zxs0222的博客

torch bug 实验记录

将二维tensor矩阵中不为0元素转换为一维向量

Crowd counting Test get density map and counting number.

Crowd Counting 利用train好的model进行测试

Crowd Counting 加载数据集图像及标注

我在使用不限速「阿里云盘」，赠送你 500GB 快来试试吧 ------------点此链接领取福利：https://pages.aliyundrive.com/mobile-page/web/beinvited.html?code=82530df点上面这个链接注册阿里网盘（网速很快哦），可以直接得500G（我也可以得500G）之后私聊我分享《深度学习与Pytorch视频教程》全套...

图像处理任务或者日常生活中常用的一个操作：对文件夹中的图像进行批量重命名，并调整文件夹中图像的大小：import osimport cv2def rename(): image_floder="./image_floder/" number = 0 files = os.listdir(image_floder) for file in files: print(image_floder+file+" Change to --> "+image_floder+str(num

在我们平时处理文件（图像）时，往往需要对于二级目录下的文件进行重命名，其形式如下：files | |---------dir1 | |--------------aaa.jpg --------------bbb.jpg | |---------dir2 | |--------------ccc.jpg ...

存在一个文件夹，其中放着若干图像，现在想对这些图像，根据其明亮程度进行分类，分为10类（0-9），将图像自动移动到对应的类别中；其中涉及：1）读取图像的Y-U-V值，其中Y值代表图像的亮度；2）python中的文件读写操作；3）使用shutil进行文件的移动；# 这部分的代码可以参考用于文件的移动；可以处理其他任务；以下是代码部分：import osimport sysimport cv2import shutildef getTheBright(path): """

Crowd counting的数据集包括两部分：图像部分和标签部分标签部分主要包括每个人头的坐标点：（x, y）；常见的标签格式例如：ShanghaiTech数据集中的格式，用mat文件存储每个人头的坐标点，一张图像对应一个mat文件；当我们自己制作数据集时，需要经历以下几个步骤：1）拍摄图像或者视频；视频需要切分成帧；2）在图像上进行标点，标点的同时会记录下坐标点；3）根据这些坐标点生成每张图像对应的.mat文件；4）在训练时，将mat文件中的坐标转换为density .

Crowd counting 常用数据集及下载地址：包括：ShanghaiTech 数据集UCF_CC_50 数据集World 10 数据集Mall 数据集USCD 数据集百度网盘下载地址：ShanghaiTech 数据集地址：链接：https://pan.baidu.com/s/1bDy-GgYi9C_R5hUuK6iZDg 提取码：c4pvUCF_CC_50 数据集地址：链接：https://pan.baidu.com/s/1Ehohkb9Q_wc..

在Crowd counting领域，常用的训练方法是estimate density map，这种数据可利用高斯核函数得来，在MCNN论文中有具体过程；也可参加这篇博客：https://blog.youkuaiyun.com/zxs0222/article/details/107900465存储density map的文件目前有两种：.h5文件和.cvs文件，而数据集中常见的是.mat文件，其中记录着所有人头的中心坐标点。利用.mat生成.h5的过程可参见这篇博客：https://blog.youkuaiyun.com

import torch.nn as nnimport torchfrom torch.nn import functional as Ffrom torchvision import modelsclass VGGModel(nn.Module): def __init__(self): super(VGGModel, self).__init__() self.VGG_feat = [64, 64, 'M', 128, 128, 'M', 256, 2.

需求：不同的图像有不同的明亮等级，现有文件夹a，要将a中的图像（若干张）根据图像的明亮等级分为0-10，且自动分配到不同的文件夹中；如下图所示，图1为过度黑暗场景，图2为明亮场景；主要工作：将RGB到YUV空间的变化，计算Y值，并将Y值归一化，根据得到的等级进行分类；文件目录：illumination_test_images文件夹：存放需要分类的图像；illumination-level.txt：用来存放每张图像的明亮等级；illumination-test.py：主要执

一、只将冒号变为dot：1、添加\usepackage{caption}2、在\begin{document}加一句：\captionsetup{labelformat=default,labelsep=period}参数控制：%space去掉点%period加点%不加space、period这两个就是冒号二、深度定制：例如可将Figure 变为 Fig 等：1、添加\usepackage{caption}2、在\begin{document}加：\captio.

代码很简单，仅用于个人回忆以及学习：import scipy.io as iofor i in range(1, xxx): mat_road = "./GT_IMG_"+str(i)+".mat" mat = io.loadmat(mat_road) gt = mat["image_info"][0,0][0,0][0] print("The number of "+str(i)+" is: "+str(len(gt)))...

新鲜的拒稿通知——主题不符内容如下：Thank you for submitting your manuscript to xxx (期刊名). After careful evaluation, I regret to inform you that your manuscript does not fit within the scope of the journal, and I must therefore reject it. I hope you are successful in.

