he1223991940的博客

原创 DeepLab系列算法介绍

特性传统 DeepLab (v3+等)范式像素分类掩码分类核心输出每个像素的类别概率一组对架构基础CNN + ASPP + 解码器双路径Transformer损失函数逐像素交叉熵损失匈牙利匹配 + Dice/Focal 损失任务定位主要是语义分割统一的语义/全景分割关键思想多尺度上下文、恢复分辨率物体查询、端到端集合预测简单来说，Max Deeplab 可以理解为将 DeepLab 的语义分割能力与 DETR 的端到端物体检测思想深度融合的产物。

原创 cv里的图像分割任务的部分评价指标

在cv的图像分割领域，大体可以分为三个方向或者说分割任务，即语义分割、实例分割和全景分割。

原创 mmdetection中部分损失函数

原创 Epoch-Based和Iter-Based

在深度学习模型训练中，和是两种核心训练模式，它们在训练流程、适用场景和配置方式上有显著区别。

原创 自用-mask2former配置文件解读

【代码】自用-mask2former配置文件解读。

原创 mmrotate模块介绍

MMRotate 是基于 MMDetection 的旋转目标检测工具箱，专门用于处理旋转边界框（Rotated Bounding Box）的检测任务。这些模型将水平检测器扩展为旋转检测器，通过改进检测头或锚框设计来预测旋转角度。将水平锚点替换为旋转锚点（带有角度参数）回归目标包括：中心点坐标 (x, y)、宽高 (w, h) 和旋转角度 (θ): 通用旋转目标检测，如航拍图像、遥感场景: 精度较高，训练稳定: 计算量较大: RetinaNet (单阶段检测器)使用旋转锚框和角度分类分支。

原创 MMDetection模块介绍

经典的两阶段检测器，首先生成候选区域（Region Proposals），然后对每个区域用 CNN 提取特征并分类。

原创 mask rcnn的不同版本总结

【代码】mask rcnn的不同版本总结。

原创 GitHub中openmmlab和Detectron2的区别

MMDetection 和 Detectron2 都是计算机视觉领域中流行的开源目标检测框架，它们有许多相似之处，但也存在一些关键差异。

原创 深度学习基础知识

（Rectified Linear Unit）：解决梯度消失，计算高效（负数输出为0）。作用：接收输入，计算加权和（线性变换），通过激活函数输出非线性结果。：基于自注意力机制，并行处理序列，擅长长距离依赖（如NLP任务）。：复用预训练模型（如ResNet、BERT），加速新任务训练。：处理网格数据（如图像），通过卷积核提取局部特征。：处理序列数据（如文本、时间序列），保留历史信息。：输出0~1，用于二分类输出层（但易梯度消失）。：扩充训练数据（如旋转图像），提升泛化性。

原创 批量修改json文件中的标签

该代码用于批量修改JSON文件中shapes下的label标签内容。通过命令行参数指定输入目录、输出目录（可选，默认覆盖原文件）及新的label值（默认为"book"）。程序会遍历输入目录中的所有JSON文件，修改shapes下的label值，并保存到指定输出目录或覆盖原文件。使用示例包括直接修改原文件、指定输出目录或自定义label值。该工具适用于需要批量更新JSON文件标签的场景，操作简便且支持错误处理。

原创 AttributeError: module ‘pkgutil‘ has no attribute ‘ImpImporter‘. Did you mean: ‘zipimporter‘?

