March_A的博客

基于SSD的口罩佩戴检测项目。对小目标检测效果很差。模型大，检测速度较慢。

本案例开放了表计检测数据集、指针和刻度分割数据集、表计测试图片（只有图片无真值标注），使用这些图片可以完成目标检测模型、语义分割模型的训练、模型预测。图像解码 —> 检测表计 -> 过滤检测框 -> 提取检测框所在图像区域 -> 图像缩放 -> 指针和刻度分割 -> 读数后处理 -> 打印读数 -> 可视化预测结果。如果部署时需要使用TensorRT，导出模型的时候需要固定模型的输入大小，具体导出流程参考。文件夹，此时模型格式还是动态图格式，需要导出成静态图格式才可以进行下一步部署。

【代码】25- 基于MASK-RCNN框架的气球检测项目 (TensorFlow系列) (项目二十五)

PS 压入氧化皮 press in oxide scale。# In 夹杂 inclusion。# CR 裂纹： crackle。# SC 划痕 scratch。

一般负责的结构分模块， 提取特征部分， 特征层。# 分类网络部分（神经网络）return ximport osimport sys# 创建训练datasetflower_list = train_dataset.class_to_idx # 链接种类和序列号# 把dataset变成dataloader# 训练过程# 校验过程net.eval()acc = 0.0main()import os])# 创建模型plt.show()main()

4种天气数据的分类# 定义模型 # 添加BN层self.conv1 = nn.Conv2d(3, 32, 3) # 卷积 # (96, 96, 3) --> (32, 94, 94)# 主要做标准化处理self.pool = nn.MaxPool2d(2, 2) # 池化 # (32, 47, 47)self.dropout = nn.Dropout() # 防止过拟合 ## 全连接层# flatten , Flatten层用来将输入“压平”，即把多维的输入一维化，

使用GPU进行训练把模型转移到GPU上将每一批次的训练数据转移到GPU上# 定义损失函数# optimizer 优化器, 防止过拟合# 训练过程total = 0# 把数据放到GPU上# 梯度清零loss.backward() # backward 反向传播# 计算损失过程# 循环完一次后, 计算损失# 测试数据的代码# 计算损失# 计算平均损失# 打印输出# 执行操作 # 可以打包一个history。

10-monkey-species 数据集是一个10类不同品种猴子的数据集，这个数据集是从 kaggle。平台中下载到本地使用的。

每一个输入图像的高度和宽度均为28像素。数据集由灰度图像组成。Fashion-MNIST,中包含十个类别，分别是t-shirt，trouser,pillover,dress,coat,sandal,shirt,sneaker,bag,ankle boot。Fashion-MNIST总共有十个类别的图像。每一个类别由训练数据集6000张图像和测试数据集1000张图像。所以训练集和测试集分别包含60000张和10000张。测试训练集用于评估模型的性能。

CIFAR-10 是由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理的一个用于识别普适物体的小型数据集。一共包含10 个类别的 RGB 彩色图 片：飞机（ airplane ）、汽车（ automobile ）、鸟类（ bird ）、猫（ cat ）、鹿（ deer ）、狗（ dog ）、蛙类（ frog ）、马（ horse ）、船（ ship ）和卡车（ truck ）。

optimizer: 优化器: 主要有: tf.train.AdamOptimizer , tf.train.RMSPropOptimizer , or tf.train.GradientDescentOptimizer .loss: 损失函数: 主要有:mean square error (mse, 回归), categorical_crossentropy (多分类) , and binary_crossentropy (二分类).metrics: 算法的评估标准, 一般分类用accuracy.

返回值两个: contours, hierarchy。# rect 是原始坐标,dst 是调整后坐标。# 两个返回值: ret, thresh1。1.3 灰度化处理和轮廓检测。# 二值化只能处理二维图片。保存str 到 txt文件。2 透视变换,拉正视角。1.2 图片尺寸调整。1.5 找出最大轮廓。

ret, thresh1 = cv2.threshold(img,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU) 二值化处理图片。计算非零值,通过计算非零值判断是否答题正确。2.5 找出选择答案, 然后评分。2.2 找每一个圆圈的轮廓。2.4 轮廓排序封装函数。1.4 找出答题卡轮廓。2.3 找出特定轮廓。# dst 为目标值。二值化,谁区别大选谁。

1. 人脸识别项目, 需要导入相关的分类器, 然后使用API与目标图进行对照, 返回四个值(X,Y, W, H).# 加载分类器# 分类对照2.车牌检测, 方法类似, 使用分类器, 最后用tesseract进行识别, 为了保证识别效果, 中间用开操作去噪提升识别效果.# 加载分类器# 分类对照# 开操作# 识别车牌。

信用卡数字识别, 总体思路就是取出信用卡中每一个数字作为去和模板中的10个数字进行模板匹配操作.1. 先对模板处理, 获取每个数字的模板及其对应的数字标识.2. 再对信用卡处理, 通过一系列预处理操作, 取出信用卡数字区域. 3. 然后再取出每一个数字去和模板中的10个数字进行匹配.

