seraph_studio的博客

原创 通过pysot里的pycocotools配置coco数据集

1. 首先激活虚拟环境conda activate xxx2. 进入training_dataset/coco/pycocotoolscd training_dataset/coco/pycocotools3. 编译安装python setup.py build_ext --inplace注：win平台下可能遇到的问题：（1）cl: 命令行 error D8021 :无效的数值参数“/Wno-cpp”解决方法：直接屏蔽extra_compile_args那一行。

原创 目标跟踪数据集VOT环境详细配置过程（附部分tracker融合代码）

Matlab版本配置教程：目标跟踪数据集VOT环境详细配置过程（附部分tracker融合代码）_zllxot的博客-优快云博客_vot数据集补充:二、运行官方样例ncc：5.找到workspace_load.m，将第142行sequences_directory的值改为你存放vot2016数据集的路径：VOT2016数据集下需要有一个list.txt文件，我放在这里：VOT2016数据集序列名list.txt文件一些常见配置错误：VOT使用安装报错解决方案总结_当当的当

转载 Pytorch统计网络参数数量及查看网络中的参数

#网络参数数量def get_parameter_number(net): total_num = sum(p.numel() for p in net.parameters()) trainable_num = sum(p.numel() for p in net.parameters() if p.requires_grad) return {'Total': total_num, 'Trainable': trainable_num}#查看网络参数print(mod.

原创 关于应用~试玩，你想知道的都在这儿了----超详细总结（下篇）

原创 关于应用~试玩，你想知道的都在这儿了----超详细总结（上篇）

关于应用~试玩，你想知道的都在这儿了----超详细总结（下篇）_seraph_studio的博客-优快云博客

原创 pycharm远程控制服务器（局域网 & 内网穿透）

1.服务器ubuntu上安装和配置ssh2.本地电脑操作PyCharm实现高效远程调试代码 - xuegqcto - 博客园① 【Tools】--- 【Deployment】--- 【Configuration】② 然后点”+”号添加一个SFTP页面③然后点test Connection，连接测试Local 为本地所用工程文件夹路径 ； deployment 为服务器上相应工程文件夹路径【文件夹名要一致】填写完后，即可实现文件互传④在Deploym...

原创 pcharm远程连接服务器并借助MobaXterm本地显示图像和视频的设置

1. 服务器终端输入 echo $DISPLAY2. pycharm中设置环境变量最终效果如下(目标跟踪结果实时显示):

转载 LeetCode题解答案集合(完全版) Python

LeetCode 700题 题解答案集合 Python_Keep Coding-优快云博客_leetcode python

转载 C++拷贝构造函数详解

首先对于普通类型的对象来说，它们之间的复制是很简单的，例如：int a=100;int b=a;而类对象与普通对象不同，类对象内部结构一般较为复杂，存在各种成员变量。下面看一个类对象拷贝的简单例子。#include <iostream>using namespace std;class CExample {private: 　int a;public: //构造函数 　CExample(int b) 　{ a

转载 linux常用命令（50个）

一. 文件操作相关命令1.find 基本语法参数如下：find [PATH] [option] [action]# 与时间有关的参数：-mtime n : n为数字，意思为在n天之前的“一天内”被更改过的文件；-mtime +n : 列出在n天之前（不含n天本身）被更改过的文件名；-mtime -n : 列出在n天之内（含n天本身）被更改过的文件名；-newer file : 列出比file还要新的文件名# 例如：find /root -mtime 0 # 在当前目录下查找今...

原创 Numpy线性代数

了解矩阵乘法 了解矩阵的转置和求逆 多元一次方程组求解a = np.array([1,2,3])b = np.array([4,5,6])vector_dot = np.dot(a, b)np.transpose(arr2)arr2_inv = inv(arr2)print(arr2_inv)A = np.array([[3,2,1],[2,3,1],[1,2,3]]) #3行3列b = np.array([[39],[34],[26]]) # 3行一列X = np.linalg

原创 Numpy统计相关函数

Numpy中有许多用于统计分析的函数。 掌握常用的统计相关函数。 针对二维数组，需要注意轴的概念，0和1分别代表纵轴和横轴print(data.sum(axis=1)) #对行进行求和print(data.mean(axis=1)) #对行进行求和均值print(data.cumsum()) #累计求和np.percentile(data,[0,25,50,75,100])...