但是在某些情况下pip无法更新，再次出现如上错误。

原创 pil批量分割图片、旋转图片，恢复旋转，并重新拼合图片。

问题：批量将图片按照从左到右的顺序将图片分割成四个子图，并且将子图按顺序保存。

原创 论文相关知识

论文摘要的写法1、摘要是以提供文献内容梗概为目的,不加评论和补充解释,简明确切地论述文献重要内容的短文。2 、摘要重点应包括4 个要素，即研究目的、方法、结果和结论。3、摘要的句型力求简单，通常用10 个左右意义完整、语句顺畅的句子。4、摘要不应有引言中出现的内容，也不要对论文内容作诠释和评论，不得简单重复题名中已有的信息;不用非公知公用的符号和术语，不用引文，除非该论文证实或否定了他人已发表的论文。

原创 学习摘抄：探索属性图的构建和复杂的数据检索实践

Divyanshu Dixit，Divisin.ai 联合创始人。

原创 yolov8安装教程

(5)例如图cuda11.1 在conda中创建的虚拟环境运行下面对应的pip安装，在安装命令后面加上-i https://pypi.douban.com/simple/ some-package 使用国内下载源进行下载大大减少下载时间，等他下载完，在当前conda安装环境输入pip list找到torch+torchaudio+torchvision三个包，如下图在版本后带有+cuxxx即为安装成功。如果没有安装conda，按照流程安装好conda，还要下载好符合自己电脑版本的CUDA 后续会用。

原创 学习“卷积”

在一维情况下，卷积可以定义为：

原创 yolov8参数笔记

通过调整这些参数，可以针对特定的数据集和任务优化YOLOv8模型的性能。不同的数据集和任务可能需要不同的参数设置，因此在训练之前进行参数调优是非常重要的。

原创 学习RAG知识

"RAG" 是 Retrieval-Augmented Generation 的缩写，这是一种结合检索和生成的技术，用于改进自然语言处理任务中的信息生成。RAG 模型通过首先从一个大型文档集合中检索相关信息，然后基于这些检索到的信息生成回答或文本。这种方法可以提高生成内容的准确性和相关性，特别是在需要特定知识或上下文的任务中。RAG使大型语言模型（LLMs）能够访问外部数据，并作为一种机制来减轻幻觉现象。

原创 CV相关知识

在计算机科学和人工智能领域，"CV" 通常指的是 "Computer Vision"（计算机视觉）。计算机视觉是研究如何使计算机能够从图像或视频中获取、处理和理解视觉信息的科学和技术。计算机视觉的目标是使计算机能够自动执行人类视觉系统所能做的任务。

原创 深度学习？机器学习？

机器学习是一种通过数据训练模型，使计算机能够自动从数据中学习和改进的技术。机器学习算法根据输入数据进行训练，识别模式，并做出预测或决策。机器学习的主要目标是开发能够从数据中学习的算法，而无需显式编程。机器学习是一个广泛的领域，涵盖了各种算法和技术，用于从数据中学习并做出预测或决策。它适用于中小规模数据集和结构化数据，通常需要手动特征工程。深度学习是机器学习的一个子领域，专注于使用深度神经网络来处理和理解复杂的数据模式。

原创 PyCharm

PyCharm 是 JetBrains 公司开发的一款功能强大的 Python 集成开发环境（IDE）。它专为 Python 开发设计，提供了一系列强大的工具和功能，帮助开发者更高效地编写、调试和维护 Python 代码。PyCharm 是一款功能强大、集成度高的 Python IDE，适用于各种规模的 Python 项目开发。它提供了智能代码编辑、调试、测试、版本控制、数据库工具等丰富的功能，帮助开发者提高开发效率和代码质量。

原创 VS Code解释及快捷键

Visual Studio Code 是一款功能强大、扩展性强的代码编辑器，适用于各种编程语言和开发需求。通过其丰富的扩展市场和内置功能，开发者可以根据自己的需求定制开发环境，从而提高开发效率和代码质量。

原创 JavaScript常用包管理工具

NPM 是 Node.js 的默认包管理工具，也是最早出现的 JavaScript 包管理工具之一。NPM 允许开发者下载、安装和管理项目所需的依赖包，并且可以发布自己的包到 NPM 注册表。Yarn 是由 Facebook、Google、Exponent 和 Tilde 联合开发的包管理工具，旨在解决 NPM 一些性能和一致性问题。Yarn 通过更高效的依赖解析和缓存机制，提供了更快的包安装速度和一致的依赖树。

