- 博客(34)
- 收藏
- 关注
RSS订阅
原创 数据处理：各种数据集格式转换(coco_to_yolo、yolo_to_voc、yolo_to_coco)
1. 问题描述：由于本人在实验过程中，需要使用一个标注文件为.mat的数据集，但是由于没有matlab软件，所以无法打开，为此写了该脚本，将matlab标注文件转换为txt文件。
2023-08-13 22:36:42
714
1
原创 Linux基础
1. mac上安装Parallels Desktop软件2. 创建ubuntu虚拟机环境：mlutipass launch --name ubuntu --cpus 4 --memory 8G --disk 10G3. 查看虚拟机列表：multipass list4. 进入虚拟机：multipass shell ubuntu。
2024-11-23 18:32:11
724
原创 Spring全家桶+Maven
1. 依赖管理：手动下载依赖会存在版本冲突且麻烦，在pom.xml文件中告诉maven需要的依赖，maven自动将这个jar包和所依赖的其他jar包都导入项目中。2.构建管理：将java源文件编译成字节码文件，再打包成一个可执行的jar包或者war包。maven很轻松就可以实现构建、打包和部署等工作。3. Maven仓库：本地仓库（本地的jar包）、远程仓库（公司统一管理jar包，避免重复下载）和中央仓库（maven官网）。maven进行项目编译：mvn compile。
2024-11-19 22:16:17
730
原创 Git分布式版本控制系统
(工作流程：所有的文件都保存在中央服务器上，每个电脑上只保存了一个副本，当需要修改时，先下载中央服务器上的最新版本文件，添加修改内容，再上传到中央服务器中)缺点：单点故障问题，如果中央服务器出现网络问题或者故障，所有子服务器将无法工作。（每个人的电脑上都有一个完整的版本库，所以在本地进行修改，没有单点故障问题，当中央服务器出现故障，也可以正常工作；当需要将自己内容分享给其他人时，只需要将仓库同步即可。
2024-11-17 20:05:52
629
原创 国产化框架PaddleYOLO结合Swanlab进行作物检测
粮食安全，作为人类生存与发展的基石，始终是全球关注的焦点。它不仅仅关乎粮食的充足供应，更涉及粮食的质量安全、营养健康以及可持续生产等多个维度。在全球化、气候变化和资源环境约束日益加剧的背景下，如何确保粮食安全，成为了各国政府和国际社会共同面临的重大挑战。随着科技的飞速发展，作物检测技术作为保障粮食安全的重要手段之一，正逐步走向精准化、智能化和高效化。
2024-09-26 17:32:24
809
原创 国产化框架PaddleClas结合Swanlab进行杂草分类
杂草是农业中的主要问题之一，对作物生长和产量造成严重威胁。传统的手动识别和管理方式效率低下且不够精确，因此需要借助先进的计算机视觉技术来提升农业生产的效率和质量。ResNet作为一种深度学习模型，在处理复杂的图像分类任务中表现出色，不仅可以有效解决农田中杂草多样化、形态复杂的问题，还能够推动农业智能化发展，减少对化学农药的依赖，实现农业可持续发展的目标。通过利用ResNet进行杂草分类，可以为农民提供更智能、精确的农业管理方案，促进农业生产效率的提升和农业产业的现代化进程。
2024-07-09 02:05:59
1621
原创 作物检测：YOLOv8+SwanLab
基于深度学习的作物检测通过精准管理和数据驱动决策，能够提高作物产量和质量，优化农业资源利用，推动农业自动化进程，从而保障粮食安全。目前，作物检测领域大多针对单类作物进行检测。因此，本项目基于SwanLab，使用YOLOv8模型实现对多类农作物(小麦、玉米、水稻、辣椒、甜菜苗、棉铃)的检测。通过该项目，不仅可以学习到YOLOv8模型对自定义数据集的检测，而且还可以深入了解SwanLab工具的作用。
2024-06-21 14:45:56
1658
3
原创 python、git使用总结git
1. 设置git的用户名和邮箱# 2. 初始化仓库git init# 3. 将项目添加到暂存区（全部）git add .git add filename (添加某一个文件)# 4. 将项目添加到本地仓库（并添加注释）# 5. 进入主分支# 6. 添加远程仓库地址# 7. 将项目上传到远程仓库。
2024-03-23 23:28:16
459
原创 Paddle实验
本实验使用sdd_vgg16_300_240e_voc.yml进行训练1. 训练2.测试本实验在训练后，会将训练的全部结果直接放在output中，因为output中并没有ssd_vgg16_300_240e_voc文件，因此，手动创建该文件，然后将所有结果手动导入该文件中。在预测过程中，如果预测的不是一张图片，那么需要使用--infer_dir放入的是图片文件夹路径，--infer_img放入的是图片路径。