原创 Numpy随机数生成

Numpy随机数通过random函数 生成的都是伪随机数np.random.seed(100)np.random.random(100)np.random.randint(0,100,size= 100)np.random.uniform(low=0,high=10,size=100)random模块中相关函数

原创 Numpy字符串操作

char模块Numpy提供char模块处理字符串，运用向量化运算方式 char模块提供常用的字符串操作函数,如连接、切片、删除、替换等[i.title() for i in str_list]np.char.title(str_arr)np.char.isalpha(arr)np.char.count(arr,’a’)...

原创 Numpy数据读取和存储

可以使用genfromtxt读取txt或者csv文件 可以使用loadtxt读取txt或者csv文件 两个函数功能类似，genfromtxt针对的更多是结构化数据# 读取文件data = np.genfromtxt(r'E:\Numpy运用\arr.txt',delimiter=‘,’)data = np.genfromtxt(r'E:\Numpy运\sales.csv',delimiter=',',skip_header= 1)# 使用loadtxt读取data = np.loadtxt(

原创 排序与搜索

• 排序函数：sort函数和argsort函数,注意argsort返回的是从小到大的索引值• 搜索函数：agrmax和argmin函数• 条件赋值：np.where可以自定义返回满足条件的情况，np.extract返回满足条件的元素值...

原创 数组的ufunc广播机制

通用函数，能够对array中所有元素进行操作的函数 Broadcating指对不同形状的array之间执行算术的方式 不同形状的数组运算时，Numpy则会执行广播机制 numpy能够运用向量化运算处理整个数组，所以速度比较快 np.add(arr1,arr2)np.subtract(arr1,arr2)np.divide(arr1,arr2)np.multiply(arr1,arr2)np.pow(arr2,3)np.unique(arr)test=[2,4,6]np.inld(.

原创 数组形状改变

data=[[8.5,6,4.1,2,0.7],[1.5,3,5.4,7,3.9],[3.2,4.5,6,3,9]]arr=np.array(data)arr.reshape(5,3)# array( [[8.5, 6. , 4.1], [2. , 0.7, 1.5], [3. , 5.4, 7. ], [3.9, 3.2, 4.5], [6. , 3. , 9. ]])arr # 不会改变arr.resize(5,3)#.

原创 索引和切片（下）

花式索引import numpy as npdata2=[[8.5,6,4.1,2,0.7],[1.5,3,5.4,7,3.9],[3.2,4.5,6,3,9]]arr2=np.array(data2)# array([[8.5, 6. , 4.1, 2. , 0.7], [1.5, 3. , 5.4, 7. , 3.9], [3.2, 4.5, 6. , 3. , 9. ]])arr2[[2,1]] # array([[3.2, 4.5, 6. ,

原创 索引和切片（上）

普通索引 花式索引import numpy as np# 一维数组的创建arr=np.arange(1,10) # array([1, 2, 3, 4, 5, 6, 7, 8, 9])arr[0] # 1arr[3:5] # array([4, 5])arr[::-1] # array([9, 8, 7, 6, 5, 4, 3, 2, 1])arr[-4:-2] # array([6,7])arr[5]=12arr # array([ 1, 2, 3, 4

原创 Numpy运用---数组创建和属性

数组创建使用array函数创建，语法格式为array(列表和元组) 可以使用其他函数例如arange、linspace、zeros等创建 掌握相关函数的用法import numpy as nparr1=np.array([-9,7,4,3],dtype='float')arr2=np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])np.arange(0,10,0.5)np.linspace(1,10,11) # 步长=（最大值-最小值）/ 间.

原创 Python数据分析常用库

Numpy介绍 Pandas介绍 Matplotlib和其他库介绍 Numpy为什么使用NumpyNumpy是数据科学计算的基础模块，用于数值计算 基于数组运算，效率高 拥有许多高级函数，可以对数据进行高效处理 可以进行线性代数相关运算pandas介绍Pandas是专门用作数据处理和分析的，使用起来十分高效和简洁，拥有许多复杂的函数，其使用起来十分高效和便捷，是数据分析领域使用最广泛的库之一。应用Pandas应用领域十分广泛，包括金融、电商以及高校的..

