目标检测概述之前的MTCNN实现了单类多目标的高效检测，而现实中更普遍的任务是多类多目标检测。目标检测可划分为3个发展阶段：传统的目标检测区域选择：滑动窗口特征提取：Harr、SIFT、HOG等特征提取算法分类器：如常用的SVM模型基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余；手工设计特征费时费力，且对于多样性的变化没有很好的鲁棒性。基于Region Proposal的深度学习目标

本文目的是用最简单的代码，展示DQN玩游戏的效果，不涉及深度学习原理讲解。毕竟，入门如此艰难，唯一的动力不过是看个效果，装个biu……安装OpenAI的游戏库gympip install gym看一下运行效果import gymenv = gym.make('CartPole-v1')print('State shape:', env.observation_space.shape)print('

策略学习算法步骤：这里还有一个问题我们一直没有考虑，就是这个QπQ_\piQπ​的值怎么算？第一种方法是REINFORCE。因为QπQ_\piQπ​的定义是回报UtU_tUt​的期望，所以我们可以玩完一局游戏后，把真实观测到的utu_tut​作为qtq_tqt​的近似。第二种方法是再用一个神经网络来近似QπQ_\piQπ​，这就有了两个网络，一个负责动作，一个负责评价，这就是Actor-Criti

用TensorRT部署YOLOv5，用的最多的方式就是通过：https://github.com/wang-xinyu/tensorrtx/tree/master/yolov5步骤和教程都已经很详细了，我只是记录一下遇到的问题。

循环神经网络RNN和长短期记忆网络LSTM的原理，许多文章都讲的很清晰，我就不到处抄了……听说实现车牌识别还挺简单的，来尝试一下叭~首先找车牌图片，虽然有一些生成车牌的软件，但是一般不能批量生成，而且我们还要拿到标签进行训练，好叭，自己先写一个看看。软件生成的车牌：我用最简单的代码生成的车牌：emmm，怎么说呢，假得很有层次感。不管了，先把效果跑出来再说，真实数据集反正咱也没办法，让老板花钱去买好

本文目的是用最简单的代码，展示DQN玩游戏的效果，不涉及深度学习原理讲解。毕竟，入门如此艰难，唯一的动力不过是看个效果，装个biu……安装OpenAI的游戏库gympip install gym看一下运行效果import gymenv = gym.make('CartPole-v1')print('State shape:', env.observation_space.shape)print('

首先，网上有好几个显示中文标签的教程了，我为什么还要写呢？哼，很显然，是觉得他们实现的不够完美嘛~YOLOv5在标签显示上，是花了点心思的，标签字体的大小，会根据图片尺寸进行调整，背景颜色条是为了避免图片中的内容干扰标签的展示，网上有的教程直接把字体大小定死了，背景颜色条也去除了，根本就不合理嘛！完全算不上实现。因为OpenCV不支持中文，所以原代码中用来计算字体尺寸的方法cv2.getTextS

目标检测概述之前的MTCNN实现了单类多目标的高效检测，而现实中更普遍的任务是多类多目标检测。目标检测可划分为3个发展阶段：传统的目标检测区域选择：滑动窗口特征提取：Harr、SIFT、HOG等特征提取算法分类器：如常用的SVM模型基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余；手工设计特征费时费力，且对于多样性的变化没有很好的鲁棒性。基于Region Proposal的深度学习目标

首先，网上有好几个显示中文标签的教程了，我为什么还要写呢？哼，很显然，是觉得他们实现的不够完美嘛~YOLOv5在标签显示上，是花了点心思的，标签字体的大小，会根据图片尺寸进行调整，背景颜色条是为了避免图片中的内容干扰标签的展示，网上有的教程直接把字体大小定死了，背景颜色条也去除了，根本就不合理嘛！完全算不上实现。因为OpenCV不支持中文，所以原代码中用来计算字体尺寸的方法cv2.getTextS