2024-03-07 14:10:32
668
原创 使用matplotlib时发现的一些问题
解决：这是因为在使用plt.bar时，直方图默认的大小与你数值并不匹配，因为可以使用width=0.1(调大调小10倍都行，也可以不是10倍)解决：将横坐标、纵坐标以及标题的字体尺寸设置小一些。
2024-01-03 18:46:10
544
原创 目标检测YOLO系列：训练模型过程中遇到的各种问题总结
之前的数据集训练过，导致数据集文件夹中生成.cache的缓存文件。：找到数据集文件夹中的全部.cache文件，进行删除。
2023-12-20 16:48:57
2243
1
原创 目标检测：YOLOv8 + PySide6 可视化界面设计步骤
使用PySide6中自带的工具设计UI界面，并通过插件将.ui文件转换为.py文件（这样才可以进行顺利展示）。编写交互文件，绑定检测事件，通过使用YOLOv8模型权重进行预测，得到结果并渲染到UI界面。2. YOLOv8权重预测。
2023-12-10 22:54:49
6634
7
原创 MMDetetcion实验
1. 报错：pytroch-ssd : RuntimeError: Expected a 'cuda' device type for generator but found 'cpu'
2023-11-18 17:48:44
2244
9
原创 改进YOLOv8策略：改进YOLOv8上采样方式
目前深度学习常见的上采样有三大类，插值算法、反池化、转置卷积(反卷积);2019年又出现了轻量级上采样算子CARAFE。目前基于CARAFE上采样的改进方法有很多，为了提出不同的创新点，尝试使用其他轻量级上采样算子来进行改进。
2023-11-17 16:41:35
1245
1
原创 目标检测：记录YOLO系列实验的一些发现
在使用YOLO系列模型进行实验时，总会遇到各种各样的问题，比如：如何进行模块改进、如何做对比实验、如何进行计数等......本篇文章就是针对YOLO系列模型进行问题总结，将本人在实验过程中，所遇到的问题以及解决方法进行总结。图1YOLOv5：在val.py文件中，如图2中nl代表第i张图像的真实框个数，npr代表第i张图像的预测框个数。根据这两个值，可以计算出计数的评价指标。
2023-09-25 22:47:19
428
2
原创 解决：yolov5 TypeError: can‘t convert cuda:0 device type tensor to numpy. Use Tensor.cpu() to copy the
1. 在使用yolov5统计预测框数量时，在将Tensor类型的值转换成Numpy过程中出现的错误：TypeError: can't convert cuda:0 device type tensor to numpy. Use Tensor.cpu() to copy the tensor to host memory first.2. 原因：将一个在GPU上的Tensor类型转换为Numpy类型，没有将其先移动到CPU上。
2023-09-21 19:04:30
1218
1
原创 解决：yolov7 RuntimeError: [enforce fail at C:\actions-runner\_work\pytorch\pytorch\builder\windows\pyt
在yolov7训练过程中自动终止，并报错：RuntimeError: [enforce fail at C:\actions-runner\_work\pytorch\pytorch\builder\windows\pytorch\caffe2\serialize\inline_container.cc:337] . unexpected pos 118570752 vs 118570640。
2023-09-08 01:10:41
2526
1
原创 解决：yolov5在pip install ultralytics报错ERROR: Could not install packages due to an EnvironmentError
注明：在输入命令后，没有出现successfully installed pip-之前的pip版本号，重新使用pip install ultralytics居然成功了....本人解决方案：cmd以管理员身份进入，输入python -m ensurepip即可。
2023-09-02 10:51:04
2255
原创 解决：yolov5在pip install ultralytics时报错“UnicodeDecodeError: ‘gbk‘ codec can‘t decode byte 0x98 in....”
