目标检测：RCNN、Fast RCNN、 Faster RCNN 基本思想和网络结构介绍

一、torch.Tensor1、torch.Tensor 的基本用法torch.Tensor 默认数据类型是 float32torch.LongTensor 默认数据类型是 int64数据类型转换可通过 t.int() 和 t.float()实现t.size(): 查看形状，与 t.shape 等价t.ndim: 查看维数t.numel(): 查看元素总数type(t): 查看数据结构类型t.dt

文章目录一、小样本目标检测简介二、小样本目标检测的方法2.1 基于微调的方法2.2 基于元学习的方法三、小样本目标检测现有的问题四、参考资料一、小样本目标检测简介小样本目标检测 FSOD（few-shot object detection)，是解决训练样本少的情况下的目标检测问题。通过应用较少的标注数据的半监督方法或者利用不完全匹配的标注数据的弱监督方法，利用极少的标注数据学习具有一定泛化能力的模

介绍 CPU 和 GPU 的架构的联系和区别，CUDA 并行计算的简单介绍

DevSidercar下载地址：https://link.csdn.net/?target=http%3A%2F%2Fdev-sidecar.docmirror.cn%2Fupdate%2FDevSidecar-1.4.0.exe配置：保持DevSidercar的默认配置，确保代理服务和系统代理打开。此时无法进入GitHub，会显示网络隐私问题，需要进行系统配置如下：打开电脑设置------网络和

目录一、MNIST数据集介绍及下载欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入

文章目录YOLOv2简介YOLOv2的改进之处YOLOv2简介YOLOv1介绍：【目标检测】YOLOv1 ，one-stage 目标检测算法的开山之作YOLOv2即YOLO9000，原论文是《YOLO9000: Better, Faster, Stronger》YOLO2相比于YOLOv1主要有两个大方面的改进：（1）使用一系列的方法对YOLO进行了改进，在保持原有速度的同时提升精度得到YOLOv

参考资料：YOLO系列理论合集(YOLOv1~v3)

pdb 有2种用法：1、非侵入式方法 （不用额外修改源代码，在命令行下直接运行就能调试）python3 -m pdb filename.py2、侵入式方法 （需要在被调试的代码中添加以下代码然后再正常运行代码）import pdbpdb.set_trace()当你在命令行看到下面这个提示符时，说明已经正确打开了pdb(Pdb)pdb 基本命令命令解释break 或 b设置断点continue 或

示例：import torcha = torch.randn(2,3,4)print(a.numel())# 24统计model中所有可训练参数量：num_params = sum(p.numel() for p in model.parameters())注：numel() 是pytorch的函数，只适用于 tensor，不能用于统计 list、tuple、dict 等的元素数量。...