coco

软硬件环境 ubuntu 18.04 64bit anaconda with 3.7 nvidia gtx 1070Ti cuda 10.1 pytorch 1.5 YOLOv5 YOLOv5环境配置 请参考之前的文章，YOLOv5目标检测 使用COCO数据集 YOLOv5 的预训练模型是基于 COCO 数据集，如果自己想去复现下训练过程，可以依照下面的命令 $ python train.py --data coco.yaml --cfg yolov5s.yaml --weights '' --batch-size 64 yolov5m 48 yolov5l 32 yolov5x 16 COCO 的数据集可以通过 data 文件夹下 get_coco2017.sh 脚本进行下载，包含图片和 lable 文件。 COCO 的数据集实在是太大了，整个压缩包有18G，考虑到自己到的网速还有机器的算力，还是洗洗睡吧。。。 制作自己的数据集 如果没有对应目标的公开数据集，那就只有自己出手收集了，图片到手后，接下来就是艰辛的打标签工作了，这里使用工具 LabelImg ，下载地址是 https://github.com/tzutalin/labelImg/releases/tag/v1.8.1 LabelImg 使用 Qt 做了图形化的界面，操作还是很方便的，这也是选择它的理由，它提供了默认的

简介 jumpserver是github上的一个开源项目，其能有效的对服务器、用户进行分组，实现用户-系统用户-服务器的对应权限控制，并结合审计、日志等功能，据说是 4A 级的专业运维审计系统，系统提供两种登陆方式web、终端，目前支持linux和windows系统接入，后续可能支持更多，确实方便易用，目前已在公司投入使用。 参考文档 官网： http://www.jumpserver.org Demo： https://demo.jumpserver.org 项目地址： https://github.com/jumpserver/jumpserver 安装文档： http://docs.jumpserver.org/zh/doc s 启动方式 本文基于Centos 7安装， http://docs.jumpserver.org/zh/docs/step_by_step.html source /opt/py3/bin/activate web界面的服务启动 ： cd /opt/jumpserver ./jms start all -d web、终端的服务启动： cd /opt/coco ./cocod start -d windows接入服务启动： docker run --name jms_guacamole -d \ -p 8081:8080 -v /opt

开源跳板机 jumpserver 安装 简介 Jumpserver 是全球首款完全开源的堡垒机 , 使用 GNU GPL v2.0 开源协议 , 是符合 4A 的专业运维审计系统 Jumpserver 使用 Python / Django 进行开发 , 遵循 Web 2.0 规范 , 配备了业界领先的 Web Terminal 解决方案 , 交互界面美观、用户体验好。 Jumpserver 采纳分布式架构 , 支持多机房跨区域部署 , 中心节点提供 API, 各机房部署登录节点 , 可横向扩展、无并发访问限制。 Jumpserver 现已支持管理 SSH 、 Telnet 、 RDP 、 VNC 协议资产。 官网 http://www.jumpserver.org/ github https://github.com/jumpserver/jumpserver 官方安装 http://docs.jumpserver.org/zh/docs/setup_by_centos.html 特点： 完全开源， GPL 授权 Python 编写，容易再次开发 实现了跳板机基本功能，认证、授权、审计 集成了 Ansible ，批量命令等 支持 WebTerminal Bootstrap 编写，界面美观 自动收集硬件信息 录像回放 命令搜索 实时监控 批量上传下载 环境配置 服务器环境 CPU:

点击上方“ 迈微AI研习社 ”，选择“ 星标★ ”公众号 重磅干货，第一时间送达 仅作学术分享，不代表本公众号立场，侵权联系删除 转载于：我爱计算机视觉，52CV君 AI博士笔记系列推荐 周志华《机器学习》手推笔记正式开源！可打印版本附pdf下载链接 前段时间OpenCV正式将SIFT算法的实现从Non-free模块移到主库，因SIFT专利到期了（专利授权后，从申请日开始有20年的保护期）。 美国林肯总统称 "专利制度是给天才之火浇上利益之油" ,专利保护了申请人的利益，促进了科技的进步，但现在也有越来越多的滥用专利权对产业机构敲诈的案例出现。 SIFT 专利权的终结让我们不得不思考，还有哪些著名的算法被申请了专利？对于做研究的朋友来说不需要考虑这个问题，专利算法依然可以参考、复现、对比，但对于产业界朋友就不得不确认清楚：项目中有没有可能使用了别人专利保护算法。 作为计算机视觉领域当今翘楚，两度获得CVPR 最佳论文奖的何恺明大佬有很多论文都具有重大影响力。其部分论文引用数据： 残差网络 ResNet 被引用 51939 次、目标检测算法 Faster RCNN 被引用 20291 次、实例分割算法 Mask RCNN 被引用 7249 次，暗通道去雾被引用 4274 次，这些知名的算法有成百上千的开源实现，也肯定被大量的商业公司使用，有没有被申请专利？ 想想 ResNet