包含：21个关键点坐标，检测框坐标及宽高，检测框中心坐标，检测出是哪一只手。# 创建hand detector 追踪手。img： 返回绘制了关键点及连线后的图像。# 找到食指和中指,计算两者的距离。hands： 检测到的手部信息。# 1 > 0, 表示左右反转。通过qq视频, 然后进行截图。存在重复点击的问题,

读取文件读取视频帧cap.read# 第一个为状态值, 读到帧为True, 第二个值为视频帧间隔时间# 单位是毫秒背景减除但是在大多数情况下，我们可能没有这样的图像，所以我们需要从我们拥有的任何图像中提取背景。当运动物体有阴影时，由于阴影也在移动，情况会变的变得更加复杂。为此引入了背景减除算法，通过这一方法我们能够从视频中分离出运动的物体前景，从而达到目标检测的目的。这是一个以混合高斯模型为基础的前景/背景分割算法。

阿里巴巴天池天猫复购预测的机器学习项目, 使用数据分析, 通过机器学习中的线性分类算法, 进行建模, 从而预测消费者行为, 复购情况 .

根据已知用户购买、浏览数据，对用户未来的购买意向，进行预测。提前知道用户购买意向，可以大大提升，电商平台对物流的掌控力度，提前备货。对消费者也是一定好处，商品购买意向预测，相当于商品找消费者，实现个性化服务，消费者购物体验会大大提升~数据加载数据探索特征工程算法筛选模型评估。

找出性价比较高的车: python:sklearn标签编码(LabelEncoder) sklearn.preprocessing.LabelEncoder的使用：在训练模型之前，通常都要对数据进行一定得处理。将类别编号是一种常用的处理方法，比如把类别“电脑”，“手机”编号为0和1，可使用LabelEncoder函数。作用: 将n个类别编码为0~n-1之间的整数(包括0和n-1)聚类种类最佳参数kmean 聚类算法模型。

Rossmann在欧洲国家经营着3000多家日化用品超市。目前，Rossmann商店经理的任务是提前6周预测他们的日销售额。商店的销售受到许多因素的影响，包括促销、竞争、学校和国家假日、季节性和地域性。由于数以千计的管理者根据自己的特殊情况预测销售，结果的准确性可能会有很大的差异。因此使用机器学习算法对销量进行预测，Rossmann要求预测德国1115家商店的6周日销售额。可靠的销售预测使商店经理能够制定有效的员工时间表，提高生产力和积极性。

本项目通过利用信用卡的历史交易数据，进行机器学习，构建信用卡反欺诈预测模型，提前发现客户信用卡被盗刷的事件。1.2、建模思路根据历史记录数据学习并对信用卡持卡人是否会发生被盗刷进行预测，二分类监督学习场景，选择逻辑斯蒂回归（Logistic Regression）算法。数据为结构化数据，不需要做特征抽象，但需要做特征缩放。

泰坦尼克号于1909年3月31日在爱尔兰动工建造，1911年5月31日下水，次年4月2日完工试航。她是当时世界上体积最庞大、内部设施最豪华的客运轮船，有“永不沉没”的美誉。然而讽刺的是，泰坦尼克号首航便遭遇厄运：1912年4月10日她从英国南安普顿出发，途径法国瑟堡和爱尔兰昆士敦，驶向美国纽约。在14日晚23时40分左右，泰坦尼克号与一座冰山相撞，导致船体裂缝进水。次日凌晨2时20分左右，泰坦尼克号断为两截后沉入大西洋，其搭载的2224名船员及乘客，在本次海难中逾1500人丧生。

根据用户一些信息，进行算法建模，判断用户是否可以按时进行还款！字段说明Disbursed是否还款每月还款金额贷款金额贷款期限月收入…………

55个外国人图片数据集地址:网格搜索。

天池竞赛工业蒸汽量预测, 经脱敏后的锅炉传感器采集的数据（采集频率是分钟级别），根据锅炉的工况，预测产生的蒸汽量。

机器学习经典流程