><pubDate>Sun, 31 Jan 2021 19:56:30 +0800</pubDate><description><![CDATA[pyqt5学习
加载环境
本人使用的是pycharm，首先打开我们应用pyqt5任务的虚拟环境。
1、打开命令窗口，conda activate xxx
2、然后进行安装pyqt5，pip install pyqt5 下载可能会有点慢，建议使用国内镜像源，我使用的是豆瓣的源，命令在 window配置pytorch环境 文章中。
3、接下来就是安装ui编辑器qt designer。 输入命令：pip install pyqt5-tools .
4、接下来我们要如何打开qt designer呢，我们可以再pyc]]></description><category></category></item><item><title><![CDATA[近来一些问题]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/109399424</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/109399424</guid><author>giganticpower</author><pubDate>Sat, 31 Oct 2020 10:46:22 +0800</pubDate><description><![CDATA[pip 产生unpack问题
使用
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn xxx

shapely 出现找不到geos_c.dll
上whl网找对应包下载安装
https://www.lfd.uci.edu/~gohlke/pythonlibs/#shapely

]]></description><category></category></item><item><title><![CDATA[GNN（一）走进GNN]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/109366833</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/109366833</guid><author>giganticpower</author><pubDate>Thu, 29 Oct 2020 19:32:53 +0800</pubDate><description><![CDATA[走进GCN的世界GCN是什么，它的发展如何图与图信号处理卷积与图卷积GNN和GCN模型GCN和CNN的对比
GCN是什么，它的发展如何
GCN：
图卷积神经网络
发展史：
2005年，Marco Gori等人发表了论文，首次提出了GNN的概念，在此之前，处理图数据的方法是在数据的预处理阶段将图转换为用一组向量表示。这种处理方法会丢失很多的结构信息，得到的结果会严重依赖于对图的预处理，GNN的提出能够将学习过程直接架构在图数据之上。
2009年，进一步的阐述了图神经网络，提出了一种监督的方法来训练GNN，但是]]></description><category></category></item><item><title><![CDATA[文件夹下txt重命名]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/109102417</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/109102417</guid><author>giganticpower</author><pubDate>Thu, 15 Oct 2020 18:05:18 +0800</pubDate><description><![CDATA[将文件夹下内容全部重命名
path = 'result'  # 对该路径下所有文件重命名排序
count = 1
file_list = os.listdir(path)  # 该文件夹下所有的文件（包括文件夹）
file_list.sort(key=lambda x: int(x[:-4])) #屏蔽后缀排序

for file in file_list:  # 遍历所有文件
    olddir=os.path.join(path, file)  # 原来的文件路径
    if os.path.isd]]></description><category></category></item><item><title><![CDATA[文件夹图片文件重命名另存为]]></title><link>https://blog.youkuaiyun.com/giganticpower/article/details/109094485</link><guid>https://blog.youkuaiyun.com/giganticpower/article/details/109094485</guid><author>giganticpower</author><pubDate>Thu, 15 Oct 2020 11:47:41 +0800</pubDate><description><![CDATA[文件夹文件重命名另存为
import os
import cv2


base_dir = "./origin/"
dst_dir = "./result/"
# 建立一个输出文件夹
if not os.path.exists(dst_dir):
    os.makedirs(dst_dir)
    print("fistr_dir is:\t{}".format(dst_dir))



# 重命名
count = 1

for fileName in os.listdir(base_dir):
  ]]></description><category></category></item></channel></rss>