update:我终于懂得衰亡的民族之所以沉默的缘由了。 初赛Day -7 虽然我是第一次参加初赛而且到现在为止我还没见过初赛题但我一点也不慌! 真的!一点!也不慌! 初赛Day 1 早上和可s爱b jw 去利君 suo 粉,碰见了巨巨巨巨佬 CYJian !!! 在心里疯狂%但没好意思打招呼,但是 jw 已经无法控制内心的激动 极其热情地..."大佬好!!!" (然而大佬戴着耳机好像没听见???) 等待 + 闲聊ing.. 高一高二一起有四五十个人,于是女孩子们都坐了小车哎嘿嘿, 但我并没有发现哪里好了 到湖大后好像还有四十多分钟...认校服现场hhh,还有各位集训队大佬orz 进场... 教室里的椅子真的好吵qwq 考试还有小朋友在翘椅子( 要不是为了不在初赛退役而积一点人品我就当场打爆他狗头 ) 前面选择题一路 比较? 顺畅,直到最后一道状压dp... 完全看不懂啊我敲!!! dp巨弱... 极其迷茫地走出考场,突然发现对面有 茶颜 !!!!!!!以及 coco 一点点 一只酸奶牛 知乎茶也 Happy lemon... 我!我,我...... 我愉快地坐上了回程的车 微笑.jpg 复赛Day -8 明天就要期中考了我今天晚自习就开始复习了耶!(发出惊人言论 晚自习请了假在班上复习,终于来到最最最弱的化学时...我班门口惊现信息组大佬!!! 于是被迫叫回组开会...

摘要： 基于HiLens Kit已经基本开发完成，可部署到HiLens Kit，模型的选择为基于DarkNet53的YOLOv3模型，权重为基于COCO2014训练的数据集，而车道线的检测是基于OpenCV的传统方法实现的，可通过ModelArts AI Gallery与HiLens Kit全流程端云协同开发部署。 点击传送门，先来看看最终视频效果吧→→ （PS：请忽略背景音乐）！ 主体流程介绍 ： （可选，忽略亦可，取决于摄像头质量，对于相机畸变较大的需要先计算相机的畸变矩阵和失真系数，对图片进行校正）图片校正； 截取感兴趣区域，仅对包含车道线信息的图像区域进行处理； 对感兴趣区域使用透视变换； 针对不同颜色的车道线，不同光照条件下的车道线，不同清晰度的车道线，根据不同的颜色空间使用不同的梯度阈值，颜色阈值进行不同的处理。并将每一种处理方式进行融合，得到车道线的二进制图； 提取二进制图中属于车道线的像素； 对二进制图片的像素进行直方图统计，统计左右两侧的峰值点作为左右车道线的起始点坐标进行曲线拟合； 使用二次多项式分别拟合左右车道线的像素点（对于噪声较大的像素点，可以进行滤波处理，或者使用随机采样一致性算法进行曲线拟合）； 计算车道曲率及车辆相对车道中央的偏离位置； 效果显示（ 可行域显示 ， 曲率 和 位置显示 ）。 检测驾驶过程中道路中其他车辆状态，显示 车辆类别 、 置信度

