xue_csdn的博客

python多线程实现定时

xue_csdn — Mon, 15 Nov 2021 14:54:20 +0800

常规的多线程代码： import threading runWebVedio(i): ... fun_timer(x): ... th1 = threading.Thread(target= runWebVedio, args=(1,), name="thread1") th2 = threading.Thread(target= fun_timer, args=(x,), name="thread2") th1.start() th2.start() 但是几个线程没有先后执行顺序。上一篇文.

python多线程按顺序执行

xue_csdn — Fri, 12 Nov 2021 10:45:32 +0800

3种不同的队列类 q=Queue(maxsize):创建一个FIFO(first-in first-out,先进先出)队列。maxsize是队列中金额以放入的项的最大数量。如果省略maxsize参数或将它置为0，队列大小将无穷大。 q=LifoQueue(maxsize)：创建一个LIFO（last-in first-out，后进先出）队列(栈)。 q=PriorityQueue(maxsize)：创建一个优先级队列，其中项按照优先级从低到高依次排好。使用这种队列时，项应该是(priority,

python获取特定时间戳

xue_csdn — Fri, 08 Oct 2021 11:20:30 +0800

1、获取当前时间之前的时间戳 import datetime now = datetime.datetime.now() #前1天1小时1分钟1秒之前的时间 now - datetime.timedelta(days = 1, hours = 1, minutes = 1, seconds = 1) first_day = datetime.date.today().replace(day = 1)#本月1号 last_month = first_day - datetime.timedelta(d

Python 串口发送十六进制数据

xue_csdn — Thu, 16 Sep 2021 14:37:02 +0800

1、安装serial库 pip install pyserial 如果想要提速，参考用pip install安装库时如何提速_xue_csdn的博客-优快云博客1、临时提速在 pip install 包名后面加上 -i + 镜像地址国内主要镜像地址如下：清华：https://pypi.tuna.tsinghua.edu.cn/simple阿里云：http://mirrors.aliyun.com/pypi/simple/中国科技大学 https://pypi.mirrors.ustc.edu.cn

树莓派4b 串口通信实现自发自收

xue_csdn — Fri, 06 Aug 2021 21:12:39 +0800

1、树莓派串口映射设置运行以下命令： ls /dev -al 出现串口映射的情况，但是此时是在默认状态下，serial0(就是GPIO14,15)是映射到ttyS0的，serial1（跟板载蓝牙相连）映射到ttyAMA0，ttyAMA0是硬件串口，它的时钟频不受CPU影响。也就是和现在图中的两个串口映射刚好相反（默认情况下的没截图）。图1 一般串口都是用的ttyAMA0，要想和GPIO接，需要把映射状态调换一下。执行以下操作。（1）打开串口调试 sudo raspi-config

用pip install安装库时如何提速

xue_csdn — Tue, 24 Nov 2020 13:09:49 +0800

1、临时提速在 pip install 包名后面加上 -i + 镜像地址国内主要镜像地址如下：清华：https://pypi.tuna.tsinghua.edu.cn/simple 阿里云：http://mirrors.aliyun.com/pypi/simple/ 中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/ 华中理工大学：http://pypi.hustunique.com/ 山东理工大学：http://pypi.sdutlinux

如何让你的YOLOV3模型更小更快？

xue_csdn — Thu, 13 Aug 2020 17:07:12 +0800

1. 前言之前讲过关于模型剪枝的文章深度学习算法优化系列七 | ICCV 2017的一篇模型剪枝论文，也是2019年众多开源剪枝项目的理论基础并分析过如何利用这个通道剪枝算法对常见的分类模型如VGG16/ResNet/DenseNet进行剪枝，见深度学习算法优化系列八 | VGG，ResNet，DenseNe模型剪枝代码实战，感兴趣的可以去看看。这篇推文主要是介绍一下如何将这个通道剪枝算法应用到YOLOV3上，参考的Github工程地址为：https://github.com/Lam1360/YOL

YOLOv3通道+层剪枝，参数压缩98%，砍掉48个层，提速2倍！

xue_csdn — Wed, 12 Aug 2020 21:27:14 +0800

尽管目标检测新算法层出不穷，但在实际工程项目中不少52CV群友还是念着YOLOv3的好。将其部署到边缘设备等时，模型剪枝是非常有必要的，毕竟有原始模型有239M的参数，剪枝后往往也能提速不少。比如之前52CV曾经分享过： YOLOv3模型剪枝，瘦身80%，提速100%，精度基本不变 YOLOv3剪枝再升级！上述剪枝是减少模型通道数，而今天向大家介绍的工程可以实现通道和层的双向剪枝，在oxford hand 数据集hand检测问题中，作者实验中可以实现精度下降很小而参数减少 98%，砍掉 48 个

YOLOV3中k-means聚类获得anchor boxes过程详解

xue_csdn — Thu, 30 Jul 2020 17:29:13 +0800

我们都知道yolov3对训练数据使用了k-means聚类的算法来获得anchor boxes大小，但是具体其计算过程是怎样的呢？下面我们来详细的分析其具体计算过程：第一步：首先我们要知道我们需要聚类的是bounding box，所以我们无需考虑其所属类别，第一步我们需要将所有的bounding box坐标提取出来，也许一张图有一个矩形框，也许有多个，但是我们需要无区别的将所有图片的所有矩形框提取出来，放在一起。第二步：数据处理获得所有训练数据bounding boxes的宽高数据。给的...

