typedef struct stu{char *name; //姓名int num; //学号char sex; //性别float score; //成绩} STU,*STU_PTR;STU stu1[]= {{"Li ping", 5, 'M', 45},{"Zhang ping", 4, 'M', 62.5},{"He fang", 1, 'F', 92.5},{"Cheng ling",

要求mmcv-full版本是1.1.5，经检测发现torch版本是1.10.0，cuda版本是11.3，通过mmcv官网pip install mmcv-full==1.1.5 -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.10.0/index.htm下载失败，提示是：RuntimeError:The detected CUDA

非极大值抑制用在最后阶段，即所有边界框都已经回归调整过后，对图片每一类使用NMS防止一个目标出现多个边界框。1、非极大值抑制需要设置一个阈值2、使用时间是最后调整完预测框位置后3、多少个类就使用多少次非极大值抑制3、每一类使用非极大值抑制后找到所有这类的边界框添加链接描述...

目标检测01：常用评价指标（AP、AP50、AP@50:5:95、mAP）

os.environ[]使用os.environ[“CUDA_DEVICE_ORDER”] = “PCI_BUS_ID” # 按照PCI_BUS_ID顺序从0开始排列GPU设备os.environ[“CUDA_VISIBLE_DEVICES”] = “0” #设置当前使用的GPU设备仅为0号设备设备名称为’/gpu:0’os.environ[“CUDA_VISIBLE_DEVICES”] = “1

cnn减小过拟合，减小泛化误差（测试误差），提高泛化能力的方法1、数据增强，过少数据导致欠拟合，过少数据和复杂的网络结构导致过拟合。2、正则化策略，引入参数惩罚项，如l1范数和l2范数。3、引入dropout,随机失活神经元，简化网络结构，也属于正则化策略。4、使用BN算法（Batch Normalnization),使数据变成（0~1）的正态分布，用了这步可不用dropout。5、提前终止训练。

yolov5的学习率调度器采用的是LambdaLR参考链接： 目标检测 YOLOv5 - 学习率yolov5学习率设置

pytorch基础入门教程/一小时学会pytorchpytorch官方教程

fit(x=None, y=None, batch_size=None, epochs=1, verbose='auto',callbacks=None, validation_split=0.0, validation_data=None, shuffle=True,class_weight=None, sample_weight=None, initial_epoch=0, steps_per

cnn减小过拟合，减小泛化误差（测试误差），提高泛化能力的方法1、数据增强，过少数据导致欠拟合，过少数据和复杂的网络结构导致过拟合。2、正则化策略，引入参数惩罚项，如l1范数和l2范数。3、引入dropout,随机失活神经元，简化网络结构，也属于正则化策略。4、使用BN算法（Batch Normalnization),使数据变成（0~1）的正态分布，用了这步可不用dropout。5、提前终止训练。