原创 高级函数(下)

reduce函数定义:在迭代序列的过程中,首先把前两个元素(只能是两个)传给函数,函数加工后,然后把得到的结果和第三个元素作为两个参数传给函数,函数加工后得到的结果又和第四个元素作为两个参数传给函数,以此类推.参数# 调用方法reduce(function,iterable)function:函数iterable:序列# 案例# 导入reducefrom functools import reduce# 定义函数def f(x,y): return x+y# 定.

原创 高级函数(上)

lambda函数 map函数 reduce函数 filter函数 匿名函数(lambda函数)不需要使用def来定义函数 没有具体的名称 使用lambda来定义函数 语法结构:lambda par1,par2,...parn:expressiong=lambda x:x**2g(5)total=lambda x,y:x+2*ytotal(5,6)map函数定义:map()方法将一个函数映射到序列的每一个元素上,生成新序列,包含所有函数返回...

原创 字符串处理(下)

字符串方法f=open(r'E:\找工作\数据分析\data\第一章\equipment_1.txt',encoding='utf-8')f_read=f.readlines()s=f_read[1]s=s.split('\t') # 分割字符串data=s[-2]data.find('1980') # 子字符串在源字符串中首次出现的位置,未出现返回-1field='This is me'field.upper() # 字符全部大写field.lower() # 字符全部小.

原创 字符串处理（上）

内容转义字符 字符串格式化 字符串方法转义字符# 转义字符'\r' 回车'\n' 换行'\t' 水平制表符原始字符串:字符串前面加上r就不会转义了.如:r'I like \n python',如果不加,会换行;加了r就不会换行.字符串格式化# 字符串格式化print('我今年%d岁' %40) # 我今年40岁 print('我今年%d岁' %40.1908)# 我今年40岁print('我上个月出差,报销款一共%.2f' %14578.9789.

原创 json文件解析

定义Json是JavaScript对象表示法，json格式是一种轻量级的文本数据交换格式，拥有存储空间小，处理速度快等优势。数据结构json本质上是一种嵌套字典格式，但键所对应的值，往往更加复杂，不仅是数字，还可以是字符串，数组，列表等。真实json格式样例数据{ "code":200, "apiRecordId":"19092102", "ratingRequestId":"19092102", "message":"成功", "content":

原创 函数介绍（下）

自定义函数以def语句开头，函数名称和圆括号 function代表函数名称 任何传入的参数放入到圆括号内，以冒号结束 冒号下面缩进后，进行函数的编写 一般以return表达式结束函数，express表示要返回的值def function(par1,par2,...): suite函数主体 return expressiondef exp(a,b): x=a**b return xdef avg(x): mean=sum(x...

原创 函数介绍（上）

函数编写为什么使用函数定义：将一些语句集合在一起，使其能够反复在程序中运行 意义：提高编程效率，避免大量重复工作 内置函数：可以直接调用的函数 第三方模块相关函数：导入第三方库后，可以调用的函数 自定义函数：按一定的规范自己编写的程序段import numpy as npa=[1,2,4,5,3]minimum=np.min(a)maximum=np.max(a)...

原创 Python控制语句之其他语句

在Python循环语句中，复杂的条件可能会嵌套break，continue或者pass break用于终止整个循环语句 continue用于跳出当前循环，并且执行下一次循环 pass语句用于占位，不做任何操作，保持结构的完整性 列表推导式用于构建新的数据序列s=0for i in range(1,101): s+=i if i>=10: breakcount=0while count<10: count+=1 if count

原创 Python控制语句之循环语句

循环语句for和whilefor循环 while循环for letter in 'Python': print(letter)count=0while count<10: count+=1;print(count)优势循环语句用于反复执行某一操作，避免重复工作常用方法for和while两种循环方式，for采用遍历的方式进行迭代循环，while根据条件进行判断是否要继续执行。for循环fruits=['banana','apple','ma

原创 Python控制语句之条件语句

控制语句条件语句 循环语句 其他语句程序执行的方向称为控制流，程序一般从首条代码执行。一般有if、for和while等语句，用于其他处理的还有continue、break等。条件语句语法结构if 条件表达式： 执行语句1else: 条件语句2if 条件表达式1: 执行语句1elif 条件表达式2： 执行语句2elif 条件表达式3： 执行语句3else: 条件语句4if x<0: print('x小于0

