自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(11)
  • 问答 (1)
  • 收藏
  • 关注

原创 homography前传

它的作用是在图像中寻找具有显著纹理的“特征点”(如角点),所谓的“具有显著纹理的特征点”,通常指的是图像中那些在局部区域内灰度值(亮度)发生剧烈变化、具有明显方向性且易于被区分的像素点。【二维分数网络:其实就是网络输出的热力图(Heatmap),分数越高的地方,说明模型越觉得这个位移是正确的,所以把它理解成“分布”是非常合理的。但是,单应性矩阵使用的是齐次坐标,在齐次坐标系下,矩阵乘以一个非零的常数k,得到的变换效果是完全一样的(即 HH 和 kHkH 是等价的)。这样一来,9个元素减去1个尺度约束,

2026-08-27 17:14:38 205

原创 ultralytics YOLO框架 看懂教程二:cfg

Ultralytics框架的cfg模块是核心配置管理系统,提供统一的配置处理功能。该模块支持多任务模型(检测/分割/分类等)的默认配置映射,包含数据集、模型和评估指标的预定义配置。目录结构分为default.yaml主配置、datasets数据集配置和models模型配置(支持YOLOv8/v10等系列)。模块特性包括:支持文件/命令行多种配置源、严格参数验证、模块化设计以及良好的扩展性,通过类型检查和错误提示确保配置可靠性,实现"一次配置,多处使用"的理念,显著提升框架的灵活性和易用性

2026-02-14 11:43:57 576

原创 ultralytics YOLO框架 看懂教程一:Ultralytics 的_init_文件说明与Ultral的 MODELS

本文介绍了Ultralytics库的安装包结构及其支持的多种计算机视觉模型。主要内容包括:1. init.py文件实现了延迟导入机制,支持YOLO、YOLOWorld、SAM等7种模型;2. 详细说明了各模型的功能特点和使用方法,如YOLO系列的目标检测/分割/姿态估计、SAM的图像分割等;3. 提供了模型的通用操作示例,包括预测、训练、验证和导出;4. 展示了高级使用技巧和输入输出示例。该库通过统一接口简化了多种计算机视觉任务的应用开发。

2026-02-14 10:48:33 1076

原创 什么是虚函数

虚函数是 C++ 中实现多态的关键机制,允许通过基类指针或引用动态调用派生类的函数实现。它是面向对象编程中重要的特性之一,使得程序能够在运行时根据对象的实际类型调用对应的函数,而不是在编译时决定。虚函数使得派生类能够覆盖基类中的实现,从而实现灵活的功能扩展。

2024-11-14 12:25:41 715

原创 【python】装饰器的作用

now()被log装饰器装饰,输出call now()后,执行函数本身。today()被装饰器装饰,输出后,执行函数本身。由于保留了原函数的名称,因此输出today。

2024-11-13 20:25:17 207

原创 RT-DETR

RT-DETR 的网络架构是通过结合 CNN 和 Transformer 的优势,优化了目标检测流程,能够高效、准确地完成目标检测任务。其自注意力机制和特征融合技术使得模型能够处理复杂场景中的物体检测。

2024-10-18 21:54:33 1622

原创 关于yolo11的加入注意力机制改进后的yaml文件看懂教程

这段配置文件定义了一个 YOLOv11 对象检测模型,指定了模型的类别数、不同规模的参数、主干网络的结构和检测头的结构。每个模块的设计旨在优化特征提取和目标检测的效率与精度。用户可以根据具体需求调整参数和模块配置,以实现最佳性能。

2024-10-10 21:30:57 1624

原创 python之标准化

1.使用sklearn库:scikit-learn是一个常用的机器学习库,其中提供了StandardScaler类用于标准化数据。可以先创建一个StandardScaler对象,然后使用其fit方法拟合数据并计算均值和方差,最后使用transform方法对数据进行标准化。3.使用numpy库:numpy库是一个功能强大的数值计算库,也提供了一些函数用于标准化操作。可以使用mean函数计算均值,使用std函数计算标准差,然后使用简单的数学运算对数据进行标准化。以上是三种常见的标准化操作方式。

2023-09-10 19:55:56 3159 1

原创 学习笔记——pipeline是干嘛的

sklearn.pipeline.Pipeline 是scikit-learn库中的一个类,用于将多个数据处理步骤(例如特征提取、预处理和模型训练)组合成一个整体的机器学习流水线。Pipeline类的主要目的是将数据处理流程封装为一个可执行的模型对象,使得数据的处理过程更加简洁、可读性更高,并且方便进行交叉验证和模型评估。通过使用Pipeline,可以将多个数据处理和模型训练步骤组织在一起,形成一个整体的机器学习流水线,并简化机器学习工作流程的实现和管理。

2023-09-01 16:06:43 795 1

原创 学习笔记——sklearn库中PolynomialFeature类的介绍

即,只有原始特征和它们的乘积项会被生成。其中,x[0] ** 2 和 x[1] ** 2 表示原始特征 x[0] 和 x[1] 的平方项,x[0] ** 2 * x[1] 表示原始特征 x[0] 的平方项与 x[1] 的乘积项。总结来说,fit(X, y)用于训练模型,而fit_transform(X, y)用于拟合并转换数据,常见于需要对数据进行预处理或特征工程的情况。x[0] ** 2、x[1] ** 2 和 x[0] ** 2 * x[1] 被排除,因为它们是相同输入特征的高次方项。

2023-09-01 16:06:01 955 1

原创 关于学习《机器学习算法代码实现》的问题,主要使用的是sklearn工具包遇到的问题汇总

在之前的学习中 我们比较了三种策略:批量梯度下降,随机梯度下降,和小批量梯度下降Mini Batch方法,根据效果显示,批量梯度下降得到的拟合效果最好,直接逼近最优theta,但是缺点是速度太慢,需要用到的数据量巨大,耗费资源多,而且数据集越大,它的效率越低,随机梯度下降的范围太广,无法确定而且具有随机性,最后得出小批量梯度下降具有更实用的可用性,它的范围可确定且因为只取一小部分的数据集,每次进行的打乱操作shuffled(np.random.permutation)能确保实验数据不单一。

2023-08-29 15:53:07 390 1

环签名及其应用的研究_王玲玲.caj

环签名及其应用的研究_王玲玲.caj

2022-12-12

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除