如图1，点击到倒数第二个错误时，File "C:\ProgramData\Anaconda3\lib\configparser.py", line 697, in read self._read(fp, filename)出现图2中encoding = encoding，将其修改为encoding = "utf-8"即可。1. 从下往上点击每一个报错点，指导出现encoding=None或encoding=encoding，将其修改为encoding = "utf-8"即可。
2023-09-02 10:39:51
1333
1
原创 解决：yolov7 RuntimeError: Given groups=1, weight of size [1, 64, 1, 1], expected input[1, 256, 64, 64]
将填入的注意力机制SEAttention，改为相对应yolov7.yaml修改的名称。1. 问题：在添加注意力机制时，出现问题。2. 解决：在yolo.py文件中进行修改。
2023-07-21 15:53:40
2055
1
原创 解决：yolov7 UnicodeDecodeError: ‘gbk‘ codec can‘t decode byte 0xa5 in position 3619: illegal multibyte
2. 解决：将yolov7.yaml文件中的中文注解删除。1. 修改了yolov7.yaml文件，出现的问题。
2023-07-18 14:12:37
458
2
原创 小目标检测工具：Anchors分析以及每个类别的散点图
1. Anchors目前存在问题：在小目标检测中，锚盒的设计方法主要是基于K-means等聚类算法对边界盒进行聚类，获取目标大小作为网络的先验信息。这种设计方法可以反映数据中大多数对象的大小，但大多数数据集存在长尾分布的情况，即一些对象样本远远超出其他样本。得到的锚盒主要反映样本较多的对象的大小，因此样本较多的类别检测性能较好，其他类别检测性能较差。2. 思考：根据以上存在的问题，对无人机数据集中的目标大小和锚盒大小进行统计分析是非常有必要的。如第三部分所示，横轴表示宽度，纵轴表示高度，以像素数为单位。
2023-07-11 22:44:27
419
2
原创 解决：yolov7 UnicodeDecodeError: ‘gbk‘ codec can‘t decode byte 0x89 in position 3006: illegal multibyte
1. 点击后缀为yolo.py报错提示，定位到yolo.py文件中。
2023-06-06 13:42:20
677
2
原创 小目标检测工具：测试自己数据集小目标所占比例
1. 图像大小与目标大小之比的中位数在0.08%~0.58%之间。2. 目标边界框的宽高于图像的宽高比例小于一定值，比例值为0.1。3. 目标边框面积与图像面积比值开方小于0.03。4. 根据目标实际覆盖像素与图像总像素之间比例来对小目标进行定义。1. 小目标定义为分辨率小于32 x 32像素。（COCO数据集定义）
2023-05-12 17:55:18
2246
2
原创 解决：torch.cuda.OutOfMemoryError: CUDA out of memory.
2. 解决：可以尝试将batch_size调小。1. 场景：在改进yolov7过程中出现错误。
2023-05-11 13:31:21
10914
1
原创 解决：RuntimeError: reflection_pad2d_backward_cuda does not have a deterministic implementation......
也就是说，在给定相同输入的情况下，当在相同的软件和硬件上运行时，算法总是产生相同的输出。启用后，操作将在可用时使用确定性算法，如果只有不确定性算法可用，则在调用时会抛出。如果不是对精度要求极高，其实不太建议修改，因为会使计算效率降低。找到torch.use_deterministic_algorithms()方法，将warn_only = False ，改为warn_only = True。如果为 True，则使潜在的非确定性操作切换到确定性算法或引发运行时错误。如果为 False，则允许非确定性操作。
2023-05-10 16:50:44
3167
3
原创 python - 动物识别产生式系统实验
以规则库建立二维数组list1,然后通过遍历事实数组list中的每一位事实，先在规则库list1行中找到与该事实相同的，再找list1中的列是否在list中存在，全部存在，则将该行规则的console加入list中，再遍历list中的下一条数据，直到遍历完成即可。在遍历过程中，一旦有console加入，则表明该条规则是满足推理的，所以对该条规则的每一位数据找到知识表中的具体对应，再找到与之对应的系统谓词进行修饰，最终给该规则建立id，放入字典，形成完整的推理过程。（在该部分的开头，修改数据库接口）
2023-05-06 14:57:21
8283
2
原创 解决：pycocotools unable to run: module ‘numpy‘ has no attribute ‘float‘. `np.float
3. 场景：在使用yolo2coco.py脚本中，将coco128数据集由txt文件转为json文件。4. 目的：在yolov5或yolov7中为了得到coco指标。2. 数据集：coco128。
2023-05-06 14:35:15
407
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人