吃肉不能购

Oriented R-CNN 试图涨点目标检测 random rotation

1.背景

目标检测、HRSC2016数据集、复现完了Oriented R-CNN的L1、L2、L3 task，接着打算魔改网络，看看哪些方法能涨点！
2022年5月20日22点29分

2.学习mmdet框架

复现的ORCNN是基于obbdetection框架的，他是基于mmdetection的，要魔改，就要先学会怎么改这个框架。

https://github.com/ming71/OBBDet_Swin/tree/master/configs/obb/oriented_rcnn_swin

https://blog.csdn.net/qq_39542170/article/details/112257609
https://jishuin.proginn.com/p/763bfbd5c547
https://www.pythonheidong.com/blog/article/450750/2cbfc504906ac9613718/
https://blog.csdn.net/a8039974/article/details/121699739
https://zhuanlan.zhihu.com/p/101970735

3. dataset

数据分布：

3.1 L2 TASK Train dataset distribute ↓↓↓↓↓↓

L2 TASK Train dataset distribute ↓↓↓↓↓↓
+-------+-----+------+--------+--------+
| class | gts | dets | recall | ap     |
+-------+-----+------+--------+--------+
| 01    | 458 | 7142 | 0.9716 | 0.8493 |
| 02    | 185 | 6462 | 1.0000 | 0.9880 |
| 03    | 745 | 7090 | 0.9987 | 0.9081 |
| 04    | 308 | 6626 | 0.9610 | 0.9052 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.9127 |
+-------+-----+------+--------+--------+

3.2 L2 TASK Test dataset distribute ↓↓↓↓↓↓

L2 TASK Test dataset distribute ↓↓↓↓↓↓
[>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>] 444/444, 10.7 task/s, elapsed: 42s, ETA:     0s
+-------+-----+------+--------+--------+
| class | gts | dets | recall | ap     |
+-------+-----+------+--------+--------+
| 01    | 314 | 5140 | 0.8917 | 0.6404 |
| 02    | 110 | 4529 | 1.0000 | 0.9828 |
| 03    | 540 | 5068 | 0.9907 | 0.8885 |
| 04    | 224 | 4765 | 0.9152 | 0.8066 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.8296 |
+-------+-----+------+--------+--------+

3.3 L3 Task Train dataset distribute ↓↓↓↓↓↓


L3 Task Train dataset distribute ↓↓↓↓↓↓
+-------+-----+------+--------+--------+
| class | gts | dets | recall | ap     |
+-------+-----+------+--------+--------+
| 01    | 378 | 710  | 1.0000 | 0.9537 |
| 02    | 1   | 0    | 0.0000 | 0.0000 |
| 03    | 34  | 312  | 1.0000 | 0.8602 |
| 04    | 1   | 0    | 0.0000 | 0.0000 |
| 05    | 47  | 103  | 1.0000 | 0.9893 |
| 06    | 19  | 107  | 1.0000 | 0.7642 |
| 07    | 257 | 370  | 1.0000 | 0.9986 |
| 08    | 61  | 135  | 1.0000 | 0.9985 |
| 09    | 125 | 286  | 1.0000 | 0.9692 |
| 10    | 29  | 106  | 1.0000 | 1.0000 |
| 11    | 157 | 258  | 1.0000 | 0.9977 |
| 12    | 0   | 0    | 0.0000 | 0.0000 |
| 13    | 7   | 93   | 1.0000 | 0.8576 |
| 14    | 0   | 0    | 0.0000 | 0.0000 |
| 15    | 50  | 127  | 1.0000 | 0.9982 |
| 16    | 99  | 133  | 1.0000 | 1.0000 |
| 17    | 0   | 0    | 0.0000 | 0.0000 |
| 18    | 34  | 54   | 1.0000 | 1.0000 |
| 19    | 46  | 102  | 1.0000 | 0.9962 |
| 20    | 15  | 28   | 1.0000 | 1.0000 |
| 21    | 0   | 0    | 0.0000 | 0.0000 |
| 22    | 55  | 70   | 1.0000 | 0.9984 |
| 23    | 0   | 0    | 0.0000 | 0.0000 |
| 24    | 8   | 27   | 1.0000 | 0.9192 |
| 25    | 165 | 248  | 0.9939 | 0.9091 |
| 26    | 6   | 62   | 1.0000 | 1.0000 |
| 27    | 44  | 68   | 0.9773 | 0.9026 |
| 28    | 5   | 8    | 1.0000 | 1.0000 |
| 29    | 15  | 76   | 1.0000 | 1.0000 |
| 30    | 25  | 59   | 1.0000 | 1.0000 |
| 31    | 0   | 0    | 0.0000 | 0.0000 |
| 32    | 13  | 95   | 1.0000 | 1.0000 |
| 33    | 0   | 0    | 0.0000 | 0.0000 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.8889 |
+-------+-----+------+--------+--------+

