Python科学计算：Pandas前面我们学习了Python的一个重要的第三方库NumPy，今天学习Python的另一个工具Pandas。Pandas提供的基础数据结构DataFrame与json的契合度很高，转换起来就很方便。如果我们日常的数据清理工作不是很复杂，通常用几句Pandas代码就可以对数据进行规整。Pandas可以说是基于 NumPy 构建的含有更高级数据结构和分析能力的工具包。在N

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

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

VOC数据集（xml格式）和COCO数据集（json格式）的相互转换我们先来看看voc和coco数据集的目录结构：以VOC2012数据集为例，下载下来有如下五个文件夹：Annotations文件夹是存放图片对应的xml文件，比如“2007_000027.xml"存放的是图片2007_000027.jpg对应的信息，用记事本打开可以看到，这是xml格式的数据。ImageSets文件夹里存放了官方为我

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

VOC数据集（xml格式）和COCO数据集（json格式）的相互转换我们先来看看voc和coco数据集的目录结构：以VOC2012数据集为例，下载下来有如下五个文件夹：Annotations文件夹是存放图片对应的xml文件，比如“2007_000027.xml"存放的是图片2007_000027.jpg对应的信息，用记事本打开可以看到，这是xml格式的数据。ImageSets文件夹里存放了官方为我

《You Only Look Once：Unified，Real-Time Object Detection》基于卷积神经网络的目标检测算法作者：Joseph Redmon，et al单位：华盛顿大学（University of Washington）发表会议及时间：2016 IEEE计算机视觉和模式识别会议论文集论文结构摘要我们介绍一种新的物体检测方法YOLO。与先前的物体检测方法是重新设置分类