刚刚在用矩池云的GPU训练yolov5模型（Google Colab的免费GPU确实不错但还是有些慢），同样的操作在Google Colab上就能跑，在矩池云这里用命令：python train.py --img 640 --batch 64 --epochs 180 --data /mnt/yolov5-master/traindata/traindata.yaml --weights yolo

Content1. 什么是最短路径2. 迪杰斯特拉算法【O(n^2^)】3. 代码4. 迪杰斯特拉算法 VS 普利姆算法1. 什么是最短路径在一个带权有向图中，从某一顶点到另一顶点可能有很多条路径，最短路径即权值之和最小的那条路径。如在上图中，从顶点0到顶点5的最短路径是0-4-3-5，长度为60。2. 迪杰斯特拉算法【O(n2)】该算法用到了贪心的思想，设 v0为源点，S 为已求得的最短路径的终

前言：开始处理视频数据，遇到了陌生又熟悉的3D卷积，但对其计算过程有点疑惑，网上也没找到什么可视化动画，所以研究明白并做个记录，方便日后复习。有点简化，但认真琢磨一下图片和代码肯定能看明白：）

EfficientSAM本质在做这么一件事：通过知识蒸馏，将SAM中的Image Encoder由ViT-H变为ViT-Tiny/Small，进而减少计算量和参数量。

前言seaborn真的是挺好用的一个可视化库了，基于matplotlib库，相比于matplotlib更加简洁，适合我这样的新手。但其定制性不如matplotlib，正如之前别人说的，matplotlib像是去饭店单独点菜，而seaborn更像是饭店里的套餐。不过seaborn的大多数功能已经能满足需求了。转载于知乎：知乎链接...

前言seaborn真的是挺好用的一个可视化库了，基于matplotlib库，相比于matplotlib更加简洁，适合我这样的新手。但其定制性不如matplotlib，正如之前别人说的，matplotlib像是去饭店单独点菜，而seaborn更像是饭店里的套餐。不过seaborn的大多数功能已经能满足需求了。转载于知乎：知乎链接...

使用tf2.0做数据增强：对图片进行反转、旋转等操作。代码：需要库from keras.preprocessing.image import ImageDataGenerator,load_img,img_to_arrayimport os此函数执行数据增强功能，前两个参数是需要被做数据增强的两个文件夹地址，后两个参数是做完数据增强后保存图片的地址。def DataInc(path_cat, pa

前言pandas中的groupby函数功能就如同字面意思，通过某个特征将数据组织起来。只不过其返回值不是DataFrame，而是另一种形式，所以没法直接将groupby的返回值输出出来，其返回值常与.mean()/.count()/.median()等搭配起来输出，下面通过例子说明。正文import pandas as pdfrom pandas import DataFramedf = Data

前两天一直在树莓派4B上部署yolov5，但就是一直安装不好要求版本的pytorch，难受坏了。官方要求版本：这里分享编译好的torch1.8.0+torchvision0.9.0的.whl文件，下载好直接pip3 install XXX.whl即可。链接：https://pan.baidu.com/s/1J-PPpp_y2U-Qon3IEi7nNA提取码：qwer资源来自：https://git

结论：虽然这里代码输出当前device id是0，但其实指的是GPU：1，实际使用时也会使用GPU：1。由于设置CUDA_VISIBLE_DEVICES=1,2，所以只有GPU：1和GPU：2对代码可见，代码会认为可见的第一个GPU（即GPU：1）的id为0。