3.4 L3 Task Test dataset distribute ↓↓↓↓↓↓

可能是r101，0.005，我也不确定了，回头测试一下那个pth看看
测试条件：
lr==0.0025，r101，map==65.10
或许和学习率没有关系
，待会测试lr==0.0025,r50,这个不行，
还需要测lr==0.1,r101,也行，看来学习率就在训练的时候有用，测试的时候不调用。

L3 Task Test dataset distribute ↓↓↓↓↓↓
+-------+-----+------+--------+--------+
| class | gts | dets | recall | ap     |
+-------+-----+------+--------+--------+
| 01    | 230 | 541  | 0.8435 | 0.6284 |
| 02    | 0   | 0    | 0.0000 | 0.0000 |
| 03    | 22  | 286  | 0.9091 | 0.1447 |
| 04    | 2   | 0    | 0.0000 | 0.0000 |
| 05    | 35  | 71   | 1.0000 | 0.8143 |
| 06    | 12  | 80   | 0.9167 | 0.5301 |
| 07    | 158 | 293  | 0.9684 | 0.8962 |
| 08    | 40  | 116  | 0.9250 | 0.8090 |
| 09    | 128 | 267  | 0.9766 | 0.8966 |
| 10    | 22  | 105  | 1.0000 | 0.9803 |
| 11    | 103 | 214  | 0.9806 | 0.9072 |
| 12    | 1   | 0    | 0.0000 | 0.0000 |
| 13    | 2   | 71   | 1.0000 | 0.5000 |
| 14    | 0   | 0    | 0.0000 | 0.0000 |
| 15    | 35  | 94   | 1.0000 | 0.9218 |
| 16    | 50  | 87   | 1.0000 | 0.9917 |
| 17    | 1   | 0    | 0.0000 | 0.0000 |
| 18    | 18  | 49   | 0.8889 | 0.6258 |
| 19    | 39  | 112  | 0.9487 | 0.8279 |
| 20    | 16  | 32   | 1.0000 | 0.9173 |
| 21    | 0   | 0    | 0.0000 | 0.0000 |
| 22    | 50  | 74   | 0.9200 | 0.7228 |
| 23    | 0   | 0    | 0.0000 | 0.0000 |
| 24    | 1   | 35   | 1.0000 | 0.0312 |
| 25    | 119 | 216  | 0.9076 | 0.8241 |
| 26    | 4   | 69   | 1.0000 | 0.4421 |
| 27    | 60  | 83   | 0.9667 | 0.8960 |
| 28    | 4   | 7    | 0.7500 | 0.4870 |
| 29    | 10  | 80   | 1.0000 | 0.9587 |
| 30    | 16  | 56   | 0.9375 | 0.8745 |
| 31    | 0   | 0    | 0.0000 | 0.0000 |
| 32    | 10  | 66   | 1.0000 | 0.9504 |
| 33    | 0   | 0    | 0.0000 | 0.0000 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.6510 |
+-------+-----+------+--------+--------+

4.swin Oriented R-CNN

看到ming71在github开源的 obbdet_swin项目，他做了DOTA数据集的还有别的，我准备把HRSC2016的做完。
先把文件下载到服务器上：

cd /root
mkdir swinOrientedRcnn
cd swinOrientedRcnn
git clone https://github.com/ming71/OBBDet_Swin
cd OBBDet_Swin

然后开始准备程序文件：

4.1 configs/obb/oriented_rcnn

把swinOrcnn的config文件复制到对应的位置：

cp /root/swinOrientedRcnn/OBBDet_Swin/configs/obb/oriented_rcnn_swin/faster_rcnn_orpn_swin_fpn_1x_dota10.py /root/OBBDetection/configs/obb/oriented_rcnn