原创 整理部分相关刊物

期刊简介：IEEE光子学是一种在线快速出版的高质量研究档案期刊，位于光子学前沿。光子学将量子电子学和光学结合起来，以加速新光子源的产生，并将其应用于从远红外/太赫兹到电磁光谱x射线区域的微和纳米尺度的新兴应用。

原创 搭建模拟cool-admin框架

cool-admin自 2018 年初以来，一直本着快速通用开发为理念，同时看重每个页面的设计，无论在代码上还是 UI 设计上都受到广大开发者的喜爱。cool是酷的意思，admin一般的认知是一个权限管理系统；所以将他命名为cool-admin让他成为“一个很酷的后台权限管理框架”，要做到这点它就得满足很多用户的需求，解决很多用户的痛点。cool-admin 是一款前后端分离的权限管理框架，后端支持javanode两种语言账户：admin密码：123456cool-admin。

原创 gunicorn

gunicorn --bind unix:/tmp/ 域名.socket projectname.wsgi:application。在项目的根目录下，输入下方的代码。1、gunicorn开启。

原创 关闭linux系统端口方法

例如：要启动其中的auth服务，打开/etc/xinetd.d/auth配置文件，更改“disable=no”，保存退出。要停止其中的auth服务，打开/etc/xinetd.d/auth配置文件，更改“disable=yes”，保存退出。因为每个端口都有对应的服务，因此要关闭端口只要关闭相应的服务就可以了。运行/etc/rc.d/init.d/xinetd restart。运行/etc/rc.d/init.d/xinetd restart。2、通过开启关闭服务的方法来开启/关闭端口。

原创 vim命令

命令模式、编辑模式、末行模式Linux中，存在一个别名映射文件： ~/.bashrc修改文件内容，可以自定义指令，重新登录账号后生效。

原创 下载Bert-base-Chinese失败

1. 访问 https://huggingface.co/models 网站，输入我们想要的与训练模型。2. 找到我们的需要的权重文件 .bin 文件 和 配置文件 config.json ，点击下载。手动下载 需要的权重文件和配置文件，然后再次加载。3. 将我们下载的文件，放入到指定的文件夹中。4. 再次运行，查看情况。

原创 学习并复刻《基于知识图谱的农医对话系统》（九）

因此，在本任务中，完善水稻疾病问诊的内容，在原有系统的基础上增加“防治措施”的查询。重新搭建水稻疾病知识图谱，将”水稻疾病“实体词（水稻疾病名称）、”水稻病症状“和“防治措施”实体词写入Neo4j，并在”水稻疾病“和”水稻病症状“节点之间创建“dis_to_sym”关系，在“水稻疾病”和“防治措施”结点之间创建“has_measures”关系。使用新标注的数据，重新微调UIE模型，并使用微调好的UIE模型，将剩余非结构化水稻疾病文本中的”水稻病症状“和“防治措施”实体词提取出来。

原创 学习并复刻《基于知识图谱的农医对话系统》（八）

输入“但主穗不发病”，稻稻回答“稻稻觉得还是稻稻之前为您判断的水稻病，并不是心的水稻病”，表明句子相关性判断和Redis对话管理功能都成功。由于实验蓝图的IP为内网IP，微信公众号无法直接访问，因此需要使用弹性公网IP，当作微信公众号和蓝图之间的桥梁。由于实验蓝图的IP为内网IP，微信公众号无法直接访问，因此需要使用弹性公网IP，当作微信公众号和蓝图之间的桥梁。点击“农医对话机器人一号机”，进入以下页面，点击“关注公众号”，就进入对话页面了。首先，打开微信，搜索公众号名称，关注公众号。

