在linux平台上安装多个python环境，并流畅的切换是一项研发过程中的高频操作

如果习惯于在python包安装失败之后，在各个源之间进行切换，是一种比较低效的工作习惯。事实上可以同时配置多个源，pip install的时候可以依次轮训各个源，这样更加高效。

vscode目前已经成为自己唯一的编译器工具，实现各种语言的开发至关重要。

ConvNext目标检测部分的代码，作者仅提供了部分python文件，如果想将该部分代码正常跑起来，会涉及ConvNext、Swin-Transformer-Object-Detection和Mmdetection多个仓库。本篇文章分享了本人组装好的一个用于object detection的ConvNext仓库，方便目标检测领域的读者直接安装、使用。

目标检测－ＤarkNet源码解读DarkNet源码解读1.一些思考 1.1 DarkNet的本质 1.2 深度学习分为两条线 1.3 检测任务的步骤2.代码走读 2.1 程序入口 2.2 步骤1 加载网络 2.2 加载图片 2.3 前向 2.4 后处理3.一些细节 3.1 双向链表来存储网络 3.2 回调函数来模拟虚函数 3.3 分类阈值与nms操作到底是怎么操作的4.回头看 4.1 Yolov3

近期对2015年的一篇较为经典的论文"spatial transformer networks(stn)"进行了研究。本博文是stn阅读心得的记录。在第二小节中，会描述stn的实现细节，包括三大组成构件：localisation network, Grid generator, Sampler。在第三小节中会通过跟踪stn源码（pytorch版本）来验证自己的理解。在第四部分作为扩展部分，会尝试从

目标检测－ＤarkNet使用引言１. ＤarkNet的安装2. Ｙolo的介绍2.1 与Ｆocal Loss相比，性能领先2.2 以极低的代价实现速度与精度的trade-off2.3 产业界的广泛应用功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创

1. 引言  本篇文章是介绍ＤarkNet的第三篇文章。第一篇文章主要是介绍ＤarkNet的使用，重点在于熟悉ＤarkNet训练集的数据标签形式和相关的使用指令。第二篇文章主要是介绍ＤarkNet的test线的源码：包括List数据结构;网络多链的实现;回调函数机制和检测的前向后处理。本文是第三篇文章，按照设计，ＤarkNet就会以这三篇文章作为主脉络，后续若再有相关的关于ＤarkNet的文章，也

1. 论文1.1 文章讲了什么  目前目标检测领域的做法分为两大类：anchor-based(one-stage vs two-stage)和anchor-free(keypoint-based vs center-based)。anchor-based系列的文章有例如R-CNN系列和YOLO系列。而anchor-free系列的文章是由于FPN和Focal loss的出现，也变得流行起来（大概在2

ConvNext目标检测部分的代码，作者仅提供了部分python文件，如果想将该部分代码正常跑起来，会涉及ConvNext、Swin-Transformer-Object-Detection和Mmdetection多个仓库。本篇文章分享了本人组装好的一个用于object detection的ConvNext仓库，方便目标检测领域的读者直接安装、使用。