在工业场景中，正常样本往往是大量的，而且相对容易获取，比如符合质量要求的产品或零件。而缺陷数据通常较少，因为缺陷会导致产品被剔除或需要返工修复，从而增加生产成本和时间成本。此外，不同类型的缺陷样本也可能具有较强的特异性，涉及到领域专业知识和经验的积累，并且需要人工手动标注。在这种情况下，缺乏缺陷样本会导致深度学习模型无法对缺陷进行准确区分，存在过拟合的风险。用检测行业的话来说就是容易“漏检”，在工

闲话：标注数据一直都是深度学习中代价非常大的工作，而重复劳动对人来说又是极痛苦的。做了几个目标检测的项目后一直想要做一个半自动标注的工具，但是对GUI类界面从设计到功能感觉工作量还是挺大的，之前也没有多少经验。突然想到，为什么一定得自己做一个呢，把检测到的结果转换成labelme格式的json文件，用labelme来对结果进行修改不是很好吗？本着这样的想法于是就有了下面的内容，这也省掉了非常非常多

当要计算整个图像的均值和方差时用直接计算的方式要比积分图快得多！

此外，我们借鉴 [ 22 ]的方法，将 MHSA 中 query 和 key 的维度赋值为 value 维度的一半，并将 LayerNorm [ 1 ] 替换为 BatchNorm [ 27 ]， 以实现快速推理。此外，随着模型尺寸的增加，其感受野自然会扩大，使用大核卷积的好处会逐渐减弱。YOLO 凭借其在计算成本和检测性能之间的有效平衡，已成为实时目标检测领域的主流范式. YOLO v10 首次

如果你也喜欢这样的方式可以直接copy附录中的config修改去训练。mmlab系列的训练测试转化都是以config来配置的，三个基础块，一个是数据集，一个是模型，一个是runtime，有很多模型都是从_base_目录中继承这三个组件，然后修改其中的一些选项来训练不同的模型和数据集。：我训练的时候有些图好像是坏的，mmcv以opencv为后端来获取图片，这里最好先把坏图过滤掉，不然训练的时候会报c

简介：本篇文章展示pytorch做图像分类的完整过程。因为在我的应用场景下图片特征简单，对计算速度有要求，所以把网络模型写得很小（当然最终的模型要保密啦），加入了SPPnet对输入的图片尺寸没有要求。我的训练数据集结构如下:数据集划分参考pytorch图像分类完整流程如下导入依赖库import torchimport torch.nn as nnimport torch.nn.functional

Summed Area Table是一种数据结构和算法，用于快速有效地生成网格矩形子集中的值总和。在图像处理领域，它也被称为积分图像。

可以看出NV12、NV21和BGR的互转都是OK的。

简介：封装一些opencv C++的算子，达到一种开箱即用的效果，在算法预研阶段能快速出结果，可以当做调用示例，也可直接使用避免每次都重复编写。文章目录imageProcess.himageProcess.cppimageProcess.h#pragma once#include "opencv.hpp"namespace cvbag{bool isImageEmpty(const cv::Mat

简介：pytorch提供的加载数据集的两个工具包Dataset和DataLoader，对Dataset进行简单的改造就可以加载自己的数据了。1.Dataset 类要使用pytorch提供的Dataset类，需要重写两个主要的方法len(self)获取数据集大小getitem(self, idx) 根据idx索引数据重写之后就可以直接使用DataLoader来加载batch数据了。也就是基本所有的自