原创 Python数据结构之字典

字典的创建 字典的方法 字典的特性a={'name':'小明','age':'35,'id':'1001'}a=dict(name='小明',age=35,id='1001')a['city']='成都' # 增加键值对del a['age'] # 删除a['age']键值对a.pop('city') a['name']='小海' # 修改键对应的值a.clear() # 清除字典a[23]='hello world'23 in a # Truea.get('ha

原创 Python数据结构之元组和集合

元组（list）与列表（tuple）同属于序列（sequence）型数据结构，即都可以通过位置进行数据的访问。元组与列表很像，很多函数都一样，最大的区别是：元组的元素不能更改，而列表的元素可以更改。元组元组的创建 a=(1,2,3,4)a[1]a[2]=1 # 报错b=tuple([1,2,3,4]) 元组的基本操作 del ab=(4,5,6,7)c=a+ba1,a2,a3,a4,a5,a6,a7=ca*3a[::-1] 集合集合（set）是无序的，无法.

原创 Python数据结构之列表

数据结构常用数据结构如下列表：是一种不同数据类型元素的有序集合 元组：是一种有序列表，但元组中的元素不能改变 集合：是一系列无序的、不重复的组合体 字典：存放无序的键/值（key/value）映射类型数据的容器列表列表的创建 列表的访问 列表的方法列表的创建 # 列表创建的两种方法a=[1,2,3,4,5] # 第一种：直接创建a=list([1,2,3,4,5]) # 第二种：通过list函数进行创建，参数为iterable可迭代对象，如：list,tu...

原创 Python数据类型

数据类型整数型：int型，正、负整数 浮点型：float型，由小数和整数构成 字符串：文本的数据类型 布尔型：True或者False 复数：由实部和虚部构成，数据分析中很少用可以通过相关函数进行数据类型转换。字符串字符串用str函数或者引号来进行创建 字符串通过[]来进行访问 字符串中的元素是不可变的 字符串的使用abc='I like python very much' # 字符串的创建abc[1] # 访问第二个字符abc[2:3] # 访问第三个字符，注意：.

原创 Python数据分析师特训营84节

刚看完了小破站的一个数据分析的课程：“2020年Python数据分析师特训营全套84节视频完结版（就业向/零基础友好)”趁着热乎劲儿，想记录一下课程讲到的关于python的基础知识，还有numpy、pandas、matplotlib(数据分析三大利器)工具库的常用函数的使用。我准备出个系列，内容涵盖python基础、numpy、pandas以及matplotlib，一方面是自己备忘，另一方面也可以方便大家。如果你也在看这个视频，或者将要看这个视频，就可以对照我的博客来学习相关知识点。因为本系列博客的

转载 OTB测试之Visual Tracker Benchmark v1.0全过程配置流程

又到了日常debug的时间了，前人的工作都做的很好，像我这种咸鱼得以轻易得到一个标准知道自己的工作做得怎么样；废话不多说，上流程：下载benchemark,解压，把自己的算法整体拷贝到解压后的trackers的文件夹里，改名字，就是自己给算法起个名字，这里起名叫whisky。 进入自己的算法文件夹，写一个接口，所谓的接口也是这里的关键，这里要参考其他已有的几个trackers的接口，严格按照格式 自己算法的run_XXZZ.m要和算法文件夹匹配，打开后里面的function XXZZ（）自然要和

转载 VSCode配置C/C++环境

VSCode配置C/C++环境：借鉴来自大神分享：点这里1、安装VSCode，直接在官网 安装即可2、配置C/C++环境，安装MinGW编译器，也可以在官网 下载安装（官网下载很慢，我给个百度网盘链接）3、MinGW编译器刚才下载的是个下载器，直接双击安装，配置X86和WIN32，指定下载目录（需要记住，之后会用，并且目录不能有空格）4、下载完成之后，将刚才下载目录下的bin文件夹目录配置到环境变量里5、CMD窗口输入gcc -v不报错就证明配置成功6、VSCode中搜索C/..

原创 win10安装miniconda3+pytorch1.2.0+cuda9.2+cudnn7.6.5.32

最近在实现FlowTrack（End-to-end Flow Correlation Tracking with Spatial-temporal Attention），子网络用到了FlowNet，实现代码用到了空间互相关，需要安装spatial-correlation-sampler。所以需要配套的环境，鼓捣了一下，成功了，于是有了这篇文章，这篇文章相当于安装spatial-correlation-sampler的先导片，下一篇就来重点讲解如何安装spatial-correlation-sampler。