指派问题是那些派完成任务效率最高的人去完成任务的问题。在生活中经常遇到这样的问题，某单位需完成n项任务，恰好有n个人可承担这些任务。由于每人的专长不同，各人完成任务不同(或所费时间)，效率也不同。于是产生应指派哪个人去完成哪项任务，使完成n项任务的总效率最高(或所需总时间最小)。这类问题称为指派问题或分派问题。假设其指派矩阵如上所示，其意思是说列项表示人数，行项表示每人完成某项任务的时间或者效率，目标函数即为求取给每人安排一项任务，使所有人完成任务的时间最短或者效率最高。如3表示第1个人完成任务a的时间或者效率，8表示第1个人完成b任务的时间或者效率。python可以使用scipy.optim
指派问题是那些派完成任务效率最高的人去完成任务的问题。在生活中经常遇到这样的问题，某单位需完成n项任务，恰好有n个人可承担这些任务。由于每人的专长不同，各人完成任务不同(或所费时间)，效率也不同。于是产生应指派哪个人去完成哪项任务，使完成n项任务的总效率最高(或所需总时间最小)。这类问题称为指派问题或分派问题。假设其指派矩阵如上所示，其意思是说列项表示人数，行项表示每人完成某项任务的时间或者效率，目标函数即为求取给每人安排一项任务，使所有人完成任务的时间最短或者效率最高。如3表示第1个人完成任务a的时间或者效率，8表示第1个人完成b任务的时间或者效率。python可以使用scipy.optim
目录一、tools/train.py二、源码详解三、核心函数详解（一）build_detector（mmdet/models/builder.py）（二） build_dataset（mmdet/datasets/builder）（三） train_detector（mmdet/apis/train.py）（四）set_random_seed：（五）get_root_logger：一、tools/train.py可选参数:#===========optionalarguments===========#--work-dir存储日志和模型的目录#--resume-from加载checkpoint
目录一、tools/train.py二、源码详解三、核心函数详解（一）build_detector（mmdet/models/builder.py）（二） build_dataset（mmdet/datasets/builder）（三） train_detector（mmdet/apis/train.py）（四）set_random_seed：（五）get_root_logger：一、tools/train.py可选参数:#===========optionalarguments===========#--work-dir存储日志和模型的目录#--resume-from加载checkpoint
YOLOV7基于自定义数据集训练专属于自己的目标检测模型0.引言1.数据集准备（1）把yolov7克隆到本地（2）指定格式存放数据集（3）按比例划分数据集（4）将xml文件转换成YOLO系列标准读取的txt文件（5）查看自定义数据集标签类别及数量2.训练配置准备（1）安装requirements（2）修改模型配置文件（3）修改数据加载配置文件3.训练检测模型4.测试模型性能5.实战检测模型性能6.导出模型7.后续0.引言YOLOv7作为YOLO系列的又一大巅峰之作，下面将介绍利用自己的数据集训练YOLOv7模型。github代码链接：https://github.com/WongKinYiu/
YOLOV7基于自定义数据集训练专属于自己的目标检测模型0.引言1.数据集准备（1）把yolov7克隆到本地（2）指定格式存放数据集（3）按比例划分数据集（4）将xml文件转换成YOLO系列标准读取的txt文件（5）查看自定义数据集标签类别及数量2.训练配置准备（1）安装requirements（2）修改模型配置文件（3）修改数据加载配置文件3.训练检测模型4.测试模型性能5.实战检测模型性能6.导出模型7.后续0.引言YOLOv7作为YOLO系列的又一大巅峰之作，下面将介绍利用自己的数据集训练YOLOv7模型。github代码链接：https://github.com/WongKinYiu/
CLIP（ContrastiveLanguage-ImagePre-Training）:利用文本的监督信号训练一个迁移能力强的视觉预训练模型通过对比学习,训练得到图片和文本的相似度,传闻使用4亿个配对的数据和文本来进行训练,不标注直接爬取的注意:由于训练数据基本都是英文,对英文支持的比较好用途:CLIP主要是用来做图片分类(计算图片和文本的相似度(关联度)),也可以辅助做GAN,检测,分割,检索等等以往我们训练一个猫狗分类模型，换一个线条猫，点云猫，油画猫，穿着奇装异服的猫，分类网络很难还认识，但是现在只要加上一个CLIP，模型马上就被扩展了.CLIP是如何训练的:CLIP是如何进行推理的:可
CLIP（ContrastiveLanguage-ImagePre-Training）:利用文本的监督信号训练一个迁移能力强的视觉预训练模型通过对比学习,训练得到图片和文本的相似度,传闻使用4亿个配对的数据和文本来进行训练,不标注直接爬取的注意:由于训练数据基本都是英文,对英文支持的比较好用途:CLIP主要是用来做图片分类(计算图片和文本的相似度(关联度)),也可以辅助做GAN,检测,分割,检索等等以往我们训练一个猫狗分类模型，换一个线条猫，点云猫，油画猫，穿着奇装异服的猫，分类网络很难还认识，但是现在只要加上一个CLIP，模型马上就被扩展了.CLIP是如何训练的:CLIP是如何进行推理的:可
GeneralizingLinearClassification假设我们有如上图的trainingdata，注意到此时\(\mathcal{X}\subset\mathbb{R}^{2}\)。那么decisionboundary\(g\)：\[g(\vec{x})=w_{1}x_{1}^{2}+w_{2}x_{2}^{2}+w_{0}\]即，decisionboundary为某种椭圆，例如：半径为\(r\)的圆（\(w_{1}=1,w_{2}=1,w_{0}=-r^{2}\)），如上图中的黑圈所示。我们会发现，此时decisionboundarynotlinearin\(\vec{x}\)。但
GeneralizingLinearClassification假设我们有如上图的trainingdata，注意到此时\(\mathcal{X}\subset\mathbb{R}^{2}\)。那么decisionboundary\(g\)：\[g(\vec{x})=w_{1}x_{1}^{2}+w_{2}x_{2}^{2}+w_{0}\]即，decisionboundary为某种椭圆，例如：半径为\(r\)的圆（\(w_{1}=1,w_{2}=1,w_{0}=-r^{2}\)），如上图中的黑圈所示。我们会发现，此时decisionboundarynotlinearin\(\vec{x}\)。但
