Dandelion_2的博客

原创 基于PaddleDetection目标检测labelme标注自动获取

在百度的PaddleDetection项目的基础上实现目标检测labelme标注的自动获取，需要先训练一个模型，然后通过这个模型去标注，最后用labelme进行微调

原创 cmake示例

project(qrcode)cmake_minimum_required(VERSION 3.15)set(CMAKE_SYSTEM_NAME Linux)set(CMAKE_SYSTEM_PROCESSOR aarch64)set(CMAKE_C_COMPILER "aarch64-linux-gnu-gcc")set(CMAKE_CXX_COMPILER "aarch64-linux-gnu-g++")set(CMAKE_FIND_ROOT_PATH "aarch64-linux-gnu

原创 yolov3 build_targets函数

def build_targets(p, targets, model): # p的shape(YoloLayer_num, batch_size, anchor_num, grid_y, grid_x, xywh+obj_confidence+cls_num) # targets的shape为（num_groundtruth, 6), 其中数字6代表img_index+cls_index+xywh # model为整个yolo的model，以获取当前model对应YoloLayer

原创 江大白共学计划_Pytorch推理及范式_Lesson5

1.课程学习本节课主要对于大白AI课程：https://mp.weixin.qq.com/s/STbdSoI7xLeHrNyLlw9GOg《Pytorch推理及范式》课程中的第五节课进行学习。2.作业题目必做题：（1） 自己找 2 张其他图，用 Yolox_s 进行目标检测，并注明输入尺寸和两个阈值。两张图片的输入尺寸都是640*640，两个阈值分别是： conf_threshold = 0.6 nms_threshold = 0.45思考题：（1） Yolox_s：用 time 模块和

原创 一种把项目封装为DLL的方法

通过代理模式封装动态链接库：需要导出的类template class std::shared_ptr< ExpressSheetClass::Impl>;class ExpressSheetClass::Impl{public: Impl() {}; ~Impl() {}; void init(); cv::Mat getUprightImg(cv::Mat& image);private: std::string config_path = "config_

原创 江大白共学计划_Pytorch推理及范式_Lesson4

1.课程学习本节课主要对于大白AI课程：https://mp.weixin.qq.com/s/STbdSoI7xLeHrNyLlw9GOg《Pytorch推理及范式》课程中的第四节课进行学习。2.作业题目必做题：（1） 对 “./images/car.jpg” 做语义分割，提取出里面的车辆，模仿上课时，对“可视化推理结果”和“BGRA 四通道图”进行保存。可视化推理结果：“BGRA"四通道图像：（2） 自己找 2 张其他图，对图中某个类别进行分割，并保存“BGRA 四通道图”。图1：i

原创 江大白共学计划_Pytorch推理及范式_Lesson3

文章目录1.课程学习2.作业题目必做题：思考题：3 课程总结：1.课程学习本节课主要对于大白AI课程：https://mp.weixin.qq.com/s/STbdSoI7xLeHrNyLlw9GOg《Pytorch推理及范式》课程中的第二节课进行学习。2.作业题目必做题：（1） 把模型改为resnet18，加载相应的模型权重（Lesson2的物料包中有），跑一下0.jpg和1.jpg，看一下输出结果。结果：（2） 自己找2张其他图，用resnet18做下推理。图片：结果：

原创 江大白共学计划_Pytorch推理及范式_Lesson2

江大白共学计划_Pytorch推理及范式_Lesson2 课程作业必做题：（1） 从torchvision中加载resnet18模型结构，并载入预训练好的模型权重 ‘resnet18-5c106cde.pth’ (在物料包的weights文件夹中)。import torchimport torchvision.models as model# 从torchvision加载res18模型结构model = model.resnet18()# 加载权重pretrained_state

原创 python多线程处理图像

在做深度学习的时候，经常要处理各种数据，多线程可以加速处理图像import osfrom PIL import Imageimport numpy as npimport threadpoolnames = os.listdir("./STDC/before/")images = [img for img in names if img[-3] == "j"]def ThreadFun_c1(images): # 读取原文件夹 if images.endswith("

原创 百度PaddleOCR C++编译(Windows)

百度PaddleOCR C++编译(Windows)一、前置条件：（1）OpenCV3.4.6+（2）下载Cmake 3.0+（3）Visual Studio 2019（4）分别下载PaddleOCR项目(https://github.com/PaddlePaddle/PaddleOCR)、PaddleOCR模型(https://github.com/PaddlePaddle/PaddleOCR)、PaddleOCR预测库(https://paddleinference.paddlepaddle.

