下载对应版本的whl文件到本地 Links for pycocotools-windows (tsinghua.edu.cn) pip install pycocotools_windows-2.0-cp37-cp37m-win_amd64.whl

前言目标检测模型一般都是用无角度的矩形框标注的，但有些时候我们的目标在图像中是有角度的，我们希望框出来的目标矩形框也是有角度的贴合目标的，比如下面这种情况 （虽然训练结果不好，可能是数据集数量少，或者对这种类型的数据集效果不理想之类的，但还是记录一下过程） yolov5本身是一个轻量级的目标检测模型。不支持旋转目标矩形框。 此次用到的是牛人改写的yolov5-obb hukaixuan19970

webdriver中只有ChromeOptions而没有EdgeOptions,无法添加headless参数，需要借助外部工具 pip install msedge-selenium-tools 然后就可以了 123456789101112from selenium import webdriverfrom msedge.selenium_tools import EdgeOptionsfrom

安装下载项目源码 git clone https://github.com/cgvict/roLabelImg#防止作者跑路，fork了一个备用https://github.com/RuBanNo7/roLabelImg 安装依赖 pip install pyqt5,lxml 进入到roLabelImg目录下 pyrcc5 -o resources.py resources.qrc 成功后会在

牛逼的可视化工具Live Programming Mode - Python Tutor - Visualize Python and JavaScript code

原文：Dropout 缓解过拟合 - PyTorch 莫烦Python (mofanpy.com) 过拟合让人头疼, 明明训练时误差已经降得足够低, 可是测试的时候误差突然飙升 主要原因是训练数据太少，模型对训练数据过度学习了 可以用数据点的曲线回归问题来解释 定义数据集 12345678910111213141516171819202122import torchimport matplotli

原文：什么是批标准化 (Batch Normalization) - PyTorch 莫烦Python (mofanpy.com) Batch Normalization, 批标准化, 和普通的数据标准化类似, 是将分散的数据统一的一种做法, 也是优化神经网络的一种方法 为什么要标准化？ 在神经网络中, 数据分布对训练会产生影响. 比如某个神经元 x 的值为1, 某个 Weights 的初始值为

原文：AutoEncoder (自编码/非监督学习) - PyTorch 莫烦Python (mofanpy.com) 编码器 这部分也叫作 encoder 编码器. 编码器能得到原数据的精髓, 然后我们只需要再创建一个小的神经网络学习这个精髓的数据,不仅减少了神经网络的负担, 而且同样能达到很好的效果. 这是一个通过自编码整理出来的数据, 他能从原数据中总结出每种类型数据的特征, 如

原文：RNN 循环神经网络 (回归) - PyTorch 莫烦Python (mofanpy.com) PyTorch08-RNN(循环神循环神经网络让神经网络有了记忆, 对于序列话的数据,循环神经网络能达到更好的效果 上次我们提到了用 RNN 的最后一个时间点输出来判断之前看到的图片属于哪一类, 这次我们用 RNN 来及时预测时间序列 效果：用sin预测cos RNN网络对每一个 r_out

原文：RNN 循环神经网络 (分类) - PyTorch 莫烦Python (mofanpy.com) 循环神经网络让神经网络有了记忆, 对于序列化的数据,循环神经网络能达到更好的效果。 数据集1234567891011121314151617181920212223242526import torchfrom torch import nnimport torchvision.datasets