m0_59522119的博客

原创 mmdetection coco 指标转yolo,添加了map75的功能

指标转换

转载 感受野可视化脚本，参照魔傀面具老师做了部分修改

'weight': '/root/pictures/modules/11-n/best.pt', # 只需要指定权重即可。'save_path': '/root/对比图片/base/result2.png'random.shuffle(image_paths) # 随机打乱图片列表。

原创 yolo指标解读

含义：这是平均精度均值（mean Average Precision）在不同IoU阈值（从0.5到0.95，步长为0.05）下的平均值。在目标检测中，精度是指模型预测为正例（positive）的样本中真正例（true positive）的比例。- 解释：这个指标越低，说明模型在验证数据上对目标位置的预测越准确。- 解释：这个指标越低，说明模型在验证数据上对目标分类的准确性越高。- 解释：这个指标越低，说明模型在验证数据上的边界框回归表现越好。- 解释：这个指标越低，说明模型在边界框回归上的表现越好。

原创 云端跑YOLO11,草履虫看了都会

训练参数 ----------------------------------------------------------------------------------------------device='', # (int | str | list, optional) 运行的设备，例如 cuda device=0 或 device=0,1,2,3 或 device=cpu。split='val', # (str) 用于验证的数据集拆分，例如'val'、'test'或'train'

原创 神经网络系列-01 线性模型

做法：设定直线y=Ax假设一个a的初始值列如A=0.25，当带入小虫2的横坐标3时，发现小虫2的输出为0.75，而实际值则为1，发现与实际值存在较大误差，那么我们需要不断调整A的值，当调整后的值与小虫B的实际值误差较小后即为预测正确值。如何调整：实际上当我们带入模型时我们期望输入长度为3时，预测的输出值应该稍微大于实际值，为啥呢，因为我们的目标时划分小虫，并不是去预测小虫，实际值应该输出1.0，那么我们的期望预测值应该输出1.1，因为要让我的小虫B位于直线下方。表示变化的微量，因为我要不断修正a的值)

原创 踩坑系列-yolov5-7.0

import os 中加入os.environ["GIT_PYTHON_REFRESH"] = "quiet"（大概代码20行）

原创 YOLO V5 7.0 视频识别&&图像识别

原创 踩坑系列-yolov5-7.0

找到 utils路径下的dataloaders.py文件 将322行注释掉 改为替换行。self.orientation = int(self.cap.get(48)) # 替换。识别视频时候跑代码报。

原创 刘二大人笔记-梯度下降算法

想象你站在山坡上，梯度的方向就是坡度最陡的方向，而梯度的大小则告诉你这个坡度有多陡。如果你沿着梯度的方向走，你将以最快的速度上升或下降，这取决于你是沿着梯度的方向还是其反方向行进。梯度下降（贪心法）：只看眼前最好的选择，只能得到局部区域最好的结果，难以找到全局最优。梯度下降法中，负梯度方向是下降方向，也是往cost最小值走的方向。分治法：曲线若为光滑的凸函数可用分治法，若为不规则曲面，很容易错过真正的最优点。穷举法：w在一个区间里一个一个的尝试，直到找到最小cost时的w值。

原创 刘二大人 -深度学习笔记

y_pred_val = forward(x_val)#获取预测值。mse = l_sum / 3#除以3是因为有三个基础数据量。l_sum += loss_val#累加缺失值。# 为权重赋值0.0-4.0，左闭右开，间隔0.1。#模型为模型为 y = w * x。图片借鉴了Cheer-go 大佬。# 输入的x和y数据。

原创 神经网络-卷积层

conv2d 需要输入的形状为 (batch_size, channels, height, width)print(kernel.shape) # 输出: torch.Size([1, 1, 3, 3])print(input.shape) # 输出: torch.Size([1, 1, 5, 5])# 应用 conv2d 函数进行卷积操作，步长为 1，同时添加 padding。# 应用 conv2d 函数进行卷积操作，步长为 1。print(output3) # 输出卷积结果。

原创 神经网络搭建

def forward(self,input):#重写。def __init__(self):#重写。

原创 Dataloader

加载 CIFAR10 测试集，不进行数据下载，使用 ToTensor() 转换将 PIL 图像或 NumPy ndarray 转换为 FloatTensor。# 将图像批次写入 TensorBoard，标签为当前 epoch 和 step，方便在 TensorBoard 中观察。step = 0 # 初始化 step 计数，用于记录每个 epoch 中的批次编号。# 创建 DataLoader，用于批量加载数据，每批4个样本，打乱顺序，使用单进程加载数据。# 进行两个周期（epoch）的数据处理。

原创 数据集的使用与下载

【代码】数据集的使用与下载。

原创 Transforms的使用

Transform 主要是用于图像变换的操作，可以对图像进行裁剪、标准化等，在使用前需要先将图像转换成张量的形式。Transform 属于 torchvision 这个库，torchvision 是专门用于计算机视觉的库，所谓的计算机视觉就是让计算机能够读取图像和视频数据并进行相关的处理，如图像识别、图像分类等。

原创 Tensorboard的使用（P7-9）

Tensorboard 是用于机器学习的一个常用的库，主要是用于记录机器学习的学习过程并通过图像方式表达出来。from torch.utils.tensorboard import SummaryWriter# SummaryWriter 可以将训练过程中的每一个步骤显示出来，即打印出其中的日志文件。writer = SummaryWriter('logs') # 括号里面的内容表示的是在当前目录下存放 summary 的文件名称for i in range(100): writ

原创 Pytorch加载数据P5

Dataset:在垃圾数据中寻找到有用的数据，同时获取数据的真实label，并为数据编号，总的来说就是提供了一种方式去获取数据及其标签。主要提供了两种方法，一种是去获取每一个数据及其label，另一种就是统计总共有多少数据。Dataloader:对获取的数据进行打包，比如图中的将获取的数据编号为0,1,2,3的数据打包，总的来说就是为网络提供不同数据形式。Pytorch中加载数据的主要两个方法 ：Dataset,Dataloader。

原创 深度学习笔记（土堆大佬）-P3（pytorch简介）

1.dir（）方法打开工具箱 dir(pytorch) 瞅瞅这个工具箱有啥，发现此工具箱有四个工作区，所以输出:1，2，3，4。dir(pytorch.3) 打开工具箱的3工作区看看里面有啥可以使用的工具，从图片上看出有a,b,c三个工具。将pytorch想象成一个工具箱，那么对pytorch的操作主要是dir(),和help()两种方法。help（pytorch.3.a） 查看工具箱3工作区的工具a的使用说明。2.那么我想看看具体每个工具如何使用呢（）所以输出：a,b,c。

原创 Transforms使用

writer.add_image("Resize", img_resize_2, 1) # 将组合转换后的图像添加到 TensorBoard。writer.add_image("Resize", img_resize, 0) # 将调整大小的图像添加到 TensorBoard。img_resize = tensor_trans(img_resize) # 将调整后的图像转换为张量。img_resize = trans_resize(img) # 将 PIL 图像调整大小。# 将图像转换为张量。

原创 ImportError: cannot import name ‘Callable‘ from ‘traitlets‘ (F:\annocoda\lib\site-packages\traitlets

解决方法：这个错误通常是由于 traitlets 包的版本不兼容导致的。在启动jupyter 时报这个错误。

转载 C语言学习笔记

此笔记主要参考自赵海英老师的C语言课程，此笔记是在考研重新学习C语言的情况下进行的整理，主要用于后续的C语言概念温故知新。定义格式：数据类型名 变量名类别；如int i;