常用编辑快捷键快捷键功能描述Ctrl+Enter执行SQL语句F8运行到光标所在的行Ctrl+D删除当前行Ctrl+Z撤销操作Ctrl+Shift+Z重做操作Ctrl+F查找、替换文本F3查找下一个匹配的文本Ctrl+A全选文本Ctrl+/给当前行添加或移除注释（行注释）Ctrl+Shift+/给选定的代码块添加或移除注释（块注释）Ctrl+Alt+F

语义分割: 仅区分物体类别，不区分不同实例。实例分割: 区分同一类别下的不同实例。全景分割: 综合语义分割与实例分割，全面标注所有像素，处理背景与物体实例。这些任务在自动驾驶、机器人视觉、医学影像分析等领域都有广泛应用，并且在模型设计上有不同的挑战和要求。注意，这边红色部分指的是预测值为0而实际非0绿色部分指的是预测为0并且实际也为0灰色部分指的是预测就不为0的区域对于右边的表格，其含义是在预测标

类别分布：扇贝（15%，80% 为小目标）、海胆（40% 为小目标）、海参、海星；数据痛点：图像存在蓝绿偏色、模糊、散射干扰，标注含无效框，类别不平衡（扇贝样本稀缺）。数据层面：设计水下专用图像增强流程，解决了图像偏色、模糊问题；模型层面：通过锚框定制、网络改进、损失函数优化，使 mAP@0.5 达 84.58%；工程层面：开发轻量化可视化系统，支持实际场景应用。

在构造模型时，我们在该容器中依次添加层。当给定输入数据时，容器中的每一层将依次计算并将输出作为下一层的输入。# forward 定义前向传播return yprint(net) # 使用print可以打印出网络的结构LinearNet(print(net)可以通过来查看模型所有的可学习参数，此函数将返回一个生成器。回顾图3.1中线性回归在神经网络图中的表示。作为一个单层神经网络，线性回归输出层中的

类别分布：扇贝（15%，80% 为小目标）、海胆（40% 为小目标）、海参、海星；数据痛点：图像存在蓝绿偏色、模糊、散射干扰，标注含无效框，类别不平衡（扇贝样本稀缺）。数据层面：设计水下专用图像增强流程，解决了图像偏色、模糊问题；模型层面：通过锚框定制、网络改进、损失函数优化，使 mAP@0.5 达 84.58%；工程层面：开发轻量化可视化系统，支持实际场景应用。

Sequential”是PyTorch中的一个容器，用于按顺序包含一系列子模块。接下来，可以使用Sequential来定义模型。以下是一个简单的卷积神经网络（CNN）的例子，该网络用于处理图像数据：Flatten(),return xL1Loss（L1范数损失）计算输入和目标之间的绝对差值的平均值（当时，默认设置），或者它们的总和（适用于回归问题，它衡量的是预测值与实际值之间的绝对距离。MSELo

网络中的亮点：Ø 超深的网络结构(突破1000层)Ø 提出residual模块Ø 使用Batch Normalization加速训练(丢弃dropout)

类别分布：扇贝（15%，80% 为小目标）、海胆（40% 为小目标）、海参、海星；数据痛点：图像存在蓝绿偏色、模糊、散射干扰，标注含无效框，类别不平衡（扇贝样本稀缺）。数据层面：设计水下专用图像增强流程，解决了图像偏色、模糊问题；模型层面：通过锚框定制、网络改进、损失函数优化，使 mAP@0.5 达 84.58%；工程层面：开发轻量化可视化系统，支持实际场景应用。

在构造模型时，我们在该容器中依次添加层。当给定输入数据时，容器中的每一层将依次计算并将输出作为下一层的输入。# forward 定义前向传播return yprint(net) # 使用print可以打印出网络的结构LinearNet(print(net)可以通过来查看模型所有的可学习参数，此函数将返回一个生成器。回顾图3.1中线性回归在神经网络图中的表示。作为一个单层神经网络，线性回归输出层中的

Sequential”是PyTorch中的一个容器，用于按顺序包含一系列子模块。接下来，可以使用Sequential来定义模型。以下是一个简单的卷积神经网络（CNN）的例子，该网络用于处理图像数据：Flatten(),return xL1Loss（L1范数损失）计算输入和目标之间的绝对差值的平均值（当时，默认设置），或者它们的总和（适用于回归问题，它衡量的是预测值与实际值之间的绝对距离。MSELo