wchwdog13的博客

浏览器网页一般不直接支持tiff图片的显示，需要用到tiff.js这个库，首先安装tiff.js，使用命令 npm install tiff.js安装。定义变量，其中变量imgDB与图片显示的<img>绑定一块，变量imgUrl存放了tif图片的访问地址。

使用YOLOV5训练口罩检测模型，过程非常的详细，同时已将训练好的模型上传到了本人的资源中，可下载。

在前面，我使用labelme工具对每张图像进行标注，对为每张图像生成了对应的json文件，json文件通过矩形标注框的左上角（x1，x2）和右下角（y1，y2）进行描述，而yolo所需标签格式为（Cx，Cy，W，H），Cx和Cy为目标预测框中心点位位格子的偏移量，映射到区间为0-1，W和H为预测框的宽和高，这部分知识点可以查阅YOLOV3的相关论文解析。其中label表示标注框的类别为ship，points为一个二维数组，第一个元素为矩形框的左上角（x1，y1），第二个元素为矩形框的右下角（x2，y2）。

自己一直都这么认为，提升自己的能力，才是在任何地方能立足的基础，这些年一直希望自己在专业上保持进步。又思考一下，在各方面的能力上，其实还欠缺很多，一直在找时间弥补和提升，越来越发现，自己的不足之处越来越多。要充分肯定不够好的自己，不求全方位，只求在个别方面，做的够好。注定人的一生是焦虑的，注定人的一生是忙碌的，注定人的一生有无限种可能，相信任何时候，张开眼，都能看到希望。 感慨发完了，今晚看完演出，回到房间里，刷了一段css视频，视频上讲的是使用auto使div居中对齐，我亲自试了一下。写了一个div，如

在一个项目中，涉及到一批选题按钮，选题按钮要具备能触发鼠标滑动事件、点击事件等类似按钮的功能。对此，我是通过构建自定义类并继承QLabel类实现的，构建类的代码如下： from PyQt5.QtCore import * from PyQt5.QtWidgets import * from PyQt5.QtGui import * #选题按钮，用QLabel来充当按钮。SelectQLabel继承QLabel，并重写了相关方法。 class SelectQLabel(QLabel): clickQL

安装完sublime之后，该如何配置python环境呢，这是一个很容易的问题，我却折腾了两个小时。下面，我把我配置的步骤写了下来，以备未来所需。 在sublime中选择Tools---->Build System ----> new build system，弹出一个文本框，如下： 全部删掉，并写入以下内容，然后保存，文件名为“python37.sublime-build”。 { "encoding": "utf-8", "working_dir": "$file_path",

在上一节中，我们将数据集划分为了训练数据集和测试数据集，本节进行数据处理、模型构建与训练。 一、数据处理 为使程序更加整洁、可读性更强，我们将数据读取和处理的代码段定义为函数。 #根据图片路径读取一张图片 def read_jpg(path): img = tf.io.read_file(path) img = tf.image.decode_jpeg(img, channels=3) return img #根据图像分割文件路径读取一张图像分割文件 def rea

对于语义分割的定义，我查阅了一些资料，基本上理解为：图像语义分割指机器自动分割并识别出图像中的内容，比如给出一个人骑摩托车的照片，机器判断后应当能够生成右侧图，红色标注为人，绿色是车（黑色表示背景）。与我们前面介绍的CNN图像识别等内容的不同之处在于，CNN图像识别判断整张图片属于哪个类别，而图像语义分割是像素级的，它判断图像中的每个像素属于哪个分类，而不是判断整张图片属于哪个分类。 一、The Oxford-IIIT Pet Dataset介绍 这部分采用的数据集是The Oxford-II.

