看目标检测网络方面的论文时，出现了一组对比词汇： bottom-up和top-down，查了一些资料，结合个人理解，得到的看法是：top-down: 图像进入anchor-based类的网络得到特征图，一般先产生可能存在目标的框，再进一步确定目标的位置，这种从框到目标的方式叫从上到下。bottom-up：在anchor-free类的网络中，图像提取到特征图后，网络先确定目标的边缘极值点或角点，再通

学习目标检测有一年了，从论文学习到工程实践，个人的认识得到了一定提升，大致总结一下。目标检测是深度学习的图像处理一个方向，还有其他方向比如实例分割（找出目标并得到掩膜）、语义分割（每一个像素属于什么类别）、场景分类（哪一类即可，比较简单）。深度学习是机器学习的一个发展方向，机器学习的里一个方向就是传统的机器学习，使用支持向量机等方法。而机器学习是被包含于人工智能方向的。深度学习的发展可以追溯到神经

假设单词嵌入并且组成batch后，shape为(b,N,254)，N是序列最大长度，即最长的一句话包含的单词个数为N，254是每个单词的嵌入向量长度,b是batch，为了便于组成batch(不同训练句子单词个数肯定不一样)进行训练，可以简单统计所有训练句子的单词个数，取最大即可，假设统计后发现待翻译句子最长是10个单词，那么编码器输入是10x254,batch为1 则输入维度是（1，10，254）

本人在制作数据集用于目标检测时，要让训练集的图像文件（jpg）和标注文件(xml或json，shp等)的文件名保持一致和文件数量相等，预测结果根据挑选出来的正确结果，把相关文件的其他类型文件一并找出，处理的数据量较大，故写了几行简单的代码实现文件名相同但是类型（文件后缀）不同的文件的一并筛选出来，发现非常便利，便做个分享。#根据挑选的jpg文件找出对应的xml、json、shp、dbf、shx文件

⑥利用conda env export 导出的是个yaml格式的文件，该文件记录了环境名，软件源地址以及安装包列表，反过来 使用yaml配置文件创建新环境。上传env_name.tar.gz到新设备的anaconda3的环境中，即conda/env/目录下。相当于python会在代码执行路径下定位到-m后面的路径下，即xxxx里面的代码。2把模块当作脚本来启动(注意：但是__name__的值为’m

学习目标检测有一年了，从论文学习到工程实践，个人的认识得到了一定提升，大致总结一下。目标检测是深度学习的图像处理一个方向，还有其他方向比如实例分割（找出目标并得到掩膜）、语义分割（每一个像素属于什么类别）、场景分类（哪一类即可，比较简单）。深度学习是机器学习的一个发展方向，机器学习的里一个方向就是传统的机器学习，使用支持向量机等方法。而机器学习是被包含于人工智能方向的。深度学习的发展可以追溯到神经

heatmap，即热力图，在目标检测的图像处理中，采用二维高斯核来表示关键点。以bbox的中心点坐标取整作为高斯圆的圆心，以bbox的大小确定高斯圆的半径，代入高斯公式，填充高斯函数计算值（0-1），圆心的值最大，沿半径向外递减，在图像中，中心点最亮，沿半径向外变暗。热力图中，不是中心点的地方全部设为0，即黑色区域。热图损失：由于填充高斯函数值的圆形区域是卷积得到，所以圆形区域代表目标中心点的特征

⑥利用conda env export 导出的是个yaml格式的文件，该文件记录了环境名，软件源地址以及安装包列表，反过来 使用yaml配置文件创建新环境。上传env_name.tar.gz到新设备的anaconda3的环境中，即conda/env/目录下。相当于python会在代码执行路径下定位到-m后面的路径下，即xxxx里面的代码。2把模块当作脚本来启动(注意：但是__name__的值为’m

看目标检测网络方面的论文时，出现了一组对比词汇： bottom-up和top-down，查了一些资料，结合个人理解，得到的看法是：top-down: 图像进入anchor-based类的网络得到特征图，一般先产生可能存在目标的框，再进一步确定目标的位置，这种从框到目标的方式叫从上到下。bottom-up：在anchor-free类的网络中，图像提取到特征图后，网络先确定目标的边缘极值点或角点，再通

最近跑的模型有点多，人工统计训练结果比较耗时间，特别是epoch多，而且统计多个AP值时，特别耗时间。于是就想直接把结果导入excel，以后就不用单独统计了目前已有的训练结果日志是json文件，打开work_dir可以找到一个日志文件，采用json格式保存，现在要将这个json文件提取想要的数据处理成excel表格(.xlsx)，使用python程序解决该问题：如图所示是最终的处理效果：由于代码不