4.2 mmdet/models/backbones/init.py

在
OBBDetection/mmdet/models/backbones/init.py
文件中，加入’SwinTransformer‘。

from .swin import SwinTransformer
__all__ = [
    'RegNet', 'ResNet', 'ResNetV1d', 'ResNeXt', 'SSDVGG', 'HRNet', 'Res2Net',
    'HourglassNet', 'DetectoRS_ResNet', 'DetectoRS_ResNeXt','SwinTransformer'
]

4.3 mmdet/models/backbones/swin.py

把swinOrcnn的modul-backbone-swin.py文件复制到相应位置

cp /root/swinOrientedRcnn/OBBDet_Swin/mmdet/models/backbones/swin.py /root/OBBDetection/mmdet/models/backbones/

4.4 改bug

缺文件：

cp /root/swinOrientedRcnn/OBBDet_Swin/mmdet/models/utils/ckpt_convert.py /root/OBBDetection/mmdet/models/utils/

cp /root/swinOrientedRcnn/OBBDet_Swin/mmdet/models/utils/transformer.py /root/OBBDetection/mmdet/models/utils/

cp /root/swinOrientedRcnn/OBBDet_Swin/mmdet/models/utils/builder.py /root/OBBDetection/mmdet/models/utils/

删掉预训练的语句,注意，最后留下一个右括号和一个逗号

      # init_cfg=dict(type='Pretrained', checkpoint='swin_tiny_patch4_window7_224.pth')
      ),

config里边的train_dic和test_dic里边
改

train_cfg = dict(
    rpn=dict(
        assigner=dict(
            type='MaxIoUAssigner',
            pos_iou_thr=0.7,
            neg_iou_thr=0.3,
            min_pos_iou=0.3,
            match_low_quality=True,
            gpu_assign_thr=200,
            ignore_iof_thr=-1),
        sampler=dict(
            type='RandomSampler',
            num=256,
            pos_fraction=0.5,
            neg_pos_ub=-1,
            add_gt_as_proposals=False),
        allowed_border=0,
        pos_weight=-1,
        debug=False),
    rpn_proposal=dict(
        nms_across_levels=False,
        nms_pre=2000,
        nms_post=2000,
        max_num=2000,
        nms_thr=0.8,
        min_bbox_size=0),
    rcnn=dict(
        assigner=dict(
            type='MaxIoUAssigner',
            pos_iou_thr=0.5,
            neg_iou_thr=0.5,
            min_pos_iou=0.5,
            match_low_quality=False,
            ignore_iof_thr=-1,
            iou_calculator=dict(type='OBBOverlaps')),
        sampler=dict(
            type='OBBRandomSampler',
            num=512,
            pos_fraction=0.25,
            neg_pos_ub=-1,
            add_gt_as_proposals=True),
        pos_weight=-1,
        debug=False))
test_cfg = dict(
    rpn=dict(
        nms_across_levels=False,
        nms_pre=2000,
        nms_post=2000,
        max_num=2000,
        nms_thr=0.8,
        min_bbox_size=0),
    rcnn=dict(
        score_thr=0.005, nms=dict(type='obb_nms', iou_thr=0.1), max_per_img=2000))

还是不行，报这个错：

FoundError: [Errno 2] No such file or directory: '/tmp/tmp9tms1rcn/tmpidew67pt.py'
(obbdetection) root@container-60cd118dac-91f4b7d2:~/OBBDetection# python tools/train.py configs/obb/oriented_rcnn/faster_rcnn_orpn_swin_fpn_3x_hrsc.py --work-dir work_dirs
Traceback (most recent call last):
  File "/root/miniconda3/envs/obbdetection/lib/python3.7/site-packages/mmcv/utils/config.py", line 101, in _validate_py_syntax
    ast.parse(content)
  File "/root/miniconda3/envs/obbdetection/lib/python3.7/ast.py", line 35, in parse
    return compile(source, filename, mode, PyCF_ONLY_AST)
  File "", line 80
    train_cfg = dict(
            ^
SyntaxError: invalid syntax

