import numpy as npfrom keras.datasets import mnistfrom keras.utils import np_utilsfrom keras.models import Sequentialfrom keras.layers import Densefrom keras.optimizers import SGD#1、载入数据(x_train,y_tra

这个脚本是一个数据增强类。理论知识来自这篇论文：[Augmentation for small object detection](Augmentation for small object detection).import numpy as npimport randomimport cv2class copy_paste(object):def __init__(self, thresh=3

目录一、OCR简介1.1、OCR是什么？1.2、OCR的使用场景1.3、OCR的技术难点二、OCR前言技术2.1、文本检测2.2、文本识别2.3、文档的结构化识别2.4、其他OCR相关工作三、PaddleOCRReference一、OCR简介1.1、OCR是什么？OCR（Optical Character Recognition，光学字符识别）是计算机视觉最重要的方向之一。传统的OCR一般指面向文

目录一、warmup定义二、为什么使用warmup2.1、理性分析2.2、感性分析三、常用的warmup3.1、Constant Warmup3.2、Linner Warmup3.3、Cosine Warmup3.4、Warmup的改进：gradual warmup四、PyTorch实现总结Reference学习率是模型训练中最重要的超参之一，针对学习率的优化有很多种方法，而warmup是其中重要

以下的全部内容都是构建yolov3_spp模型另外下面的所有的内容都是按照代码执行的顺序进行讲解的在网络搭建之前大家应该已经准备好了自己的数据集，并将数据集转换为yolo的格式，如果不是很清楚的朋友可以看看我的另一篇文章一、数据集制作和格式处理一、生成模型对应的cfg文件我们拿到官方给的yolov3-spp.cfg 文件，是不能直接开始训练的，因为官方给的文件是默认在VOC数据集训练的，所以还需要

pkg_resources用于查找, 自省, 激活和使用已安装的Python发行版常用的函数介绍1、pkg_resources.require(env=None, installer=None)该函数负责返回对应包所需的所有依赖包如：import pkg_resourcespkg_resources.require('torch>=0.8.1')输出：[torch 1.7.0+cpu (d:

目录一、效果图二、代码一、效果图二、代码import cv2import mathimport numpy as npimport osimport globimport jsonimport shutilimport xml.etree.ElementTree as ETfrom xml.etree.ElementTree import ElementTree, Elementdef h_Mir

目录一、OCR简介1.1、OCR是什么？1.2、OCR的使用场景1.3、OCR的技术难点二、OCR前言技术2.1、文本检测2.2、文本识别2.3、文档的结构化识别2.4、其他OCR相关工作三、PaddleOCRReference一、OCR简介1.1、OCR是什么？OCR（Optical Character Recognition，光学字符识别）是计算机视觉最重要的方向之一。传统的OCR一般指面向文

目录一、效果图二、代码一、效果图二、代码import cv2import mathimport numpy as npimport osimport globimport jsonimport shutilimport xml.etree.ElementTree as ETfrom xml.etree.ElementTree import ElementTree, Elementdef getCo

这个脚本是一个数据增强类。理论知识来自这篇论文：[Augmentation for small object detection](Augmentation for small object detection).import numpy as npimport randomimport cv2class copy_paste(object):def __init__(self, thresh=3