九月二十六,题目就要与众不同

本文介绍pytest测试框架的使用方法及图像归一化的处理技巧。pytest支持灵活的测试用例编写规则,并介绍了fixture的作用域配置。同时,详细解释了图像归一化的原理与实现方法,展示了归一化前后像素值的变化及其对神经网络的影响。

1.pytest 使用介绍

pytest是一个非常成熟的全功能的Python测试框架

编写规则

编写pytest测试样例非常简单,只需要按照下面的规则:

测试文件以test_开头(以_test结尾也可以)
测试类以Test开头,并且不能带有 init 方法
测试函数以test_开头
断言使用基本的assert即可

fixture的scope参数

scope参数有四种,分别是’function’,‘module’,‘class’,‘session’,默认为function。

function:每个test都运行,默认是function的scope
class:每个class的所有test只运行一次
module:每个module的所有test只运行一次
session:每个session只运行一次

如何执行

  • pytest # run all tests below current dir
  • pytest test_mod.py # run tests in module file test_mod.py
  • pytest somepath # run all tests below somepath like ./tests/
  • pytest -k stringexpr # only run tests with names that match the
    the “string expression”, e.g. “MyClass and not method”
    will select TestMyClass.test_something
    but not TestMyClass.test_method_simple
  • pytest test_mod.py::test_func # only run tests that match the “node ID”,
    e.g “test_mod.py::test_func” will be selected
    only run test_func in test_mod.py

ResNet-18

这里的18指定带权重的18层,包括卷积层和全联接层,不包括池化层和BN层。

图片归一化

在这里插入图片描述
图像归一化最常见的就是最大最小值归一化方法,公式如下:

在这里插入图片描述
在这里插入图片描述
基于OpenCV实现图像最大最小值归一化的代码演示如下:

在这里插入图片描述

基于OpenCV实现图像最大最小值归一化的代码演示如下:

原图像素值输出

在这里插入图片描述
归一化之后像素值:

在这里插入图片描述

解释

原图与归一化之后的运行结果完全一致,说明归一化不会改变图像本身的信息存储,但是通过打印出来的像素值可以发现,取值范围从0~255已经转化为0~1之间了,这个对于后续的神经网络或者卷积神经网络处理有很大的好处,tensorflow官方给出mnist数据集,全部采用了归一化之后的结果作为输入图像数据来演示神经网络与卷积神经网络。

对图像进行归一化的两种形式

  1. img = image/255.0
  2. img = image/127.5 - 1

这两种对图像处理方式都是进行归一化,

1、归一化的范围为【0,1】

还原:img * 255.0

2、范围为【-1,1】

还原:(img + 1.) * 127.5

**感悟:**仅文章一句话,却让我看了一天~

【SCI复现】含可再生能源储能的区域微电网最优运行:应对不确定性的解鲁棒性非预见性研究(Matlab代码实现)内容概要:本文围绕含可再生能源储能的区域微电网最优运行展开研究,重点探讨应对不确定性的解鲁棒性非预见性策略,通过Matlab代码实现SCI论文复现。研究涵盖多阶段鲁棒调度模型、机会约束规划、需求响应机制及储能系统优化配置,结合风电、光伏等可再生能源出力的不确定性建模,提出兼顾系统经济性鲁棒性的优化运行方案。文中详细展示了模型构建、算法设计(如C&CG算法、大M法)及仿真验证全过程,适用于微电网能量管理、电力系统优化调度等领域的科研工程实践。; 适合人群:具备一定电力系统、优化理论和Matlab编程基础的研究生、科研人员及从事微电网、能源管理相关工作的工程技术人员。; 使用场景及目标:①复现SCI级微电网鲁棒优化研究成果,掌握应对风光负荷不确定性的建模求解方法;②深入理解两阶段鲁棒优化、分布鲁棒优化、机会约束规划等先进优化方法在能源系统中的实际应用;③为撰写高水平学术论文或开展相关课题研究提供代码参考和技术支持。; 阅读建议:建议读者结合文档提供的Matlab代码逐模块学习,重点关注不确定性建模、鲁棒优化模型构建求解流程,并尝试在不同场景下调试扩展代码,以深化对微电网优化运行机制的理解。
个人防护装备实例分割数据集 一、基础信息 数据集名称:个人防护装备实例分割数据集 图片数量: 训练集:4,524张图片 分类类别: - Gloves(手套):工作人员佩戴的手部防护装备。 - Helmet(安全帽):头部防护装备。 - No-Gloves(未戴手套):未佩戴手部防护的状态。 - No-Helmet(未戴安全帽):未佩戴头部防护的状态。 - No-Shoes(未穿安全鞋):未佩戴足部防护的状态。 - No-Vest(未穿安全背心):未佩戴身体防护的状态。 - Shoes(安全鞋):足部防护装备。 - Vest(安全背心):身体防护装备。 标注格式:YOLO格式,包含实例分割的多边形坐标和类别标签,适用于实例分割任务。 数据格式:来源于实际场景图像,适用于计算机视觉模型训练。 二、适用场景 工作场所安全监控系统开发:数据集支持实例分割任务,帮助构建能够自动识别工作人员个人防护装备穿戴状态的AI模型,提升工作环境安全性。 建筑工业安全检查:集成至监控系统,实时检测PPE穿戴情况,预防安全事故,确保合规性。 学术研究创新:支持计算机视觉在职业安全领域的应用研究,促进AI安全工程的结合。 培训教育:可用于安全培训课程,演示PPE识别技术,增强员工安全意识。 三、数据集优势 精准标注多样性:每个实例均用多边形精确标注,确保分割边界准确;覆盖多种PPE物品及未穿戴状态,增加模型鲁棒性。 场景丰富:数据来源于多样环境,提升模型在不同场景下的泛化能力。 任务适配性强:标注兼容主流深度学习框架(如YOLO),可直接用于实例分割模型开发,支持目标检测和分割任务。 实用价值高:专注于工作场所安全,为自动化的PPE检测提供可靠数据支撑,有助于减少工伤事故。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值