Lutong99

前言最近感觉很是空虚，总是做什么事情都做一半，所以在这件事情来了之后，我决定要把它做好，这就是用Photoshop帮助别人做一群带有标号的图片，并且每一张图片上都有一个不同的二维码。 拿到底图 底图是这样子的，如下图， 需要替换的位置是，这张图片上的A001字样和右下角的二维码， 于是我立刻想到了，使用定义变量和导入数据组的方法，做出一个递增数列，将红色文字替换，但是二维码怎么办呢？ 使用Adobe acrobat Pro 提取文档中的二维码 发来文档的时候是这样的    每一页有十张二维码，一共329页，当时我在想，我是谁，我在哪，这是什么。。。。 但是我没有放弃，这点东西绝对不能阻止我 打开某度，开始搜索acrobat如何导出图片，在费尽千辛万苦之后终于找到了导出文档中的图片，而不是将pdf做成图片的方法， 点击二维码上面的此为图片，然后acrobat就会认识这种类型的图片。然后使用acrobat的工具中的导出所有图片。 导出后命名格式是这样的 这样看起来很乱，分不清哪张是哪张，然后接下来 ...

服务器软件使用说明 学生版本文以笔者所在学校东北大学秦皇岛分校（以下简称NEUQ）服务器设置为基础，说明了服务器的通用使用方式，其中只涉及软件部分，即硬件准备就绪的情况，包括但不限于电源，网卡，显示器、键盘等外部设备。 新购置的服务器通常预装了单一系统。在科研领域，特别是深度学习方面，Ubuntu系统因其免费、稳定性高和强大的社区支持而广受青睐。众多科研人员选择Ubuntu，使得其使用基数庞大，因此遇到的各种问题及其解决方案也十分丰富。对于初学者而言，这意味着他们可以从互联网社区中获取到大量的经验和帮助。 本文所有的设置与软件安装，基于Ubuntu 20.04 LTS版本。LTS是Long Term Support的缩写，意味着长期支持，因此系统通常较为稳定。一个稳定的操作系统对于实验环境至关重要，它是确保稳定进行实验研究的先决条件，为科研活动的顺利进行提供了必要的保障。 对于操作系统来说，我个人建议是不要安装图形界面，因为有些图形界面系统会导致一些系统中断。但另一方面，图形界面会让人有一个直观的感受，因此本文会介绍部分图形界面相关的内容。另外，对于计算机视觉方面的程序会有一些必须需要 ...

YOLOv5 理解学习 YOLOv5还没有论文出现，只公布了源码，本篇是翻译的YOLOv5 github仓库中的Issue YOLOv5 模型架构YOLOv5组成YOLOv5（v6.0/6.1）和普通的目标检测器相类似，由三个部分组成，分别为Backbone，Neck，Head，它们分别为 Backbone：New CSP-Darnet53 Neck：SPPF，New CSP-PAN Head：YOLOv3 Head YOLOv5架构图 YOLOv5 v6.0 与 YOLOv5 之前的版本，相比有一些小的变化 将 Focus 结构替换成为 $6\times6$ Conv （这个在 Issue 4825问题中有详细说明，是由开发者向ultralytics提出的验证，作者验证通过之后，便更新了这一点，不得不感叹社区的和谐 ） 12345678910class Focus(nn.Module): # Focus wh information into c-space def __init__(self, c1, c2, k=1, s=1, p=None, g=1 ...

YOLOv4 理解学习在经过YOLOv1，YOLOv2，YOLOv3之后，Joseph Redmon金盆洗手，不再更新了，在2020年4月，另一个作者Alexey Bochkovskiy 发布了YOLOv4：YOLOv4: Optimal Speed and Accuracy of Object Detection，得到了Joseph Redmon的认可。 我个人认为该论文写的要比YOLOv1，YOLOv2，和YOLOv3的论文要更加的详实，可以说是非常详细，至少比YOLOv3要详细的多。 首先在 YOLOv4 介绍YOLOv4在YOLOv3的基础上做了大量改进。加入了许多新的方法，使得这个方法更适合在单GPU上进行训练。YOLOv4主要使用了以下方法 CutMix 和 Mosaic 数据增强、DropBlock 正则化、类标签平滑 Mish 激活、跨阶段部分连接 (CSP)、多输入加权残差连接 (MiWRC) CIoU-loss、CmBN、DropBlock 正则化、Mosaic 数据增强、自我对抗训练、消除网格敏感性、使用多个Anchoor box处理单个基本事实、余弦退火调度程 ...

Windows下完成对应批量命名背景介绍在工作和学习过程中，常常需要用到重命名操作，命名内容在excel文件中，手动为每个文件进行命名费时费力，还非常容易出错，此时我们可以使用Windows下的批处理方法来进行重命名。下面是一个简单的案例。 首先我们有一个原始的Excel 文件 还有下面的这样一些文件 需要做的工作就是将这些文件由学号.txt一一对应的命名成姓名.txt 构建Windows Bat脚本在Excel中构建对应的文件名首先打开存着学号和姓名的excel文件 删除表头，并使用CONCAT函数将学号列和姓名列都加上文件的后缀名.txt（也可以是其它），得到下面这个样子 同理得到将命名的列，如下 CONCAT函数的作用：将所有输入的参数连接起来，可以查看CONCAT 函数 - Microsoft 支持 在前面加上一个ren 或者rename，如下： ren的作用就是将后面两个文件名中的第一个重命名为第二个，可以查看ren | Microsoft Learn 将ren和随后的两列，共三列选中复制到一个记事本文件中。 制作脚本将这个文件的文件扩展名改为.bat， ...