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "tools/train.py", line 153, in <module>
    main()
  File "tools/train.py", line 64, in main
    cfg = Config.fromfile(args.config)
  File "/root/miniconda3/envs/obbdetection/lib/python3.7/site-packages/mmcv/utils/config.py", line 332, in fromfile
    use_predefined_variables)
  File "/root/miniconda3/envs/obbdetection/lib/python3.7/site-packages/mmcv/utils/config.py", line 205, in _file2dict
    Config._validate_py_syntax(filename)
  File "/root/miniconda3/envs/obbdetection/lib/python3.7/site-packages/mmcv/utils/config.py", line 103, in _validate_py_syntax
    raise SyntaxError('There are syntax errors in config '
SyntaxError: There are syntax errors in config file /root/OBBDetection/configs/obb/oriented_rcnn/faster_rcnn_orpn_swin_fpn_3x_hrsc.py: invalid syntax (<unknown>, line 80)
Exception ignored in: <function _TemporaryFileCloser.__del__ at 0x7f7604d4aef0>
Traceback (most recent call last):
  File "/root/miniconda3/envs/obbdetection/lib/python3.7/tempfile.py", line 448, in __del__
    self.close()
  File "/root/miniconda3/envs/obbdetection/lib/python3.7/tempfile.py", line 444, in close
    unlink(self.name)
FileNotFoundError: [Errno 2] No such file or directory: '/tmp/tmp5luxzbce/tmp2lvn83mu.py'
(obbdetection) root@container-60cd118dac-91f4b7d2:~/OBBDetection#

sorry,我把pretrain注释的时候把后边的括号和逗号忘记了，上边改了就行。

4.5. train.py

nohup python tools/train.py configs/obb/oriented_rcnn/faster_rcnn_orpn_swin_fpn_3x_hrsc.py --work-dir work_dirs >xxxcbtrain202205221640.log 2>&1 &

吃饭去了 2022年5月22日16点43分

接下来，改改ms，rr

没加预训练模型，精度低的离谱，

+-------+-----+------+--------+--------+
| class | gts | dets | recall | ap     |
+-------+-----+------+--------+--------+
| 01    | 230 | 5680 | 0.6391 | 0.2062 |
| 02    | 0   | 1    | 0.0000 | 0.0000 |
| 03    | 22  | 1947 | 0.5909 | 0.0188 |
| 04    | 2   | 3    | 0.0000 | 0.0000 |
| 05    | 35  | 855  | 0.7714 | 0.4642 |
| 06    | 12  | 650  | 0.9167 | 0.5257 |
| 07    | 158 | 2014 | 0.9241 | 0.5835 |
| 08    | 40  | 1469 | 0.8750 | 0.1888 |
| 09    | 128 | 2097 | 0.8281 | 0.3985 |
| 10    | 22  | 900  | 0.9091 | 0.0838 |
| 11    | 103 | 1768 | 0.9223 | 0.4545 |
| 12    | 1   | 0    | 0.0000 | 0.0000 |
| 13    | 2   | 213  | 1.0000 | 0.1154 |
| 14    | 0   | 0    | 0.0000 | 0.0000 |
| 15    | 35  | 1783 | 0.9429 | 0.2395 |
| 16    | 50  | 1645 | 0.9000 | 0.5358 |
| 17    | 1   | 0    | 0.0000 | 0.0000 |
| 18    | 18  | 1144 | 0.9444 | 0.3601 |
| 19    | 39  | 1249 | 0.8718 | 0.2319 |
| 20    | 16  | 553  | 0.7500 | 0.4041 |
| 21    | 0   | 0    | 0.0000 | 0.0000 |
| 22    | 50  | 2076 | 0.6200 | 0.2112 |
| 23    | 0   | 0    | 0.0000 | 0.0000 |
| 24    | 1   | 767  | 1.0000 | 0.0021 |
| 25    | 119 | 2026 | 0.7479 | 0.3061 |
| 26    | 4   | 339  | 0.7500 | 0.3937 |
| 27    | 60  | 918  | 0.5000 | 0.2234 |
| 28    | 4   | 179  | 0.7500 | 0.1608 |
| 29    | 10  | 609  | 1.0000 | 0.5333 |
| 30    | 16  | 768  | 0.7500 | 0.2583 |
| 31    | 0   | 0    | 0.0000 | 0.0000 |
| 32    | 10  | 603  | 1.0000 | 0.7725 |
| 33    | 0   | 0    | 0.0000 | 0.0000 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.2842 |
+-------+-----+------+--------+--------+

