YOLOv5-7.0可以用来做实例分割的任务了！！！用完感觉实在是666啊目录项目介绍 数据标注及处理        json转换txt         切分训练集、测试集、验证集修改配置文件模型训练和推理后处理项目介绍本文章主要目的有两个：用yolov5分割网络训练自己的数据处理yolov5的分割结果，将分割的图像裁剪出来我的项目是需要识别图一里面这些小块，将每个小块裁剪出来，旋转成水平角度后再进行下一步的操作。因项目保密原因，就用模糊的图片代替，见谅见谅。下面展示了效果图，如果你的项目需要实现的功能跟我类似，可参考参考 图一 图二 图三图四图片说明：图一是原图图二是yolov5检测后的图片

一、NAND基本原理目前NAND已经从SLC发展到PLC，但是PLC离大规模上市还有一段距离，我们暂时先略过。市面上主要流通的就是4种NAND类型：SLC、MLC、TLC、QLC。随着每个寿命从高到低依次是SLC>MLC>TLC>QLC.随着单个cell含有的bit数越多，NAND的可靠性也会有所降低。同时写延迟也在不断地增加。SLC写延迟在0.5ms级别，到QLC写延迟达到10-20ms，40倍的差距。这也导致QLCSSD性能出现很大的下降。介绍完NANDcell的状态，再来show一下NAND的基本操作(以最简单的SLC为例)。读(Read)：如上图所示，这是对单一cell进行read的基

内容简介        本文在文章《使用Pano2VR实现背景音乐、放大/缩小、旋转、缩略图和直线/立体/鱼眼模式等》基础上，增加全景图切换和平面图效果；效果如下图（为了可以上传缩小屏幕，属于PC端运行）：实现过程        1.运行Pano2VR软件后，打开文章 《使用Pano2VR实现背景音乐、放大/缩小、旋转、缩略图和直线/立体/鱼眼模式等》的vr源文件；        2.增加全景图切换热点，如下图，设置属性；        3.更换热点图标和增加动画效果；        1）更换图标，先选择“ht_node”下的“hsimage”，然后打开右边“SVG图片”并更换成下载的svg图

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。今日学习笔记：1、利用roberts、prewitt、soble、log和canny等算子，对步骤一灰度图像进行边缘检测  代码如下：A=imread('666666.jpg');C=rgb2gray(A);B1=edge(

1、数据增强作用  避免过拟合  提升模型的鲁棒性 提高模型的泛化能力 避免样本不均衡的问题2.、数据增强分类可分为两类：在线增强和离线增强。这两者的区别在于离线增强是在训练前对数据集进行处理，往往能得到多倍的数据集，在线增强是在训练时对加载数据进行预处理，不改变训练数据的数量。离线增强一般用于小型数据集，在训练数据不足时使用，在线增强一般用于大型数据集。3、方法比较常用的几何变换方法主要有：翻转，旋转，裁剪，缩放，平移转换，色彩抖动，尺度变换，对比度变换，噪声扰动，旋转变换；比较常用的像素变换方法有：加椒盐噪声，高斯噪声，进行高斯模糊，调整HSV对比度，调节亮度，饱和度，直方图均衡化，调整白

1、数据增强作用  避免过拟合  提升模型的鲁棒性 提高模型的泛化能力 避免样本不均衡的问题2.、数据增强分类可分为两类：在线增强和离线增强。这两者的区别在于离线增强是在训练前对数据集进行处理，往往能得到多倍的数据集，在线增强是在训练时对加载数据进行预处理，不改变训练数据的数量。离线增强一般用于小型数据集，在训练数据不足时使用，在线增强一般用于大型数据集。3、方法比较常用的几何变换方法主要有：翻转，旋转，裁剪，缩放，平移转换，色彩抖动，尺度变换，对比度变换，噪声扰动，旋转变换；比较常用的像素变换方法有：加椒盐噪声，高斯噪声，进行高斯模糊，调整HSV对比度，调节亮度，饱和度，直方图均衡化，调整白

一、什么是图像阈值        在数字图像处理中，阈值是指将图像中的像素值分成两个或更多个不同的区域，通常是为了将图像中的对象从背景中分离出来。阈值分割是一种基本的图像处理技术，它通常用于图像分割、目标检测和特征提取等任务中。阈值的选择是阈值分割的关键。常用的阈值选取方法有：直方图法、最大类间方差法（OTSU法）、基于最大熵的阈值分割法、迭代阈值分割法等等。二、阈值分割方法（1）直方图法概念：阈值分割直方图法是一种常用的基于图像直方图的阈值选取方法。它利用图像的灰度直方图来确定合适的阈值，从而实现图像的分割。基于直方图的阈值分割方法，阈值的选择对于分割结果至关重要。通常有以下几种阈值选取方法

UNeXt是约翰霍普金斯大学在2022年发布的论文。它在早期阶段使用卷积，在潜在空间阶段使用MLP。通过一个标记化的MLP块来标记和投影卷积特征，并使用MLP对表示进行建模。对输入通道进行移位，可以专注于学习局部依赖性。UNeXt基本架构UNeXt是一种编码器-解码器架构，具有两个阶段：1、卷积阶段，2、标记化MLP阶段。输入图像通过编码器，前3个块是卷积块，接下来的2个是标记化MLP块。解码器有2个标记化MLP块，后跟3个卷积块。每个编码器块使用具有窗口2×2的最大池化层将特征分辨率降低2，每个解码器块使用双线性插值将特征分辨率增加2。编码器和解码器之间也包含跳过连接。每个块的通道数是一个超

MMDetection是一个基于PyTorch的目标检测开源工具箱，它是OpenMMLab项目的一部分。包含以下主要特性：支持三个任务目标检测（ObjectDetection）是指分类并定位图片中物体的任务实例分割（InstanceSegmentation）是指分类，分割图片物体的任务全景分割（PanopticSegmentation）是统一了语义分割（对图像的每个像素进行分类）和实例分割（检测出对象实例并进行分割）的检测任务模块化设计以灵活支持6个数据集，57种不同算法和丰富的数据增强，提供450+个预训练模型支持数十个算法模型的部署安装（目标检测）使用下面的命令快速生成虚拟环境：$pyth

1目前点云处理中的大体方法：其中点投影(projection-based)的方法有：其中直接点云处理(point-based)的方法有：国科大在2020年，发表一篇点云方向综述文章。2Transformer方法的点云方向2.1Transformer点云语义分割点云Tranformer方向上，除了PointTranformer、清华的PCT外,新出的一篇文章叫CpT:ConvolutionalPointTransformerfor3DPointCloudProcessing。PointTransformer：U形架构，简单的self-attention头，KNN和FPS算法。PCT：偏移注意块。