seraph_studio的博客

通过pysot里的pycocotools配置coco数据集

seraph_studio — Thu, 21 Apr 2022 11:39:30 +0800

1. 首先激活虚拟环境 conda activate xxx 2. 进入training_dataset/coco/pycocotools cd training_dataset/coco/pycocotools 3. 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。

目标跟踪数据集VOT环境详细配置过程（附部分tracker融合代码）

seraph_studio — Sat, 09 Apr 2022 11:39:18 +0800

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

Pytorch统计网络参数数量及查看网络中的参数

seraph_studio — Sat, 09 Apr 2022 11:22:13 +0800

#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.

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 — Mon, 07 Feb 2022 14:38:38 +0800

关于应用~试玩，你想知道的都在这儿了----超详细总结（上篇）

seraph_studio — Mon, 07 Feb 2022 14:30:21 +0800

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

pycharm远程控制服务器（局域网 & 内网穿透）

seraph_studio — Mon, 10 Jan 2022 19:49:42 +0800

1.服务器ubuntu上安装和配置ssh 2.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...

pcharm远程连接服务器并借助MobaXterm本地显示图像和视频的设置

seraph_studio — Mon, 25 Oct 2021 15:52:43 +0800

1. 服务器终端输入 echo $DISPLAY 2. pycharm中设置环境变量最终效果如下(目标跟踪结果实时显示):

LeetCode题解答案集合(完全版) Python

seraph_studio — Fri, 15 Oct 2021 11:23:58 +0800

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

C++拷贝构造函数详解

seraph_studio — Fri, 08 Oct 2021 11:18:16 +0800

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 using namespace std; class CExample { private: 　int a; public: //构造函数　CExample(int b) 　{ a

linux常用命令（50个）

seraph_studio — Tue, 21 Sep 2021 21:34:58 +0800

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...

Numpy线性代数

seraph_studio — Tue, 24 Aug 2021 22:20:55 +0800

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

Numpy统计相关函数

seraph_studio — Tue, 24 Aug 2021 22:18:03 +0800

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]) ...

Numpy随机数生成

seraph_studio — Tue, 24 Aug 2021 22:16:14 +0800

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

Numpy字符串操作

seraph_studio — Tue, 24 Aug 2021 22:13:28 +0800

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’) ...

Numpy数据读取和存储

seraph_studio — Tue, 24 Aug 2021 22:11:20 +0800

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(

排序与搜索

seraph_studio — Tue, 24 Aug 2021 22:04:11 +0800

• 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 ...

数组的ufunc广播机制

seraph_studio — Tue, 24 Aug 2021 21:50:34 +0800

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(.

数组形状改变

seraph_studio — Tue, 24 Aug 2021 21:13:56 +0800

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) #.

索引和切片（下）

seraph_studio — Mon, 23 Aug 2021 21:58:04 +0800

花式索引 import numpy as np data2=[[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. ,

索引和切片（上）

seraph_studio — Mon, 23 Aug 2021 21:39:57 +0800

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] # 1 arr[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]=12 arr # array([ 1, 2, 3, 4