把这个文件作为恢复文件，再来24轮

–resume-from work_dirs/epoch36.pth

[>>>>>>>>>>>>>>>>>>>>>>>>>>] 444/444, 10.3 task/s, elapsed: 43s, ETA:     0s
+-------+-----+------+--------+--------+
| class | gts | dets | recall | ap     |
+-------+-----+------+--------+--------+
| 01    | 230 | 5415 | 0.6435 | 0.2245 |
| 02    | 0   | 2    | 0.0000 | 0.0000 |
| 03    | 22  | 1896 | 0.5455 | 0.0249 |
| 04    | 2   | 4    | 0.0000 | 0.0000 |
| 05    | 35  | 779  | 0.7714 | 0.4817 |
| 06    | 12  | 599  | 0.9167 | 0.5350 |
| 07    | 158 | 1898 | 0.9304 | 0.5964 |
| 08    | 40  | 1399 | 0.8750 | 0.1971 |
| 09    | 128 | 1985 | 0.8906 | 0.4183 |
| 10    | 22  | 836  | 0.9545 | 0.0874 |
| 11    | 103 | 1700 | 0.9223 | 0.4762 |
| 12    | 1   | 1    | 0.0000 | 0.0000 |
| 13    | 2   | 205  | 1.0000 | 0.1453 |
| 14    | 0   | 1    | 0.0000 | 0.0000 |
| 15    | 35  | 1692 | 0.9143 | 0.2385 |
| 16    | 50  | 1602 | 0.9000 | 0.5939 |
| 17    | 1   | 1    | 0.0000 | 0.0000 |
| 18    | 18  | 1105 | 0.9444 | 0.3453 |
| 19    | 39  | 1183 | 0.8974 | 0.2565 |
| 20    | 16  | 505  | 0.7500 | 0.3985 |
| 21    | 0   | 1    | 0.0000 | 0.0000 |
| 22    | 50  | 1964 | 0.6200 | 0.2225 |
| 23    | 0   | 1    | 0.0000 | 0.0000 |
| 24    | 1   | 683  | 1.0000 | 0.0016 |
| 25    | 119 | 1955 | 0.7311 | 0.3103 |
| 26    | 4   | 332  | 0.7500 | 0.5579 |
| 27    | 60  | 876  | 0.5333 | 0.1981 |
| 28    | 4   | 156  | 0.7500 | 0.2945 |
| 29    | 10  | 597  | 1.0000 | 0.5625 |
| 30    | 16  | 720  | 0.8750 | 0.2719 |
| 31    | 0   | 1    | 0.0000 | 0.0000 |
| 32    | 10  | 552  | 1.0000 | 0.6940 |
| 33    | 0   | 1    | 0.0000 | 0.0000 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.3012 |
+-------+-----+------+--------+--------+

一共60epoch了，但是精度还是很低。

把优化器加上：


optimizer = dict(
    _delete_=True,
    type='AdamW',
    lr=0.0001,
    betas=(0.9, 0.999),
    weight_decay=0.05,
    paramwise_cfg=dict(
        custom_keys={
            'absolute_pos_embed': dict(decay_mult=0.),
            'relative_position_bias_table': dict(decay_mult=0.),
            'norm': dict(decay_mult=0.)
        }))
lr_config = dict(warmup_iters=1000, step=[9, 11])
runner = dict(max_epochs=12)

从36epoch接着训练，把参数调成了他带的参数，2000-》5000等等，但是也是不行。

+-------+-----+------+--------+--------+
| class | gts | dets | recall | ap     |
+-------+-----+------+--------+--------+
| 01    | 230 | 6711 | 0.6652 | 0.1842 |
| 02    | 0   | 25   | 0.0000 | 0.0000 |
| 03    | 22  | 1697 | 0.5455 | 0.0234 |
| 04    | 2   | 32   | 0.0000 | 0.0000 |
| 05    | 35  | 790  | 0.7714 | 0.4053 |
| 06    | 12  | 606  | 0.9167 | 0.4450 |
| 07    | 158 | 1874 | 0.9241 | 0.5898 |
| 08    | 40  | 1355 | 0.9000 | 0.2111 |
| 09    | 128 | 1942 | 0.8594 | 0.4153 |
| 10    | 22  | 813  | 0.9545 | 0.0991 |
| 11    | 103 | 1647 | 0.9126 | 0.4454 |
| 12    | 1   | 22   | 0.0000 | 0.0000 |
| 13    | 2   | 213  | 0.5000 | 0.1364 |
| 14    | 0   | 22   | 0.0000 | 0.0000 |
| 15    | 35  | 1617 | 0.9143 | 0.2254 |
| 16    | 50  | 1556 | 0.8800 | 0.5603 |
| 17    | 1   | 20   | 0.0000 | 0.0000 |
| 18    | 18  | 1029 | 0.8889 | 0.3085 |
| 19    | 39  | 1127 | 0.8462 | 0.2931 |
| 20    | 16  | 487  | 0.6250 | 0.3754 |
| 21    | 0   | 20   | 0.0000 | 0.0000 |
| 22    | 50  | 2438 | 0.6200 | 0.2416 |
| 23    | 0   | 21   | 0.0000 | 0.0000 |
| 24    | 1   | 607  | 0.0000 | 0.0000 |
| 25    | 119 | 1908 | 0.7311 | 0.2947 |
| 26    | 4   | 307  | 0.7500 | 0.5615 |
| 27    | 60  | 879  | 0.5167 | 0.2185 |
| 28    | 4   | 181  | 0.7500 | 0.0386 |
| 29    | 10  | 535  | 1.0000 | 0.5152 |
| 30    | 16  | 720  | 0.8125 | 0.2893 |
| 31    | 0   | 21   | 0.0000 | 0.0000 |
| 32    | 10  | 541  | 1.0000 | 0.8336 |
| 33    | 0   | 21   | 0.0000 | 0.0000 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.2856 |
+-------+-----+------+--------+--------+

