qt样式不生效，一个是看全部样式代码是否都在最顶端控件，其二看相关UI文件，找到new出的新类的位置，看新类被new出的位置，看是否有被新的setstylesheet覆盖掉。

1.对于是否正确预测，只用看T或F：预测值为正例，记为P（Positive）预测值为反例，记为N（Negative）预测值与真实值相同，记为T（True）预测值与真实值相反，记为F（False）2.精确度：所有预测为正例中，正确预测的比例：P=TP/NP+TP3.正确率：所有预测结果中，正确的概率：很少用到A= (TP+TN)/(TP+TN+FP+FN)4.召回率：有多少正例最终被预测出：（真实的

网络能检测多尺度物体，其实体现了网络拟合的尺度不变性当预训练模型在imagenet上进行训练(224x224分类任务），以此为基础参数训练目标检测模型，会导致领域偏移。即是待检测对象，或待分类对象相同，但是对象被表现的方式不同。1.减少池化层，降低网络采样率，可以减少物体的信息损失，池化层可用dilation为2的空洞卷积代替。2.在有锚算法时，针对性设计Anchor。如果采用手工设计，可以使设计

非极大值抑制问题，解决同一个物体有多于一个候选框输出的问题。NMS用于过滤掉重叠的候选框。（1）算法输入：包含各框的位置坐标，以及置信度得分（2）算法步骤：设定IOU阈值，比如0.7。所有边框按照置信度进行排序，取得分最高的边框并保存，使其与其余边框计算IOU，去掉计算结果中大于0.7的结果。对于剩下的结果再度计算，直至所有边框消失。存在问题：（1）强制去掉得分较低的边框，影响召回率。（2）IOU

综上，最优参数取值较为确定时，使用geom或expon，不确定时使用reciprocal。2.几何的离散分布及指数分布。

网络能检测多尺度物体，其实体现了网络拟合的尺度不变性当预训练模型在imagenet上进行训练(224x224分类任务），以此为基础参数训练目标检测模型，会导致领域偏移。即是待检测对象，或待分类对象相同，但是对象被表现的方式不同。1.减少池化层，降低网络采样率，可以减少物体的信息损失，池化层可用dilation为2的空洞卷积代替。2.在有锚算法时，针对性设计Anchor。如果采用手工设计，可以使设计

单任务代码：由以下单任务组成两个相同的双任务import cv2#正则匹配使用：import reimport os#此库用于拷贝，删除，移动，复制以及解压缩import shutilimport numpy as npimport h5pyimport tensorflow as tffrom tensorflow.keras.preprocessing.image import ImageDa

import os.pathfrom typing import Iteratorimport numpy as npimport torchimport cv2from PIL import Imagefrom torch.utils.data import Dataset,DataLoader,Subset,random_splitimport refrom functools import

import os.pathimport numpy as npimport torchimport cv2from PIL import Imagefrom torch.utils.data import Dataset,DataLoaderimport refrom functools import reducefrom torch.utils.tensorboard import Summa

非极大值抑制问题，解决同一个物体有多于一个候选框输出的问题。NMS用于过滤掉重叠的候选框。（1）算法输入：包含各框的位置坐标，以及置信度得分（2）算法步骤：设定IOU阈值，比如0.7。所有边框按照置信度进行排序，取得分最高的边框并保存，使其与其余边框计算IOU，去掉计算结果中大于0.7的结果。对于剩下的结果再度计算，直至所有边框消失。存在问题：（1）强制去掉得分较低的边框，影响召回率。（2）IOU