原创 学习并复刻《基于知识图谱的农医对话系统》（七）

基本介绍Django 是一个由 Python 编写的一个开放源代码的 Web 应用框架。使用 Django，只要很少的代码，Python 的程序开发人员就可以轻松地完成一个正式网站所需要的大部分内容，并进一步开发出全功能的 Web 服务 Django 本身基于 MVC 模型，即 Model（模型）+ View（视图）+ Controller（控制器）设计模式，MVC 模式使后续对程序的修改和扩展简化，并且使程序某一部分的重复利用成为可能。低耦合开发快捷部署方便可重用性高维护成本低。

原创 学习并复刻《基于知识图谱的农医对话系统》（六）

"1": "我是稻稻，您的水稻疾病助手，写出水稻病症状，我就能为您判断水稻病哦！","2": "稻稻判断您的水稻可能以下农业病： %s","1": "我是稻稻，您的水稻疾病助手，写出水稻病症状，我就能为您判断水稻病哦！","2": "稻稻判断您的水稻可能以下农业病： %s","3": "稻稻还不知道您再说什么，您可以换一种说法再次尝试","4": "稻稻觉得还是稻稻之前为您判断的水稻病，并不是新的水稻病"

原创 学习并复刻《基于知识图谱的农医对话系统》（五）

定义train()方法，用于训练构建的前馈神经网络。

原创 学习并复刻《基于知识图谱的农医对话系统》（四）

（1）简介Neo4j是一个高性能的，NOSQL图形数据库，它将结构化数据存储在网络上而不是表中。它是一个嵌入式的、基于磁盘的、具备完全的事务特性的Java持久化引擎，但是它将结构化数据存储在网络(从数学角度叫做图)上而不是表中。Neo4j也可以被看作是一个高性能的图引擎，该引擎具有成熟数据库的所有特性。neo4j实现了专业数据库级别的图数据模型的存储. 与普通的图处理或内存级数据库不同, neo4j提供了完整的数据库特性, 包括ACID事物的支持, 集群支持, 备份与故障转移等。

原创 学习并复刻《基于知识图谱的农医对话系统》（三）

进行命名实体标注时，直接按住鼠标左键选中需要标注的词，并在弹出的”Select a label“对话框中，点击”水稻病症状“标签，即可完成一个实体词的标注。进行命名实体标注时，直接按住鼠标左键选中需要标注的词，并在弹出的”Select a label“对话框中，点击”水稻病症状“标签，即可完成一个实体词的标注。选择“序列标注”后，下拉界面，填写“项目名称”和“描述”，并勾选“Allow overlapping entity”及“Use relation Labeling”。

原创 学习并复刻《基于知识图谱的农医对话系统》（二）

UIE模型是目前比较常用的通用信息抽取统一框架，在命名实体识别任务中也有比较好的表现。在本任务中，首先对UIE模型进行一定的了解，为后续从非结构化水稻疾病实体中抽取”实体“做好准备。知识点：Paddlepaddle框架和Paddlenlp库的安装、UIE模型零样本抽取实体词、UIE模型的定制训练重 点：UIE模型零样本抽取实体词、UIE模型的定制训练难 点：UIE模型零样本抽取实体词、UIE模型的定制训练内 容：1. 准备工作（1）安装Paddlepaddle框架。

原创 学习并复刻《基于知识图谱的农医对话系统》（一）

水稻是我国主要粮食作物，水稻年产量直接影响农业经济发展。随着市场对水稻产量需求的增加，水稻种植面积也在增加，但是影响水稻产量的因素比较多，病虫害是影响水稻产量的关键因素。有效识别水稻生长过程中的病虫害，加强对病虫害的识别及病虫害的防 治，对提高水稻产量有重要意义。本项目首先利用水稻疾病知识语料，基于Neo4j图数据库搭建了一个小型的水稻疾病知识图谱，并在知识图谱的基础上搭建了一个对话系统，输入水稻疾病感染时的症状，系统便会从知识图谱中查询水稻疾病的类型，并组织成自然语言返回。