pytorch框架下的yolov5模型部署到tensorflow serving，需要将pytorch的pt模型转换为onnx模型，再将onnx模型转换为tfserving的savedmode模型。1. pytorch的pt模型转onnx模型使用yolov5中自带的 export.py 脚本（在models下）可以将模型导出为 TorchScript， ONNX, CoreML。环境： yolov

python批量修改labelme标注的json文件中的标签名

Installation MaskTextSpotter最后一步：运行编译安装#buildpython setup.py build develop报错如下：command ‘:/usr/local/cuda/bin/nvcc’ failed with exit status 1unable to execute ':/usr/local/cuda/bin/nvcc': No such file

1）默认已有github账号和仓库项目，并且项目下有多个分支；2）默认git工具已正确安装；3）在本地将要上传的代码（or文件）的文件夹下空白处右键，右键会出现两个新选项，分别为Git Gui Here，Git Bash Here，这里我们选择Git Bash Here，进入如下界面LightGBM+LR即为我的项目名；4）初始化本地仓库#如果之前有初始化 init 需要删除命令: rm -rf

Apex混合精度加速介绍：为了帮助提高Pytorch的训练效率，英伟达提供了混合精度训练工具Apex。号称能够在不降低性能的情况下，将模型训练的速度提升2-4倍，训练显存消耗减少为之前的一半。该项目开源于：https://github.com/NVIDIA/apex ,文档地址是：https://nvidia.github.io/apex/index.html该工具提供了三个功能，amp、para

骨架提取，也叫二值图像细化。这种算法能将一个连通区域细化成一个像素的宽度，用于特征提取和目标拓扑表示。骨架提取与分水岭算法也属于形态学处理范畴，都放在morphology子模块内。morphology子模块提供了两个函数用于骨架提取，分别是skeletonize()函数和medial_axis()函数。1）skeletonize()函数在模块：skimage.morphology.skeleton

ICDAR2015&2017数据是一张jpg图片对应一张txt标注文件，文件内容形式如下：创建icdar2voc.py文件，代码如下：# coding:utf-8import osimport numpy as npimport cv2def xml(num,width,height,labelname,box,imageName,imagePath):"""写xml文件:param nu

Apex混合精度加速介绍：为了帮助提高Pytorch的训练效率，英伟达提供了混合精度训练工具Apex。号称能够在不降低性能的情况下，将模型训练的速度提升2-4倍，训练显存消耗减少为之前的一半。该项目开源于：https://github.com/NVIDIA/apex ,文档地址是：https://nvidia.github.io/apex/index.html该工具提供了三个功能，amp、para

在深度学习中，一般要求样本的数量要充足，样本数量越多，训练出来的模型效果越好，模型的泛化能力越强。但是实际中，样本数量不足或者样本质量不够好，这就要对样本做数据增强，来提高样本质量。在样本量不足的情况下，采用mixup或者填鸭式的方法来进行数据增强，是行之有效的增强方法。其中mixup是将正负样本融合成新的一组样本，使得样本量翻倍。填鸭式是将原本样本里的目标抠出来，随机复制粘贴到其他地方。（个人理

Excel表格数据如下：# -*- coding:utf-8 -*-import numpy as npfrom matplotlib import pyplot as pltimport xlrdimport xlwtyfilename = '统计当月流量剩余占比的平均值.xlsx'book_wind=xlrd.open_workbook(filename=filename)wind_sheet