1.准备工作IDE:vscode或者pycharm1.1新建项目我新建了data目录并新建Annotations, images, ImageSets, JPEGImages, labels 五个文件夹。其中images和JPEGImages存放的是原始的图片数据集，Annotations存放的是标记后生成的xml文件，labels存放的是保存标记内容的txt文件，ImageSets存放的是训练数

原文:https://arxiv.org/abs/2007.08103代码:https://link.csdn.net/?target=https%3A%2F%2Fgithub.com%2Fkkhoot%2FPAA1.动机这篇文章主要是针对当下anchor-based 中anchor标签的分配问题加以改进，传统方法是利用anchor产生的bbox与标定的gt框之间的IOU，设置阈值,大于正阈值则为

1.简介在一些时候，我们进行分类任务的时候，样本数据太少，这就需要我们对数据集进行数据增强来扩充数据集。常用的方法包含以下几种空间几何变换类翻转裁剪旋转缩放变形平移变换颜色变换类噪声变换类2.脚本以下包含一个python脚本，主要调用了PIL库，来完成对数据集的批量扩充。主要包含三个部分：函数def1-def8：分别对于1中的不同图像增强手段概率执行函数：以某种概率来执行数据增强方法，即设置不同的

1.问题描述在整理数据集的时候，由于部分数据集来自网络，其一张图片标注了多个类别，而我们只想使用其中的某些类别，如果不去管那些无效类别，在训练时可能会出错。这就需要我们读取xml文件，根据指定的name名称，删除掉无效的object标注。2.例子我想要删除掉 name为花盆这个关键字的标注 的 object。我想要的结果3.解决相关注释代码如下import osimport xml.etree.E

1.问题描述很多时候，在我们对图像数据预处理的时候，我们拿到的标签文件及图像文件都是混杂在一起的，并没有按类别分开，这就让我们在后续的工作如针对每个类别的ap得分进行数据增强、补全时遇到了一些麻烦。所以我们需要解决的是：将混杂在一起的标签图像文件按类别分好。2.解决方案利用了xml库来进行标签文件的读取利用os库来进行文件的读写等操作利用PIL的Image库完成图像文件的迁移利用shutil.co

论文地址：https://arxiv.org/abs/1708.02002pytorch复现:https://github.com/kuangliu/pytorch-retinanet1.论文动机one-stage方法与two-stage的各自的特点，基于one-stage的方法检测速度快，但是正确率低的问题，作者发现是因为前景、背景类别的极度不平衡所导致导致，于是提出了focal loss来重新

1.1问题描述如下图所示，在利用yolov5进行目标检测时中文标签全部是？？？？？？乱码。1.2问题定位一般的目标检查模型绘图代码等其他设置放在utils文件，定位到/utils/utils.py，yolov5的绘框函数为plot_one_box，选择ctrl+f 查找plot_one_box函数，其中使用了cv2.putText()函数，而使用cv2.putText() 只能显示英文字符，中文会

MAE损失函数MAE=∑i=1n∣yi−yip1∣nM A E=\frac{\sum_{i=1}^{n} \mid y_{i}-y_{i}^{p_{1}} \mid}{n}MAE=n∑i=1n​∣yi​−yip1​​∣​以分类问题举例。对于上式中，yiy_{i}yi​代表真实值，yipy_{i}^{p}yip​代表预测值。下面是一个MAE函数的图，其中真实目标值为100，预测值在-10,000至1

1.资源论文链接：https://arxiv.org/abs/1905.11946代码链接：https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet第三方实现的PyTorch代码：https://github.com/lukemelas/EfficientNet-PyTorch最近V2也公布了，做完这一期做

1.1问题描述如下图所示，在利用yolov5进行目标检测时中文标签全部是？？？？？？乱码。1.2问题定位一般的目标检查模型绘图代码等其他设置放在utils文件，定位到/utils/utils.py，yolov5的绘框函数为plot_one_box，选择ctrl+f 查找plot_one_box函数，其中使用了cv2.putText()函数，而使用cv2.putText() 只能显示英文字符，中文会