我把参数恢复成他的参数

5. 魔改 multi scale

原来就一个（1300，800）
改的是obb/oriented_rcnn/dataset/hrsc.py里边的，
train_pipeline = [
    dict(
    type='Resize',
    img_scale=[(1333,640), (1333,800),(600,1080),(1200,1000),(416,700)],
    multiscale_mode='value',
    keep_ratio=True),
   
]

就这样居然掉点，调到58%

+-------+-----+------+--------+--------+
| class | gts | dets | recall | ap     |
+-------+-----+------+--------+--------+
| 01    | 230 | 914  | 0.9130 | 0.6042 |
| 02    | 0   | 0    | 0.0000 | 0.0000 |
| 03    | 22  | 456  | 0.9091 | 0.1060 |
| 04    | 2   | 0    | 0.0000 | 0.0000 |
| 05    | 35  | 113  | 1.0000 | 0.7033 |
| 06    | 12  | 116  | 1.0000 | 0.5635 |
| 07    | 158 | 421  | 0.9937 | 0.8947 |
| 08    | 40  | 220  | 1.0000 | 0.8106 |
| 09    | 128 | 297  | 0.9844 | 0.8976 |
| 10    | 22  | 165  | 1.0000 | 0.8470 |
| 11    | 103 | 328  | 1.0000 | 0.9467 |
| 12    | 1   | 0    | 0.0000 | 0.0000 |
| 13    | 2   | 95   | 1.0000 | 0.3262 |
| 14    | 0   | 0    | 0.0000 | 0.0000 |
| 15    | 35  | 201  | 1.0000 | 0.8794 |
| 16    | 50  | 150  | 1.0000 | 0.9949 |
| 17    | 1   | 0    | 0.0000 | 0.0000 |
| 18    | 18  | 123  | 0.8889 | 0.4521 |
| 19    | 39  | 215  | 1.0000 | 0.8893 |
| 20    | 16  | 56   | 1.0000 | 0.8810 |
| 21    | 0   | 0    | 0.0000 | 0.0000 |
| 22    | 50  | 98   | 1.0000 | 0.7285 |
| 23    | 0   | 0    | 0.0000 | 0.0000 |
| 24    | 1   | 71   | 1.0000 | 0.1000 |
| 25    | 119 | 303  | 0.9076 | 0.7717 |
| 26    | 4   | 37   | 0.7500 | 0.1379 |
| 27    | 60  | 101  | 0.9500 | 0.8629 |
| 28    | 4   | 0    | 0.0000 | 0.0000 |
| 29    | 10  | 115  | 1.0000 | 0.9036 |
| 30    | 16  | 107  | 1.0000 | 0.8152 |
| 31    | 0   | 0    | 0.0000 | 0.0000 |
| 32    | 10  | 108  | 1.0000 | 0.7414 |
| 33    | 0   | 0    | 0.0000 | 0.0000 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.5873 |
+-------+-----+------+--------+--------+