在前面图像定位（一）和（二）的基础上，接下来进行模型的创建、训练与保存。 一、创建、训练定位模型 这里我们使用Xception网络，以及该网络在imagenet数据集上训练得出的权重，include_top = False表示只使用卷积基，而不使用全连接部分。这是迁移网络部分的知识，详情可以查看我之前发的博文（tensorflow2.3.0迁移学习案例分析（以猫狗识别为例））。 xception = tf.keras.applications.Xception(weights='imagenet',

紧接tensorflow2.3.0图像定位（一）的内容，本部分主要对读取数据集，并对数据进行一定的清洗。 一、读取并处理图片数据 读取所有的图片，并输出前五个文件目录。 images = sorted(glob.glob('/home/wchw/资料/人工智能/下载数据集/The Oxford-IIIT Pet Dataset/images/*.jpg')) images[:5] 输出为： ['/home/wchw/资料/人工智能/下载数据集/The Oxford-IIIT Pet Datas

目前我理解图像定位的概念是，在图片中识别出目标，然后再将目标标注出来。对图像定位方法的分析共分为三部分，第一部分是图像标注的基础（也就是该部分），第二部分是数据集的读取与处理，第三部分是图像识别与定位。 一、The Oxford-IIIT Pet Dataset介绍 这部分采用的数据集是The Oxford-IIIT Pet Dataset，该数据集包含37类宠物图像，每类图像包含约200张图片，图像在比例，姿势和光线方面有很大的变化。所有图像都具有种类、头像拉框和像素级分割的相关实况注释。 二、引入

一、数据集处理、载入、模型构建、模型训练 1.1 Fashion MNIST数据集介绍 Fashion-MNIST数据集包含了10个类别的图像，分别是：t-shirt（T恤），trouser（牛仔裤），pullover（套衫），dress（裙子），coat（外套），sandal（凉鞋），shirt（衬衫），sneaker（运动鞋），bag（包），ankle boot（短靴）。数据集中包含60000张训练图片和10000张测试图片，每张图片是一个28*28的像素数组，每个像素的值为0~255之间的8位无符

前段时间我分析过猫狗图片识别的案例，“猫狗识别”顾名思义，给出一张图片，识别出来的可能结果就2个，不是猫就是狗，把这个定义为二元输出，本章要研究的是多元输出，即给出一张图片，识别出来的可能结果大于2个。我的代码编辑环境为Jupyter NoteBook，下面是我的代码和分析过程。 一、导入需要的包 import tensorflow as tf from tensorflow import keras import matplotlib.pyplot as plt %matplotlib inline

为什么我在kaggle平台上编写猫狗识别程序，一是因为我的个人电脑没有GPU，kaggle平台提供了GPU，使用GPU可以大大提高训练的效率；二是kaggle平台上提供了猫狗数据集。 1、部署kaggle开发环境，这部分不再描述，下面是我的设置情况。 2、在kaggle平台上安装GPU版本的tensorflow2.3.0 pip install tensorflow-gpu==2.3.0 3、导入需要的包 import tensorflow as tf from tensorflow im

我对迁移学习的简单理解就是，将别人训练好的模型用到自己的程序中，同时根据实际情况，重新训练模型中的部分参数。我认为这样有2个好处，一是由于使用了已知的模型，那么节省训练的时间，二是在充分利用已知的成果，节省精力。下面我使用Jupyter Notebook编辑环境，以猫狗识别为例，对迁移学习进行分析。 1、首先导入需要的包 import tensorflow as tf from tensorflow import keras import matplotlib.pyplot as plt %matpl

还是在之前的数据集上进行训练，下面是预处理和训练代码，在我之前的博客中已经有对代码的解释。 import tensorflow as tf import os import datetime (train_image, train_labels), (test_image, test_labels) = tf.keras.datasets.mnist.load_data() train_image = tf.expand_dims(train_image, -1) test_image = tf.ex

本程序使用mnist训练数据集进行训练得出模型，再利用mnist测试数据集进行验证，得出模型的实际效果。 1、引入运行需要的环境 import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers import numpy as np import matplotlib.pyplot as plt %matplotlib inline 2、读取mnist数据集 (train_image,