起因是得到一批标准的COCO数据集(json文件)，自己后来又手动标了一批数据，但是标注出来的文件是VOC格式，现在想要把这些数据合并到一起，再转成标准的COCO数据集用于训练。个人觉得json转xml更简单，且已有xml转json代码，所以选择将部分json文件转为xml文件再做处理，参考了相关博客： 简单调整了一下，亲测可用。附上代码：import osimport timeimport js

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）

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

安装和使用mmdetection中遇到的一些问题：return _bootstrap._gcd_import(name[level:], package, level)ModuleNotFoundError: No module named 'mmcv._ext'这是安装mmcv，而不是安装mmcv-full导致功能不全的问题，pip install mmcv-full时，还有下面这种情况：Bui

因为之前都跑得好好的，只是换了不同的文件去跑才出的问题，关键是不同的文件要处理的内容和格式都是完全一样的，一个顺利跑完，一个就报TypeError: ‘float’ object is not subscriptable这个错，就非常无语。一开始自然是直接搜索问题，寻找解决办法，实话实说，看了一些博客，但是并没有直接找到解决办法，但是从中获得了一些想法，对问题理解更清楚一点。一开始我的关注点是放在