原创 Visual Studio 2017运行main函数带参数的C++程序

第一种方式通过cmd窗口运行，把运行目录改到项目文件中Debug目录下，输入程序的.exe文件和程序所需的参数。第二种方式打开项目属性页面，点击调试，在命令参数中输入所需参数即可，不过这种方式需要在这个地方改来改去，比较麻烦。...

原创 python中实例方法、类方法、静态方法

class Dog: dogbook = {'黄色':30, '黑色':20, '白色':0} def __init__(self, name, color, weight): self.name = name self.color = color self.weight = weight # 实例方法： 定义时，必须把self作为第一个参数，可以访问实例变量，只能通过实例名访问 def bark(self):

原创 TensorFlow模块：tf.image

模块：tf.image定义在：tensorflow/tools/api/generator/api/image/init.py用于Python API的导入.类class ResizeMethod函数adjust_brightness(…)：调整RGB或灰度图像的亮度.adjust_contrast(…)：调整RGB或灰度图像的对比度.adjust_gamma(…)：对输入图像执行Gamma校正.adjust_hue(…)：调整RGB图像的色调.adjust_saturation(…)：

原创 AttributeError: module ‘tensorflow‘ has no attribute ‘compat‘

tensorfolw的版本和tensorflow-estimator的版本不一致，重新安装和tensorflow版本一直的tensorflow-estimator

原创 中值滤波

#include<iostream>#include<opencv2/opencv.hpp>using namespace std;using namespace cv;Mat medianSmooth(const Mat& I, Size size, int borderType = BORDER_DEFAULT) { CV_Assert(I.type() == CV_8UC1); int H = size.height; int W = size.wi

原创 指针数组与数组指针

原创 面经

1.问项目2.c++问题：new和malloc区别；子类如何析构；深拷贝和浅拷贝；3.深度学习：NMS如何实现；yolo；MobileNet结构；池化反向传播

原创 Python 装饰器

计算一下输出从2到10000中的质数所需要的的时间，代码如下：import timedef is_prime(num): if num < 2: return False if num == 2: return True if num > 2: for i in range(2, num): if num % i == 0: return False

原创 dlib Library

Python:http://dlib.net/train_shape_predictor.py.htmlC++:http://dlib.net/http://dlib.net/face_landmark_detection_ex.cpp.html

原创 TF2.0图像分类实战（六）ResNet

ResNetResNet（Residual Neural Network）由微软研究院的Kaiming He等4名华人提出，通过使用Residual Unit成功训练152层深的神经网络，在ILSVRC 2015比赛中获得了冠军，取得3.57%的top-5错误率，同时参数量却比VGGNet低，效果非常突出。ResNet的结构可以极快地加速超深神经网络的训练，模型的准确率也有非常大的提升。ResNet最初的灵感出自这个问题：在不断加神经网络的深度时，会出现一个Degradation的问题，即准确率会先上

原创 TF2.0图像分类实战（四）VGGNet

VGGNet创新点VGGNet是牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司的研究员一起研发的的深度卷积神经网络。VGGNet探索了卷积神经网络的深度与其性能之间的关系，通过反复堆叠33的小型卷积核和22的最大池化层，VGGNet成功地构筑了16~19层深的卷积神经网络。VGGNet相比之前state-of-the-art的网络结构，错误率大幅下降，并取得了ILSVRC 2014比赛分类项目的第2名和定位项目的第1名。VGGNet论文中全部使用了

原创 TF2.0图像分类实战（三）AlexNet

AlexNet技术特点概要AlexNet是现代深度CNN的奠基之作。2012年，Hinton的学生Alex Krizhevsky提出了深度卷积神经网络模型AlexNet，它可以算是LeNet的一种更深更宽的版本。AlexNet中包含了几个比较新的技术点，也首次在CNN中成功应用了ReLU、Dropout和LRN等Trick。同时AlexNet也使用了GPU进行运算加速，作者开源了他们在GPU上训练卷积神经网络的CUDA代码。AlexNet包含了6亿3000万个连接，6000万个参数和65万个神经元，拥

原创 if cv2.waitKey(25) & 0xFF == ord(‘q‘): break的解释

首先，cv2.waitKey(1) & 0xFF将被执行。等待用户按1ms。如果用户按，例如，q，那么q的waitKeyreturnDECIMAL VALUE是113。在二进制中，它表示为0b01110001。接下来，执行AND运算符，两个输入分别是0b01110001和0xFF（0b111111111）。0b01110001AND0b11111111=0b01110001。确切的结果是DECIMAL VALUE的q其次，将左表达式0b01110001的值与ord(‘q’)进行比较。显然，这些值与

