Sean.Pu的专栏

本文介绍了一个自动化保存DeepSeek生成代码的Python脚本。该脚本通过API调用DeepSeek模型，能够自动识别并提取生成的HTML和Python代码片段，保存为对应文件，避免手动复制粘贴。作者分享了使用DeepSeek写代码的经验：1)必须开启深度思考模式；2)需分步提出需求，最后整合；3)代码错误需明确指出；4)对话过长时应新建会话并附上之前代码；5)需求不能无限叠加。该工具提高了使用AI辅助编程的效率，特别适合需要频繁生成代码片段的场景。

摘要：作者在尝试了Labelme和MakeSense后转向LabelStudio进行数据标注，重点解决了YOLO格式数据导入问题。通过配置环境变量（设置本地文件路径为D:\yolo\adtrain_data）和使用label-studio-converter工具，成功将YOLO格式的训练数据转换为LabelStudio可识别的JSON格式。关键步骤包括启用本地文件服务、正确设置文件根目录路径，并确保图像URL路径（如http://localhost:8080/data/local-files/?d=trai

自定义了一堆数据集，训练过后用来识别图片，发觉一个问题，明明很清晰没有什么遮挡的物体识别不出来，各种折腾后发觉问题根源在于有些图片的长宽比太大（1：2.5）导致的。最有效的方案是调整imgsz,在识别的时候尽量最大化这个imgsz,例如我调整到了2752，默认是640，调整这个数值是提升识别率最有效的方案。上面的方案1是有效的，2有明显效果，但是准确率降低，3也不明确。所以整体的方案就是 1，2,再加上imgsz尽量放大进行识别。也就是说在这三个条件下，能够识别出来的物体匹配度是最可靠的。

使用了 cv2.CascadeClassifier("D:\\opencv-4.52\\data\\haarcascades\\haarcascade_frontalface_default.xml")汇总的就是: insightface 脸部的查找最好，稍微有点慢，不知道是不是因为推理了年龄和性别。以下结果展示了不同角度下，都给了一个准确的结果。脑壳有包又花时间折腾了一下，其实之前也折腾过，主要是新看了一个方法。以上两种都是opencv的自带方案，要么找脸不全，要么错误的找脸。