[toc] 1. 本文地址 博客园： https://www.cnblogs.com/coco56/p/11223297.html 简书： https://www.jianshu.com/p/3352da979bce CSDN： https://blog.csdn.net/COCO56/article/details/96773573 2. 下载地址 链接为OneDrive不限速网盘，可以在线浏览播放或下载。 视频集地址： https://www.cnblogs.com/coco56/p/11223189.html 在 考研视频 那里。 3. 在线播放说明 点击需要播放的视频。 点击播放按钮。 此时即可在线播放视频。 4. 收录列表 19考研张雪峰解读十三大门类 高等数学-徐小湛第七版： https://blog.csdn.net/COCO56/article/details/96774181 线性代数 5. 更多资源 以下公众号是我经常去找资源的地方。 考研微课：kaoyanweike 橙味学堂：studyess 快乐考研人：happykaoyan 高数叔：gaoshudashu666 研究僧部落：fykyl2018 来源： oschina 链接： https://my.oschina.net/u/4301494/blog/3455647

本文将从以下三个方面介绍如何制作自己的数据集 数据标注 数据扩增 将数据转化为COCO的json格式 参考资料 一、数据标注 在深度学习的目标检测任务中，首先要使用训练集进行模型训练。训练的数据集好坏决定了任务的上限。下面介绍两种常用的图像目标检测标注工具： Labelme 和 LabelImg。 （1）Labelme Labelme适用于图像分割任务和目标检测任务的数据集制作，它来自该项目： https://github.com/wkentaro/labelme 。 按照项目中的教程安装完毕后，应用界面如下图所示 ： 它能够提供多边形、矩形、圆形、直线和点的图像标注，并将结果保存为 JSON 文件。 （2）LabelImg LabelImg适用于目标检测任务的数据集制作。它来自该项目： https://github.com/tzutalin/labelImg 应用界面如下图所示： 它能够提供矩形的图像标注，并将结果保存为txt（YOLO）或xml（PascalVOC）格式。如果需要修改标签的类别内容，则在主目录data文件夹中的predefined_classes.txt文件中修改。 我使用的就是这一个标注软件，标注结果保存为xml格式，后续还需要进行标注格式的转换。 操作快捷键： Ctrl + u 加载目录中的所有图像，鼠标点击Open dir同功能 Ctrl + r

作者： 江大白 知乎链接： https://zhuanlan.zhihu.com/p/143747206 本文仅供学习参考，如有侵权，请联系删除！ 文章目录 1. 论文汇总 2. Yolov3核心基础内容 2.1 网络结构可视化 2.2 网络结构图 2.3 核心基础内容 3. Yolov3相关代码 3.1 python代码 3.2 C++代码内容 3.3 python版本的Tensorrt代码 3.4 C++版本的Tensorrt代码 4. Yolov4核心基础内容 4.1 网络结构可视化 4.2 网络结构图 4.3 核心基础内容 4.3.1 输入端创新 4.3.2 Backbone创新 4.3.3 Neck创新 4.4.4 Prediction创新 5. Yolov4相关代码 5.1 python代码 5.2 C++代码 1.论文汇总 Yolov3论文名：《Yolov3: An Incremental Improvement》 Yolov3论文地址：https://arxiv.org/pdf/1804.02767.pdf Yolov4论文名：《Yolov4: Optimal Speed and Accuracy of Object Detection》 Yolov4论文地址：https://arxiv.org/pdf/2004.10934.pdf 2.YoloV3核心基础内容 2

测试环境： OS: Win10 CUDA: 11.0 pytorch: 1.7.1 GPU: 3060Ti python：3.8 Detectron: 0.3（笔者可以在win环境成功编译安装detectron2 Detectron2模型数量虽然比mmdetection少，不过有些论文还是用Detectron2做的，因此有必要了解一下如何用Detectron2训练自定义数据集。 关于mmdetection下训练coco格式的自定义数据请移步笔者另一篇博文： mmdetection-v2.3安装配置及训练自定义数据集 以笔者目前的经验来看，要想对自己领域内的图像做目标检测任务，最好的方法是制作成COCO格式数据集，个人习惯用labelimg先制作成voc格式，然后用脚本转换为coco格式，转换脚本可见笔者的github库： https://github.com/ouening/OD_dataset_conversion_scripts 。制作成COCO格式的好处是目前大部分OD框架都支持该数据格式，直接调用API或者简单修改就可以用，当然VOC格式也是基本都支持的，但是COCO在指标评价上更加丰富，VOC只有传统的mAP，COCO指标有AP,AP0.5,AP0.75,APs,APm,APl,AR1,AR10,AR100等。 下面以AdelaiDet（基于Detectron2