在进行训练前，会根据.mat标注文件形成h5文件，在此对于h5文件进行可视化；代码比较简单，仅供学习~import numpy as npimport matplotlib.pyplot as pltfrom matplotlib import cm as CMimport h5pyf = h5py.File('IMG_77.h5', 'r')groundtruth = np.asarray(f['density'])plt.imshow(groundtruth,cmap=CM.je

通常，corwding counter任务中数据集只有图像和对应的标注文件，标注文件中为每个人的坐标（一个人对应一个坐标）。如果需要采用density map进行训练的话，需要生成对应的density map。本代码用于将mat文件生成对应的density map；最终用.h5文件保存；import h5pyimport scipy.io as ioimport PIL.Image as Imageimport numpy as npimport osimport globfrom

现有的Crowding Counter任务数据集大小均不大，例如ShanghaiTech数据集的大小就几百张，因此为了增强训练的效果，通常会将数据集进行扩充，较为简单的方法就是将原始的图像进行局部裁剪，从而达到扩充的目的。以下代码以ShanghaiTech的数据集为示例（不同示例数据集的.mat文件读取方法不同）文件说明：原始.mat文件放在groundPath/下；原始图像放在imagePath/下；因为将一张图像裁剪为9份，因此用for循环控制每一次的图像存储到单独的一个文件夹中；

在深度学习进行数据训练时，通常需要划分训练集、验证集和测试集，有一种做法就是不进行数据的划分，而使用.json格式的数据来指定哪些数据用来训练、哪些数据用于测试；本代码用于生成json格式的文件，（仅供学习以及个人回忆）import jsonfrom os.path import joinimport globimport random# path to folder that contains imagesimg_folder = './justPoint/big_image/'

密集人群计数，现在大家都使用密度图（density map）来进行预测人数；发现这篇简书文章对于密度图的原理讲解的比较详细，故搬来学习：https://www.jianshu.com/p/a1006c4b6fdc假设图像中的人头大小是固定的，例如MCNN中使用几何自适应高斯核来估计图像中每个人头的大小并转换为密度图；密度图中各个人头区域的概率之和为1，得到完整的人群图像密度图后，对其进行积分则是人群数目；经典文章：《Single-Image Crowd Counting via Mu

ShanghaiTech数据集是适用于密集人群计数领域的经典公开数据集，其分为A\B两部分，原始数据集的图像尺寸各不相同，且标注文件和图像尺寸相对应，在使用过程中，可能需要对于图像的尺寸进行调整，同时也需要修改标注文件；文件结构：文件夹：afterProcess（带标注示意图），ground_truch（原始数据集mat文件），img（原始数据集图像文件），new_ground_truth（新生成的mat文件），new_image（新生成的图像文件），均在同一个文件夹下；为了方便，.py文件也在

事情的起源是因为：之前安装了1.0.0版本的torch和0.1.0版本的torchvision，结果在导入下面这个模块的时候就报错了from torchvision.ops import RoIPool查找资料后发现，这个模块需要 torch 1.2.0 及以上 + torchvision 0.3.0 及以上；所以重新安装，由于显卡环境为CUDA 8.0，python为3.5版本，因此可以通过下面这个命令安装：安装命令：conda install pytorch==1.2.0 t

import cv2 as cvimport numpy as np # 读入图片src = cv.imread('1.jpg') # 调用cv.putText()添加文字text = "set"AddText = src.copy()cv.putText(AddText, text, (10, 10), cv.FONT_HERSHEY_COMPLEX, 2.0, (100, 200, 200), 5) # 将原图片和添加文字后的图片拼接起来res = np.hstack([src.

数据的格式为坐标构成的list，要将这些点绘制在图片上并保存：import osimport sysimport cv2imagePath="./img/"image = cv2.imread(imagePath+"1.jpg")point_size = 1point_color = (0, 0, 255) # BGRthickness = 4 # 0 、4、8# 此处省略得到坐标的过程，coordinates存放坐标# 格式为：coordinates=[[x1,y1],[

放假前需要测试ResNet的准确度，本想着这么经典而又朴素的网络，因为有很多现成的代码可以用于学习，但大多数都只是对于网络的关键架构进行介绍以及代码实现，而对于新手来说需要一个完整可跑的框架，寻找着实不易。在git上寻找了很久，终于找到了这个可用的框架，今天对于其中的重要文件进行记录，也作为个人的回忆；git地址：https://github.com/wenxinxu/resnet-in-tensorflow该代码原本使用的是cifar数据集，并且需要从网络上进行下载，图片大小格式默认为32*3

分享一段可以用于测试tensorflow网络结构的代码；通常我们在修改网络结构的时候，例如改变网络层数、输入输出尺寸，都需要去探索网络的结构是如何的，以及修改完以后能不能正常使用网络，那么就需要网络的测试代码来对于原有网络中的结构进行一点一点的测试以及修改尝试；基本的神经网络单元包括有输入尺寸、定义卷积核、定义激活函数、定义卷积层、定义padding以及输出的尺寸，也可能涉及标准化等操作，可以如下面的代码所示，对于这些内容进行修改，并且可以将自己网络中的结构替换过来，以进行网络结构的测试；im

xml文件格式：<?xml version="1.0" encoding="utf-8"?><TrainingImages Version="1.0"> <Items number="37778"> <Item imageName="00016450.jpg" vehicleID="0001" cameraID="c001" colorID="1" typeID="4" /> <Item imageName

相同的网络、相同的参数（学习率、epoch），如果数据集随机划分为1：1，每次训练的结果都会不一样如下图，迭代100次，学习率均相同第一次第二次可以发现两次训练的结果还是有差异的，甚至在一些训练时模型直接崩溃，正确率始终在30%左右徘徊；...

因为制作数据集所需，需要批量将文件夹下的图像后缀由.png修改为.jpg，记录一下修改代码。文件夹格式：Test文件夹下包含N个子文件夹，每个子文件夹下包含M张后缀为.png的图片。import osorigin_file="Test/" #这个是最顶层的文件夹，只需要修改这一个参数即可files=os.listdir(origin_file)for file in f...