摘要:
透视变换的原理可以参看这篇博客,讲得相当好了 https://blog.csdn.net/guduruyu/article/details/72518340 唯一有一点问题是,博客中提到的透视变换公式: 与cv2中的不完全对应,cv2中的公式实际上是 其实原理上是一样的,但是这关系到输入数据的格式 阅读全文
摘要:
1.现在的python通常使用argparse来传参,可以在运行python文件时对超参数的值进行改变,可以不用改变代码,也可以多组参数同时测试。 但是如果要对大量超参数进行尝试(炼丹)时,手动输入似乎力有不逮。因此shell脚本就有用武之地。 可以用一个循环将所有超参数依次输入。 for((i=1 阅读全文
摘要:
1.win路径在python中“\”会被识别成转义符,不太聪明的亚子 在字符串引号外面加上“r”即可。 如: root = r'H:\train\rgbr\real\RGB_001.jpg' 就可以识别路径了。 阅读全文
摘要:
是 https://blog.csdn.net/AAAAshin/article/details/106793101#comments_13207070 中的第3种方法 也就是https://github.com/xwjabc/hed中使用的 (评价指标可以参考:https://blog.csdn. 阅读全文
摘要:
1.xshell连接centos,一段时间自动断开链接 报错:Socket error Event: 32 Error: 10053.Connection closing...Socket close. Connection closed by foreign host. xshell过一段时间没有 阅读全文
摘要:
1.测试时不需要梯度: with torch.no_grad(): out = net(input) 2.可视化网络生成的图片(整个batch) from torchvision.utils import save_image out = net(input) save_image(out,'./a 阅读全文
摘要:
Deeplab v1: 1.条件随机场(CRF)的作用:CNN经过多层卷积,获取足够多的语义信息,有平移不变性,重复池化和下采样导致分辨率大幅下降,位置信息丢失难以恢复,导致最后定位不准,CRF可以解决这个问题(RCF在测试时用,不参与训练时的反向传播) 2.deepLab v1创新点:引入空洞卷积 阅读全文
摘要:
首先指定GPU: 两种方法:1.在命令行指定:CUDA_VISIBLE_DEVICES=3,0,1,2 python main.py 也就是在普通的python main.py 命令前加 CUDA_VISIBLE_DEVICES=gpu编号 注意:等号两边不能有多余的空格 2.在main.py最前面 阅读全文
摘要:
这四个指标是对你预测结果而言。无论是对错与正负,都是指你的预测结果 真值不用你来评价,肯定都是对的 所以TP是指,预测结果是对的,预测值为正样本。 阅读全文
摘要:
pytorch可视化工具也不少,但是使用门槛比较高:配置麻烦,使用麻烦,还需要FQ,实力劝退一波。今天发现一个可视化神器 netron,与大家分享一下 这款可视化工具支持多种方式安装(exe是小白最爱),不需要在网络代码中做任何更改。 使用方法: 1.安装netron:https://github. 阅读全文