YOLOv3网络改进(二)（未完）

xue_csdn — Thu, 30 Jul 2020 11:18:10 +0800

参考： https://www.zhihu.com/question/308366100 https://www.pythonheidong.com/blog/article/409533/ 1、根据自己的数据集重新计算anchor值官网或者AlexeyAB的yolov3.cfg中，都是是3个检测尺度共9个anchors，但是不同数据库的anchors值不一样，如果只用默认的anchor值，会造成检测框不精确，所以对于自训练模型来说，根据自身数据集或者网络的特征尺度的修改情况，来修改anchor值

YOLOv3网络改进(一)

xue_csdn — Thu, 30 Jul 2020 10:48:52 +0800

参考：https://www.pythonheidong.com/blog/article/409533/ 在官网或者AlexeyAB中，YOLOv3的推理过程是用route把第85和61层、97和36层特征拼接在一起，在13x13尺度的基础上，增加了26x26、52x52两个尺度。但是如果想要对更小的目标做检测时，增加浅层网络的FPN，即继续按照同样的拼接原理，将上采样之后的特征与浅层网络特征拼接，完成第4个甚至第5个特征尺度。接下来介绍如何增加第4个尺度。原始yolov3结构增加第4个尺度104x

仅修改darknet.py对视频做目标检测

xue_csdn — Tue, 09 Jun 2020 16:16:12 +0800

在Darknet框架中，自带的darknet.py可以使用weight、cfg、coco.data（或者voc.data）、coco.names（voc.names），以及在darknet路径下make生成的libdarknet.so（如图1），利用这些文件即可完成图片中的目标检测，并标出检测框。图1 图2 darknet.py的主函数但是对于检测视频来说，darknet.py中的detect函数，第3个参数是“data/dog.jpg”，是图片带路径的文件名，而opencv读取视频是这样操...

Python之二维列表换行输出

xue_csdn — Tue, 09 Jun 2020 15:12:01 +0800

代码： a=[] for i in range(5): a.append([]) for j in range(3): a[i].append(j) print(a) 输出： [[0, 1, 2], [0, 1, 2], [0, 1, 2], [0, 1, 2], [0, 1, 2]] 但是想要把二维数组换行输出，更直观，用numpy是最简单方便的，修改为： import numpy as np a=[] for i in range(5): a.ap

Python之10道最高频的手撕代码题

xue_csdn — Tue, 09 Jun 2020 13:55:57 +0800

1、快速排序题目形式：手写一下快速排序算法。题目难度：中等。出现概率：约50%。手写快排绝对是手撕代码面试题中的百兽之王，掌握了它就是送分题，没有掌握它就是送命题。参考代码： def quick_sort(arr,start=0,end=None): if end is None: end = len(arr)-1 if end<=start: return(arr) i,j = start,end ref = arr

Python之读取键盘输入到一维列表及二维列表

xue_csdn — Tue, 09 Jun 2020 13:28:35 +0800

在网站上刷一些题的时候，经常涉及到从键盘的终端输入读取一系列参数，并把相应的参数存储到列表里的情况。 1、Python读取列表的集中方式 Python3 input() 函数： Python3.x 中 input() 函数接受一个标准输入数据，返回为 string 类型。注：在 Python3.x 中 raw_input() 和 input() 进行了整合，去除了 raw_input( )，仅保留了input( )函数，其接收任意任性输入，将所有输入默认为字符串处理，并返回字符串类型。 sys.st

YOLOv4(暂不完整持续更新)

xue_csdn — Mon, 11 May 2020 17:13:12 +0800

YOLOv4: Optimal Speed and Accuracy of Object Detection 论文：https://arxiv.org/abs/2004.10934 代码：https://github.com/AlexeyAB/darknet 论文中提到，在COCO数据集上，YOLOv4比YOLOv3提升了10%的AP和12%的fps，所以YOLOv4更加快速、精准。达到这种效果，主要原因是YOLOv4将很多单独的优化算法做了集成，包括： Weighted-Residual-

YOLOv3

xue_csdn — Fri, 08 May 2020 20:39:55 +0800

如果单纯跟着论文一步步的翻译，是很难理清思路的。需要整理出YOLOv3哪些部分是保留了前2个版本，哪些是创新之处。 2.1 bbox预测Bounding Box Prediction 和YOLOv2一样，采用尺度聚类作为anchor box来预测bbox 在训练期间利用均方和误差，如果预测坐标的ground truth是tˆ，那相应的梯度就是ground truth值...

YOLO 9000

xue_csdn — Thu, 07 May 2020 16:12:32 +0800

YOLO 9000和YOLOv2使用相同的网络结构。利用分类、检测的联合训练机制，利用ImageNet非常大量的分类样本，联合COCO的对象检测数据集一起训练，使得YOLOv2即使没有学过很多对象的检测样本，也能检测出这些对象。这就是YOLO9000的由来。在此利用了WordNet这个语言数据库。（这部分让我有些头大......看不太懂）为了...

YOLOv2

xue_csdn — Thu, 07 May 2020 15:49:46 +0800

YOLOv1拙见https://blog.youkuaiyun.com/xue_csdn/article/details/105949984 YOLOv2相比YOLOv1，预测更准确（Better），速度更快（Faster），识别对象更多（Stronger） 1、Better （1）批归一化BN BN（Batch Normalization）这里就不详细介绍了。 BN其实在YOLOv1中...

YOLOv1

xue_csdn — Wed, 06 May 2020 14:19:05 +0800

YOLO是典型的one-step，将候选区的确定和检测过程合二为一，检测时间大大缩短。 YOLOv1 1、直接上网络结构图 2、训练过程在训练之前，先在ImageNet上进行了预训练，其预训练的分类模型采用网络结构图中前20个卷积层，然后添加一个average-pool层和全连接层。预训练之后，在预训练得到的20层卷积层之上加上随机初始化的4个卷积层和2个全连接层。由于检测任...