在模型训练时设置batchsize，实际上是用Batch size大小的数据集上计算得到的梯度近似整个数据集（真实分布）上的真实梯度。batch小将会引入噪声（噪声影响大）batch大，则噪声小，对真实梯度的拟合更好，、下降方向更准，同时跑完一次训练集的时间更短。但是注意当梯度足够精确时，没必要使批处理更大而浪费算力。一次整个训练集的时间变短，要想获得相同的精度，需要花费更多的时间，因而参数的..

在学习Good Features to track特征点检测时，主要参考了opencv官方资料关于特征点检测的介绍，网址：http://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_feature2d/py_shi_tomasi/py_shi_tomasi.html#shi-tomasi。1.原理

sacred库安装和使用说明介绍Sacred+Ominiboard方案主要参考SHEN’s BLOGSacred的工具，用于记录实验的配置、组织、日志和复现使用mongoDB管理后端数据，利用omniboard实现前端可视化：Sacred + MongoDB：实验记录和保存Ominiboard：可视化管理各部分库都安装最新的版本，具体如下：MongoDB 4.2.7omniboard 2.12.1

linux下安装mmdetection的步骤Installation参考官方安装文档RequirementsLinux (tested on Ubuntu 16.04 and CentOS 7.2)Python 3.4+PyTorch 1.0Cythonmmcv >= 0.2.2Install mmdetectiona. Install PyTorch 1.0 and...

使用object_detection_api进行训练和预测将object_detection_api安装好以后，我们可以使用其进行transfer learning从而实现对新检测应用的快速学习，当然也可以使用训练好的模型进行预测。以下分别讲如何使用现有模型进行预测以及在训练好的模型基础上使用新数据集学习新的模型。官网提供了在linux下使用的说明，这里说明如何在windows下进行使用，...

本次安装参考了tensorflow官网的安装教程和JohnieLi的博客http://blog.csdn.net/johinieli/article/details/76960112。 以上是官网对于本次安装提出的必备的硬软件要求. 在http://www.nvidia.com/object/cuda_gpus.html确认你的显卡支持 CUDA。（若在列表中则支持CUDA编程...

Labelme制备分割数据集使用方法在cmd中输入activate labelme激活labelme环境。在激活环境中输入labelme即可打开labelme界面。退出输入deactivate即可。json文件转化为图像文件使用labelme交互界面保存标注结果，会得到.json文件，其中保存了标注label信息。而对于图像分割任务，需要其对应的标注是.png/.b...