目的：使用python把单个py文件或指定目录里面所有的py文件打包成so文件，以起到加密作用。 环境：ubuntu 16.04 64位系统，python2，安装cython,gcc 安装：安装cython ：sudo pip install cython安装gcc： sudo apt-get install gcc一、把单个py文件test.py打包成so文件。test.py代码如下：# -*-

最近是刚刚训练模型，但是只会一股脑的训练是不行的，要懂得训练多少epoch，以及通过哪些指标来查看训练的效果如何，现在这几天的经验总结一下。本实验以person为例子，分别训练100epoch、60epoch、50epoch训练经验：由于并不知道到底训练多少epoch效果比较好，所以现在先设置成100。（这几天查询资料得出来的结论一般50多就差不多了）

目前，三维重建技术已在游戏、电影、测绘、定位、导航、自动驾驶、VR/AR、工业制造以及消费品领域等方面得到了广泛的应用。方法同样也层出不穷，我们将这些方法依据原理分为两类：•基于传统多视图几何的三维重建算法•基于深度学习的三维重建算法总的来说，尽管目前传统的三维重建算法依旧占据研究的主要部分，但是越来越多的研究者开始关注于用CNN探索三维重建，或者说，两者之间的交叉与融合。有人问，在三维重建中引入

正常情况下会报出一些错误，大部分都是缺少文件导致的，所以解决方法都是同一种，就是去到环境安装根目录，例如本文环境名为paddleocr，安装目录为C:\ProgramData\Miniconda3\envs\paddleocr，从中复制文件到exe文件夹下，进行报错解除。需要注意的是首次运行，程序会自动下载模型文件，如果计算机不能够联网，需要将模型文件夹复制到主目录，即C盘用户名目录下，模型文件夹

目前，三维重建技术已在游戏、电影、测绘、定位、导航、自动驾驶、VR/AR、工业制造以及消费品领域等方面得到了广泛的应用。方法同样也层出不穷，我们将这些方法依据原理分为两类：•基于传统多视图几何的三维重建算法•基于深度学习的三维重建算法总的来说，尽管目前传统的三维重建算法依旧占据研究的主要部分，但是越来越多的研究者开始关注于用CNN探索三维重建，或者说，两者之间的交叉与融合。有人问，在三维重建中引入

1.准备数据首先需要将数据集转换为标准COCO格式或VOC格式。2.选择模型PaddleDetection中提供了丰富的模型库，具体可在模型库中查看各个模型的指标，您可依据实际部署算力的情况，选择合适的模型，同时也可以根据使用场景不同选择合适的模型，具体参考特色模型。3.生成Anchor在yolo系列模型中，可以运行1目前支持的主要参数配置如下表所示：4.修改参数配置数据路径配置: 在yaml配置

最近，opencv4.5.0调用yolov4进行目标检测，需要cuda加速，按照博客上说的编译了带cuda的版本。以下是几个需要注意的问题：一. 编译注意事项CUDA_FAST_MATH要选中OPENCV_GENERATE_SETUPVARS不要选OPENCV_ENABLE_NONFREE要选中，这是扩展包CUDA_ARCH_BIN只需留下适合自己电脑的算力，比如TITAN RTX 和RTX208

imgaug 是一个比torchvision更强大的数据增强工具包，这不仅体现在数据增强类别上，也包括数据增强方法的使用。比如，imgaug不仅提供了一些常见的shape增强方法和color增强方法，例如旋转、对比度等，也提供了加雨、加雾这些增强方法。此外，imgaug也可以设置keypoint等，对比数据增强前后关键点未知的变化。

最近，opencv4.5.0调用yolov4进行目标检测，需要cuda加速，按照博客上说的编译了带cuda的版本。以下是几个需要注意的问题：一. 编译注意事项CUDA_FAST_MATH要选中OPENCV_GENERATE_SETUPVARS不要选OPENCV_ENABLE_NONFREE要选中，这是扩展包CUDA_ARCH_BIN只需留下适合自己电脑的算力，比如TITAN RTX 和RTX208

2、形态学3、距离变换4、再进行二值化4、连通区域计算输入：输出：printf（"统计玉米粒的个数 contours=:%d\n",contours);//contours =17