原创 TF2.0图像分类实战（二）加载自己的数据集

采用猴子数据集：一共10个类代码如下import tensorflow as tfimport pathlibimport randompath = './monkey/training/training'data_path = pathlib.Path(path)all_images_path = list(data_path.glob('*/*'))all_images_path = [str(path) for path in all_images_path] # 所有图片路径名

原创 TF2.0图像分类实战（一）Lenet

关于Lenet的理论方面，请参考：https://cuijiahua.com/blog/2018/01/dl_3.html本专栏所采用的数据集为猴子数据集，数据集获取：https://pan.baidu.com/s/1p1lG_AhsrMVu7N3BEm6YQw提取码：hqjp# 导入相应的库# 导入相应的库from tensorflow.keras.preprocessing.image import ImageDataGeneratorimport matplotlib.pyplot as

原创 动态规划 0-1背包问题

#include<iostream>#include<vector>#include<algorithm>using namespace std;int backpack(int* w, int* v, int W, int nums) { vector<vector<int>>res(nums+1, vector<int>(W+1, 0)); for (int i = 1; i <= nums; i++) {

原创 力扣 64

一共考虑四种情况：上和左都是边界，即起点；上是边界；左是边界；上左都不是边界class Solution {public: int minPathSum(vector<vector<int>>& grid){ if(grid.size() == 0){ return 0; } int m = grid.size(); int n = grid[0].size(); .

原创 tensorflow2.0实现GPU与CPU的切换

首先若不加任何配置情况下，是默认使用GPU的，在第一次调用GPU的代码之前加上下面一行就是用CPU计算了os.environ["CUDA_VISIBLE_DEVICES"] = "-1"

原创 9.基数排序

算法思想基数排序是按照低位先排序，然后收集；再按照高位排序，然后再收集；依次类推，直到最高位。有时候有些属性是有优先级顺序的，先按低优先级排序，再按高优先级排序。最后的次序就是高优先级高的在前，高优先级相同的低优先级高的在前。算法描述1.取得数组中的最大数，并取得位数；2.arr为原始数组，从最低位开始取每个位组成radix数组；3.对radix进行计数排序（利用计数排序适用于小范围数的特点）；算法实现C++...

原创 8.计数排序

算法思想计数排序是一种特殊情况下的一种排序：量大但是范围小比如：如何快速得知高考名次计数排序不是基于比较的排序算法，其核心在于将输入的数据值转化为键存储在额外开辟的数组空间中。 作为一种线性时间复杂度的排序，计数排序要求输入的数据必须是有确定范围的整数。算法描述找出待排序的数组中最大和最小的元素；统计数组中每个值为i的元素出现的次数，存入数组C的第i项；对所有的计数累加（从C中的第一个元素开始，每一项和前一项相加）；反向填充目标数组：将每个元素i放在新数组的第C(i)项，每放一个元素就将C(

原创 7.堆排序

算法思想堆排序（Heapsort）是指利用堆这种数据结构所设计的一种排序算法。堆积是一个近似完全二叉树的结构，并同时满足堆积的性质：即子结点的键值或索引总是小于（或者大于）它的父节点。算法描述1.将初始待排序关键字序列(R1,R2….Rn)构建成大顶堆，此堆为初始的无序区；2.将堆顶元素R[1]与最后一个元素R[n]交换，此时得到新的无序区(R1,R2,……Rn-1)和新的有序区(Rn),且满足R[1,2…n-1]<=R[n]；3.由于交换后新的堆顶R[1]可能违反堆的性质，因此需要对当前无

原创 6.归并排序

算法思想归并排序是建立在归并操作上的一种有效的排序算法。该算法是采用分治法（Divide and Conquer）的一个非常典型的应用。将已有序的子序列合并，得到完全有序的序列；即先使每个子序列有序，再使子序列段间有序。若将两个有序表合并成一个有序表，称为2-路归并算法描述1.把长度为n的输入序列分成两个长度为n/2的子序列；2.对这两个子序列分别采用归并排序；3.将两个排序好的子序列合并成一个最终的排序序列。...

