MindX是一款针对昇腾系列AI芯片的软件开发工具包（SDK），它提供了一系列的API和工具，帮助开发者对昇腾系列AI芯片进行开发和优化。提供了一系列的部署工具，可以将优化后的AI模型部署到昇腾AI芯片上，进行实时推理，实现低延迟、高性能的AI应用。其突出特点是使用流程编排进行开发。总的来说，MindX SDK为开发者提供了一套完整的开发环境和工具，帮助开发者轻松地进行昇腾系列AI芯片的开发、优化

因此，在Atlas200DK上运行推理应用时，进程是在NPU上启动的，数据也是直接加载到Device内存中的，没有Host侧的参与，因此不存在Host->Device的数据传输过程。需要注意的是，使用aclrtMallocHost申请的内存必须由aclrtFreeHost来释放，二者是强对应的，不能用于其他内存。它的实际含义是“申请本端内存”，也就是说，如果进程运行在Host上，它将申请Host内

分为正负样本不均衡、难易样本不均衡及类别间样本不均衡问题。目标检测沿用了分类的思想，故目标检测继承了分类问题的样本不均衡情况。正负样本不均衡：Faster Rcnn，一共生成20000个框，但一张图物体数量可能只有10个，即正样本只在90左右，其余均为负样本。这样，正样本的损失在损失函数之中，无法得到很好的体现。难易不均衡问题：结合样本的正负，可以分为难正（错分为负样本的正样本）、难负、易正及易负

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。

文章目录一、基本概念二、opencv中的人脸识别结构三、LBP分类特征二、使用步骤置信区间概念一、基本概念对于二类分类问题，这些训练数据包括正样本和负样本，其中正样本代表属于该类别的实例，而负样本代表不属于该类型的反例。机器学习的第一步是要找到一种模型，可以用简洁又有差异性的方式准确地反映每幅图像的内容。换言之，机器学习方法，和图像特征是相互独立的。机器学习，是模型的训练方法，而特征，是训练的原始

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。

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