pytorch做自己的目标检测模型第一章：制作数据集要训练自己的pytorch目标检测模型，第一步就是要制作自己的数据集。我这里只是尝试，所以做了很小的数据集，只有一个分类，15张图片，就是手机随便拍的。如图，在桌子上随便拍了些益达口香糖的瓶子，目的就是设计一个目标检测模型，最终实现能够检测到这个益达口香糖的瓶子。因为手机拍的图片较大，所以需要先将图像缩小到500x375，打开data文件夹，or

模型的保存和加载模型训练是一个耗时的过程, 一个优秀的机器学习模型是非常宝贵的. 所以当模型训练完毕后,可以把模型保存在磁盘中, 在需要的时候可以从磁盘中重新加载模型. 不再需要重新训练.import pickle# 保存模型pickle.dump(model, 磁盘文件)# 加载模型model = pickle.load(磁盘文件)案例: 把训练好的模型持久化.# 从文件中加载模型对象with

Nuitka打包python文件Nuitka相比于pyinstaller，不仅打包的速度快，运行的速度也快了很多，真是良心之作，那就说下我的经验吧。首先下载mingw64。网址：https://sourceforge.net/projects/mingw-w64/files/选第三个：x86_64-posix-sjlj。然后下载就可以了。下载下来长这样，然后解压放到C盘里。打开编辑环境变量，在pa

自然语言处理(NLP)Siri工作流程: 1. 听2. 懂3.思考4. 组织语言5.回答语音识别自然语言处理 - 语义分析业务逻辑分析 - 结合场景 上下文自然语言处理 - 分析结果生成自然语言文本语音合成自然语言处理自然语言处理的常用处理过程:先针对训练文本进行分词处理(词干提取, 原型提取), 统计词频, 通过词频-逆文档频率算法获得该词对整个样本语义的贡献, 根据每个词对语义的贡献力度, 构

本文所用文件的链接链接：https://pan.baidu.com/s/1RWNVHuXMQleOrEi5vig_bQ提取码：p57s样本类别均衡化通过样本类别权重的均衡化, 使所占比例较小的样本权重较高,而所占比例较大的样本权重较低, 以此平均化不同类别样本对分类模型的贡献, 提高模型预测性能.什么情况下会用到样本类别均衡化? 当每个类别的样本容量相差较大时, 有可能会用到样本类别均衡化.这是原

Pytorch+yolov4做马路边线检测1.环境版本Python : 3.7.3torch : 1.8.0torchvision : 0.9.0Cuda : 11.22.数据集：数据集均是我自己采集自己标定的，数量不多但是也够用了。附百度云链接链接：https://pan.baidu.com/s/1muN1aC3lJxDnRsHyXfnlzw提取码：e15z3.项目代码：项目代码是从github

Python解析json数据并保存为csv文件首先导入两个包：import jsonimport pandas as pd打开json 文件并读取：with open('2.json', encoding='utf-8') as f:line = f.readline()d = json.loads(line)f.close()读取的json数据会以字典的形势保存，按照字典的读取方式获取自己想要的

计算车辆转弯半径如图：L，W，θ均为已知条件，根据简单的三角关系，即可得出转弯半径R。轴距，轮距需要按照不同的车型进行配置前轮角度可以根据方向盘角度得到，可以根据方向盘与前轮角度的固定比计算最终结果：R = (L / tanθ + W / 2) / cosθ...

词干提取import nltk.stem.porter as ptimport nltk.stem.lancaster as lcimport nltk.stem.snowball as sb# 波特词干提取器(偏宽松)stemmer = pt.PorterStemmer()# 朗卡斯特词干提取器(偏严格)stemmer = lc.LancasterStemmer()# 思诺博词干提取器(偏中庸)

神经元  深度学习中最基础的概念：神经元，现在所流行的神经网络，几乎都是由神经元通过不同的方式组合而成的，一个完整的神经元主要由两部分组成，分别是线性函数和激励函数。  线性函数：     y = wX + b    线性函数的公式都是这样的表达方式，这里的x表示输入，y表示输出，w表示权重，b表示偏差。    输入：神经元处理之前的数据，x不一定是一个数，也可以是一个矩阵或者其他数据     输