原创 5.希尔排序

算法思想希尔排序是希尔（Donald Shell） 于1959年提出的一种排序算法。希尔排序也是一种插入排序，它是简单插入排序经过改进之后的一个更高效的版本，也称为缩小增量排序，同时该算法是冲破O(n2）的第一批算法之一。它与插入排序的不同之处在于，它会优先比较距离较远的元素。希尔排序又叫缩小增量排序。希尔排序是把记录按下表的一定增量分组，对每组使用直接插入排序算法排序；随着增量逐渐减少，每组包含的关键词越来越多，当增量减至1时，整个文件恰被分成一组，算法便终止。算法描述我们来看下希尔排序的基本步骤

原创 4.插入排序

算法思想插入排序（Insertion-Sort）的算法描述是一种简单直观的排序算法。它的工作原理是通过构建有序序列，对于未排序数据，在已排序序列中从后向前扫描，找到相应位置并插入。算法描述一般来说，插入排序都采用in-place在数组上实现。具体算法描述如下：1.从第一个元素开始，该元素可以认为已经被排序；2.取出下一个元素，在已经排序的元素序列中从后向前扫描；3.如果该元素（已排序）大于新元素，将该元素移到下一位置；4.重复步骤3，直到找到已排序的元素小于或者等于新元素的位置；5.将新元素

原创 3.快速排序

算法思想快速排序的基本思想：通过一趟排序将待排记录分隔成独立的两部分，其中一部分记录的关键字均比另一部分的关键字小，则可分别对这两部分记录继续进行排序，以达到整个序列有序。算法描述快速排序使用分治法来把一个串（list）分为两个子串（sub-lists）。具体算法描述如下：1.从数列中挑出一个元素，称为 “基准”（pivot）；2.重新排序数列，所有元素比基准值小的摆放在基准前面，所有元素比基准值大的摆在基准的后面（相同的数可以到任一边）。3…在这个分区退出之后，该基准就处于数列的中间位置。这个称

转载 python占位符

<div><p>占位符，顾名思义就是插在输出里站位的符号。占位符是绝大部分编程语言都存在的语法， 而且大部分都是相通的， 它是一种非常常用的字符串格式化的方式。</p><h2>1. 常用占位符的含义</h2><p>s : 获取传入对象的__str__方法的返回值，并将其格式化到指定位置</p><p>r : 获取传入对象的__repr__方法的返回值，并将其格式化到指定位置</p&gt...

原创 2.选择排序

选择排序思想选择排序(Selection-sort)是一种简单直观的排序算法。它的工作原理：首先在未排序序列中找到最小（大）元素，存放到排序序列的起始位置，然后，再从剩余未排序元素中继续寻找最小（大）元素，然后放到已排序序列的末尾。以此类推，直到所有元素均排序完毕。算法描述n个记录的直接选择排序可经过n-1趟直接选择排序得到有序结果。具体算法描述如下：1.初始状态：无序区为R[1…n]，有序区为空；2.第i趟排序(i=1,2,3…n-1)开始时，当前有序区和无序区分别为R[1…i-1]和R(i…n

原创 1.冒泡排序

冒泡排序思想基本思想: 冒泡排序，类似于水中冒泡，较大的数沉下去，较小的数慢慢冒起来，假设从小到大，即为较大的数慢慢往后排，较小的数慢慢往前排。直观表达，每一趟遍历，将一个最大的数移到序列末尾。算法描述1.比较相邻的元素，如果前一个比后一个大，交换之。2.第一趟排序第1个和第2个一对，比较与交换，随后第2个和第3个一对比较交换，这样直到倒数第2个和最后1个，将最大的数移动到最后一位。3.第二趟将第二大的数移动至倒数第二位…因此需要n-1趟；动图实现，（来源参考资料）代码实现：C++

原创 十大排序算法总结

排序算法是《数据结构与算法》中最基本的算法之一。排序算法可以分为内部排序和外部排序，内部排序是数据记录在内存中进行排序，而外部排序是因排序的数据很大，一次不能容纳全部的排序记录，在排序过程中需要访问外存。常见的内部排序算法有：插入排序、希尔排序、选择排序、冒泡排序、归并排序、快速排序、堆排序、基数排序等。用一张图概括：关于时间复杂度平方阶 (O(n2)) 排序 各类简单排序：直接插入、直接选择和冒泡排序。线性对数阶 (O(nlog2n)) 排序 快速排序、堆排序和归并排序；O(n1+§))

原创 图像算法面经总结

1.https://www.nowcoder.com/discuss/328520?type=post&order=time&pos=&page=1&channel=666&source_id=search_post2.https://www.nowcoder.com/discuss/262804?type=post&order=time&pos=&page=2&channel=666&source_id=search_pos