关于自己的一点点想法今天晚上在学校操场快速走路，走着走着我竟然跑了起来，仿佛是在逃避着什么，耳机播放着几年前唱的歌，歌声显得如此熟悉，却不如现在动听，随着自己的进步，对原来的批评和建议惭惭理解，但是却依然对这声音感到十分亲切，这是我进步的过程，但是听我歌声的人却越来越少了。 由此联想到，曾经弱小变到现在，很少有人看到原来的差劲，仿佛这能力与生俱来。即使是遇到，也只是一笑而过，短暂的钦佩，从头到尾都只有自己，愿意从始陪着自己慢慢前进，自己接受着自己，从平庸到变强，或者一直平庸，不管如何，不管什么发生，这大抵也许就是正常的生活。 但是我们却经常忘了自己，心里装着的人或事儿，大多是束缚，有时候做自己一下，枷锁却又变得更紧。 听着我从前的歌声，好想抱抱原来固执的自己，孤独的自己，曾经的自己想必一定是渴望有个人愿意陪着自己，尽管原来的歌声有些难听，有些稚嫩，但却是我最亲切的声音。 有时候有人会说，你做的这些自我感动的事情，毫无意义，其实不然，这有意义；每当说没有意义的时候，只是对言者没有意义或者是拖累。但对于行者而言，此绝非无用，这是能做的最好的事情，感动自己的事儿往往倾注了自己的全部 ...

YOLOv3 理解学习经过YOLOv1，YOLOv2(YOLO9000)之后，Joseph Redmon 迎来了他的又一新作 YOLOv3: An Incremental Improvement，YOLOv3这不是一篇正常的论文，只是一个工作报告。比较晦涩难懂。 YOLOv3 特点 YOLOv3保持了和前面的YOLOv1，YOLOv2一样的优点，就是快，另外在性能上提升了不少，精确度和SSD一样，但是速度却是SSD的三倍。 YOLOv3的锚框(Anchor Box)使用了3个锚框，依旧是采用聚类算法进行锚框的选择。 模型的网络结构更加的复杂采用的是Darknet-53 YOLOv3加入了多尺度预测的方法。 YOLOv3锚框的变化YOLOv3对预测框的偏移量是保持原来不变，和YOLOv2一样的，如下所示： bx=σ(tx)+cxby=σ(ty)+cybw=pwetwbh=phethPr(object)∗IOU(b,object)=σ(to)b_x = \sigma(t_x) + c_x \\ b_y = \sigma(t_y) + c_y \\ b_w = p_we^{t_w} ...

YoloV2 理解学习接替YOLO，YOLO的作者Joseph Redmon又改进了YOLO，做出了YOLO9000，也就是平常我们所说的YOLOv2；它的论文是YOLO9000: Better, Faster, Stronger 。发表在CVPR2017。 YOLOv2简介YOLOv2的原始论文叫做YOLO9000，YOLO9000的来历是，在2017年前，与其它任务相比，目标检测的数据集是非常少的，作者想到一种方法，将ImageNet中的分类数据集与目标检测的MSCOCO数据集一块儿训练，因为ImageNet中的数据集种类非常多，有几千种，将这两种数据集结合在一起训练则会有9000多种类别。因此YOLO9000就出现了，但是一块儿训练的效果有限。 YOLOv2特点由题目可以看出，YOLOv2有三大优点：分别是 Better，Faster，Stronger，我们分别对其进行介绍，因为Stronger不是目标检测方面的提升，因此暂时不讨论这个方面。 BetterYOLO与R-CNN相比，有更多的定位错误（Localization Errors），且目标都检测出的能力较低（Recall ...

pycharm & 浏览器使用远程jupyter & 资源视频演示

Yolov1 的学习最近在看Yolov5，但总感觉是丈二和尚摸不着头脑，于是就想着把所有的Yolo整个系列看一下，顺便了解一下整个计算机视觉目标检测方面的内容 Yolo v1的简介YOLO V1 （以下称为YOLO） 的论文是 You Only Look Once: Unified, Real-Time Object Detection ，这一篇论文发表在CVPR上面，CVPR 也是计算机视觉与模式识别的顶级会议。 YOLO 在当时首次出现就表现出了又快又准确的特点，简单来说就是：比我好的没我快，比我快的没我好。当时它快到一秒可以检测45张图片，也就是达到了 45FPS，即，实时检测。 与当时比较强的R-CNN类的框架相比，YoloV1是一个完成的一趟下来的框架，因此它没有中间繁琐的流程，一次搞定，这也就是它为什么快的原因。 YOLO 特点YOLO is refreshingly simple: Yolo的识别如下图所示 YOLO 是一个联合的完整的模型，有以下优点： 它非常快，因为它把图像预测作为一个回归问题来进行，就是说将图片的像素当成数字，直接输出一串概率向量。 它看整张图片 ...