处理数据假如我们要处理的数据有10000张图片，我们既不能一次传进去一万张，这样显存会爆掉，也不能一次只传一张，这样效率太低了。所以我们需要把所有图片分批传进来，比如分100个batch，每个batch里面有100张，也就是batch_size=100。我们训练神经网络的时候并不是把所有数据丢进去训练一轮就行了，而是要反复丢进去学习几轮，这个轮数就叫epoch。计算机视觉方向经常处理的数据是图片，

下载Open Images Dataset v4数据集如果你想要构建自己的物体检测器，但没有足够的图像来训练模型。试试Open Images Dataset v4 数据集吧。该数据集OIDv4具有600个类和1,700,000张具有相关边界框的图像可供使用。比如说我想下载广告牌数据集用做目标检测的训练集，只需要下载对应的Billboard类数据集就可以了。python3 main.py downl

HJ16-购物单这是一道典型的0-1背包问题，一开始的反应就是外层循环正向遍历物品，内层循环反向遍历背包容量。但由于物品增加了附件这一属性，使得这道题难度增加了不少，可以参考该视频处理物品的思路，每个物品用长度为6的数组来分别保存索引为i的物品主件价格，主件价值，附件1价格，附件1价值，附件2价格，附加2价值。对物品的处理弄明白了，其他地方跟之前做过的0-1背包问题都差不多了。# pythonmo

问题描述我们有时候会定义一个全局变量，然后在函数里面引用它，并改变它的值，这时候会报以下的错误：UnboundLocalError:local variable 'XXX' referenced before assignment只在函数里面引用外面定义的变量而不改变它的值不会报错，如果要改变外面定义的变量的值则需要用到全局变量。解决办法：在函数开头用global引用全局变量，即可引用全局变量并对

如果你的网络是用mmdetection写的，可视化预测结果时，发现框的线条太细，当输入图片太大时会看不清标注的框。我们可以通过修改mmdtection中的一些参数来改变检测框的颜色、粗细以及字体的大小。改变检测框的颜色、粗细、文字大小找到mmdet/models/detectors/base.py文件，修改class BaseDetector()中的show_result()函数的输入参数def

前几天想用树莓派做一个人脸识别打卡的系统，在网上也找了很多源码，最终选了一个较为简单的实现方式，代码参考这里。其中只用到opencv和opencv-contrib两个库，在自己笔记本上先调试了一波，报错了，说是cv2.cv2缺少’face’属性。问题：缺少opencv-contrib去网上查了一下，这是没装opencv-contrib的原因，用pip install opencv-contrib装

自己制作目标检测数据集这里介绍2个制作目标检测数据集的工具：labelImg和labelme。用pip list查看自己电脑是否已安装这两个库，没有的话分别用pip install labelImg和 pip install labelme安装。用labelImg生成的标签是.xml格式的，用labelme生成的标签是.json格式。使用方法两者使用方法一样，界面都差不多。直接cmd窗口输入lab

首先，我们有一个one-hot编码的概念。假设，我们中文，一共只有10个字。。。只是假设啊，那么我们用0-9就可以表示完比如，这十个字就是“我从哪里来，要到何处去”其分别对应“0-9”，如下：我从哪里来要到何处去0123456789那么，其实我们只用一个列表就能表示所有的对话如：我从哪里来要到何处去——>>>[0 1 2 3 4 5 6

如果你的网络是用mmdetection写的，可视化预测结果时，发现框的线条太细，当输入图片太大时会看不清标注的框。我们可以通过修改mmdtection中的一些参数来改变检测框的颜色、粗细以及字体的大小。改变检测框的颜色、粗细、文字大小找到mmdet/models/detectors/base.py文件，修改class BaseDetector()中的show_result()函数的输入参数def

将VOC数据集的标注框打印在原图上前面我们讲了怎么将各种格式的数据集标签文件进行转换，由于txt格式的标签不同数据集的表示方式可能不一样，将txt格式标注转成voc格式的时候最容易出错。如果voc格式是正确的，转化成coco格式应该也就不会错。所以我们最好在训练之前将数据集的标注框在原图上打印一下，看看标签有没有出错。由于很多模型都会用到标准的voc或者coco数据集，所以我们尽量将数据集转成这两