还有随机旋转的，暂时不确定：

保留上边的大尺度，同时增加旋转，增加到60epoch

RandomOBBRotate angles=(0, 90)
提升了一个半点，到60%了

+-------+-----+------+--------+--------+
| class | gts | dets | recall | ap     |
+-------+-----+------+--------+--------+
| 01    | 230 | 995  | 0.8957 | 0.5096 |
| 02    | 0   | 0    | 0.0000 | 0.0000 |
| 03    | 22  | 431  | 0.9091 | 0.0996 |
| 04    | 2   | 0    | 0.0000 | 0.0000 |
| 05    | 35  | 137  | 1.0000 | 0.6730 |
| 06    | 12  | 144  | 1.0000 | 0.4007 |
| 07    | 158 | 449  | 0.9937 | 0.8924 |
| 08    | 40  | 236  | 1.0000 | 0.8336 |
| 09    | 128 | 280  | 0.9844 | 0.8918 |
| 10    | 22  | 186  | 1.0000 | 0.8349 |
| 11    | 103 | 363  | 1.0000 | 0.9343 |
| 12    | 1   | 0    | 0.0000 | 0.0000 |
| 13    | 2   | 114  | 1.0000 | 0.6154 |
| 14    | 0   | 0    | 0.0000 | 0.0000 |
| 15    | 35  | 226  | 1.0000 | 0.8600 |
| 16    | 50  | 181  | 1.0000 | 0.9917 |
| 17    | 1   | 0    | 0.0000 | 0.0000 |
| 18    | 18  | 131  | 0.8333 | 0.4067 |
| 19    | 39  | 233  | 1.0000 | 0.8816 |
| 20    | 16  | 66   | 1.0000 | 0.8730 |
| 21    | 0   | 0    | 0.0000 | 0.0000 |
| 22    | 50  | 120  | 1.0000 | 0.7065 |
| 23    | 0   | 0    | 0.0000 | 0.0000 |
| 24    | 1   | 93   | 1.0000 | 0.5000 |
| 25    | 119 | 361  | 0.9580 | 0.8309 |
| 26    | 4   | 53   | 0.7500 | 0.1851 |
| 27    | 60  | 142  | 0.9667 | 0.8646 |
| 28    | 4   | 0    | 0.0000 | 0.0000 |
| 29    | 10  | 140  | 1.0000 | 0.9140 |
| 30    | 16  | 143  | 1.0000 | 0.8232 |
| 31    | 0   | 0    | 0.0000 | 0.0000 |
| 32    | 10  | 118  | 1.0000 | 0.7493 |
| 33    | 0   | 0    | 0.0000 | 0.0000 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.6027 |
+-------+-----+------+--------+--------+

我想用这个在原来64%的35epoch.pth 的基础上接着来36轮

参数设置如下：

angles=(0, 90)
lr=0.0025

不行，优化器参数不同还不能接着训练来，从头开始吧。

诡异的acc

一开始直接升到了99%
后来一直降到95%，又慢慢上升。

评价

还是掉点了，待会重新训练一遍原始的，看看是不是模型哪里改动了。

+-------+-----+------+--------+--------+
| class | gts | dets | recall | ap     |
+-------+-----+------+--------+--------+
| 01    | 230 | 977  | 0.9304 | 0.5548 |
| 02    | 0   | 0    | 0.0000 | 0.0000 |
| 03    | 22  | 398  | 1.0000 | 0.1112 |
| 04    | 2   | 0    | 0.0000 | 0.0000 |
| 05    | 35  | 103  | 1.0000 | 0.7661 |
| 06    | 12  | 119  | 1.0000 | 0.4192 |
| 07    | 158 | 459  | 0.9937 | 0.8919 |
| 08    | 40  | 185  | 0.9750 | 0.8049 |
| 09    | 128 | 350  | 0.9766 | 0.8824 |
| 10    | 22  | 158  | 1.0000 | 0.8921 |
| 11    | 103 | 339  | 0.9903 | 0.9043 |
| 12    | 1   | 0    | 0.0000 | 0.0000 |
| 13    | 2   | 95   | 1.0000 | 0.2190 |
| 14    | 0   | 0    | 0.0000 | 0.0000 |
| 15    | 35  | 199  | 1.0000 | 0.8956 |
| 16    | 50  | 144  | 1.0000 | 0.9917 |
| 17    | 1   | 0    | 0.0000 | 0.0000 |
| 18    | 18  | 106  | 0.9444 | 0.4046 |
| 19    | 39  | 228  | 1.0000 | 0.8302 |
| 20    | 16  | 74   | 1.0000 | 0.8862 |
| 21    | 0   | 0    | 0.0000 | 0.0000 |
| 22    | 50  | 117  | 0.9800 | 0.6703 |
| 23    | 0   | 0    | 0.0000 | 0.0000 |
| 24    | 1   | 40   | 0.0000 | 0.0000 |
| 25    | 119 | 321  | 0.9496 | 0.8332 |
| 26    | 4   | 90   | 0.7500 | 0.2455 |
| 27    | 60  | 95   | 0.9833 | 0.8654 |
| 28    | 4   | 1    | 0.2500 | 0.2727 |
| 29    | 10  | 141  | 1.0000 | 0.9091 |
| 30    | 16  | 119  | 1.0000 | 0.9120 |
| 31    | 0   | 0    | 0.0000 | 0.0000 |
| 32    | 10  | 99   | 1.0000 | 0.5453 |
| 33    | 0   | 0    | 0.0000 | 0.0000 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.5818 |
+-------+-----+------+--------+--------+

