希望计算机在视频或图像中定位并识别我们感兴趣的目标定位：找到目标在图像中的位置。识别：识别矩阵框中的内容感兴趣的目标：不仅是一些常规的目标，也可以是一些非常规的目标或者是抽象的目标。labellmg标注工具的使用采集自己的数据集明确任务–检测没有不带头盔的驾驶员，并检测出摩托车车牌抽象出感兴趣的目标，摩托车不带头盔的人 class id 0 no helmet摩托车 class id 1 moto

这是函数是从csv文件中加载训练数据和测试数据，从一个pickle文件加载节点的嵌入向量，转换成PyTorch Geometric 可以使用的图格式。细读data_processing.py发现给出的文件没有embeddings.pkl嵌入文件也没有配置yaml文件，并且还没有arg_parser.py参数文件。表示图中的所有相互作用（边）。与 edge_index 中的每条边一一对应，表示该相互

Sequential, Dense, Dropout, Flatten, Conv2D, MaxPooling2D: 这些是Keras库中用于构建卷积神经网络（CNN）的类。在以下步骤中，将构建卷积神经网络架构，并在数据集上训练模型FER2013以便从图像中进行情感识别。我们将构建一个深度学习模型，从图像中对面部表情进行分类。创建一个名为 emojis 的文件夹，并将与数据集中七种情绪中的每一种对

缺点：1、训练阶段多：步骤繁琐：微调网络+训练SVM+训练边框回归器。2、训练耗时：占用磁盘空间大：5000张图像产生几百G的特征文件。（VOC数据集的检测结果，因为SVM的存在）3、处理速度慢：使用GPU，VGG16模型处理一张图像需要47s。4、图片形状变化：候选区域要经过crop/warp进行固定大小，无法保证图片不变形。

这是函数是从csv文件中加载训练数据和测试数据，从一个pickle文件加载节点的嵌入向量，转换成PyTorch Geometric 可以使用的图格式。细读data_processing.py发现给出的文件没有embeddings.pkl嵌入文件也没有配置yaml文件，并且还没有arg_parser.py参数文件。表示图中的所有相互作用（边）。与 edge_index 中的每条边一一对应，表示该相互

X-AnyLabeling标注后生成自己定义的json文件，图片上有旋转框和方形框，导出只能导出水平或者旋转标签，我需要全部转为水平标签格式。这是用rolabelimg工具标注后保存的xml文件，我们需要yolo obb的5参数txt文件。导入图片和标注的yolo obb 5参数 txt文件，验证标注结果是否正确。输出yolo obb 5参数表示。输出yolo obb 5参数表示。

与 VOC 格式不同，COCO 数据集的所有标注信息都集中在一个巨大的 JSON 文件中，例如 instances_train2017.json。这个 JSON 文件包含多个顶级键，每个键对应一类信息，这种集中式的存储方式非常适合大规模数据的管理和自动化处理。class_id: 这是一个整数，代表目标的类别索引。supercategory: 超类别，用于组织相关联的类别，例如 bicycle 和

1.数据（Data）：描述事物的符号称为数据2.数据库（DataBase，DB）：数据库是长期存储在计算机内、有组织的、可共享的大量数据集合3.数据库管理系统（DataBase Management System，DBMS）：数据库管理系统是位于用户与操作系统之间的一层数据管理软件4.数据库系统（DataBase System，DBS）：数据库系统是由数据库、数据管理系统、应用程序和数据库管理员（

qq邮箱在–>设置–>账号POP3/IMAP/SMTP/Exchange/CardDAV/CalDAV服务。SimpleMailMessage：分装简单的邮件的Bean。1、复杂邮件有更加丰富的内容，如：图片、链接、附件等。JavaMailSender：发送邮件的客户端。JavaMailSender：发送邮件的客户端。MimeMessage：封装复杂邮件的Bean。setFrom（发件地址）set

要构建Optimizer，您必须给它一个包含要优化的参数（所有参数都应该是变量s）的迭代表。然后，您可以指定优化器特定的选项，如学习率、权重衰减等。增加模型结构为了适应新的数据集CIFAR10，将原本输出类别1000，通过线性输出的类别为10。jupyter notebook终于能运行pytorch环境了呜呜呜。创建一个pytorch环境n后面环境名字，python环境版本。修改模型结构为了适应新