把tesepiipline加入多尺度
img_scale=[(1333,640), (1333,800),(600,1080),(1200,1000),(416,700)],

60%

速度比原来慢4倍，只有1.8task/s

| class | gts | dets | recall | ap     |
+-------+-----+------+--------+--------+
| 01    | 230 | 1082 | 0.9304 | 0.5948 |
| 02    | 0   | 0    | 0.0000 | 0.0000 |
| 03    | 22  | 434  | 1.0000 | 0.1125 |
| 04    | 2   | 0    | 0.0000 | 0.0000 |
| 05    | 35  | 103  | 1.0000 | 0.7725 |
| 06    | 12  | 107  | 1.0000 | 0.6250 |
| 07    | 158 | 506  | 1.0000 | 0.9274 |
| 08    | 40  | 195  | 0.9750 | 0.8161 |
| 09    | 128 | 381  | 0.9922 | 0.8938 |
| 10    | 22  | 145  | 1.0000 | 0.9108 |
| 11    | 103 | 335  | 0.9903 | 0.8992 |
| 12    | 1   | 0    | 0.0000 | 0.0000 |
| 13    | 2   | 83   | 1.0000 | 0.6465 |
| 14    | 0   | 0    | 0.0000 | 0.0000 |
| 15    | 35  | 204  | 1.0000 | 0.9033 |
| 16    | 50  | 138  | 1.0000 | 1.0000 |
| 17    | 1   | 0    | 0.0000 | 0.0000 |
| 18    | 18  | 108  | 0.9444 | 0.5451 |
| 19    | 39  | 219  | 1.0000 | 0.8239 |
| 20    | 16  | 76   | 1.0000 | 0.8712 |
| 21    | 0   | 0    | 0.0000 | 0.0000 |
| 22    | 50  | 121  | 0.9800 | 0.7035 |
| 23    | 0   | 0    | 0.0000 | 0.0000 |
| 24    | 1   | 40   | 0.0000 | 0.0000 |
| 25    | 119 | 324  | 0.9832 | 0.8531 |
| 26    | 4   | 59   | 1.0000 | 0.6545 |
| 27    | 60  | 117  | 0.9833 | 0.8992 |
| 28    | 4   | 0    | 0.0000 | 0.0000 |
| 29    | 10  | 139  | 1.0000 | 0.8297 |
| 30    | 16  | 110  | 1.0000 | 0.9521 |
| 31    | 0   | 0    | 0.0000 | 0.0000 |
| 32    | 10  | 88   | 1.0000 | 0.7156 |
| 33    | 0   | 0    | 0.0000 | 0.0000 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.6278 |
+-------+-----+------+--------+--------+

5.5 用多尺度测试最初的模型

+-------+-----+------+--------+--------+
| 01    | 230 | 1147 | 0.9391 | 0.6505 |
| 02    | 0   | 0    | 0.0000 | 0.0000 |
| 03    | 22  | 507  | 0.9545 | 0.1189 |
| 04    | 2   | 0    | 0.0000 | 0.0000 |
| 05    | 35  | 75   | 1.0000 | 0.8420 |
| 06    | 12  | 79   | 1.0000 | 0.6640 |
| 07    | 158 | 343  | 0.9747 | 0.8768 |
| 08    | 40  | 118  | 0.9250 | 0.7880 |
| 09    | 128 | 401  | 0.9531 | 0.8632 |
| 10    | 22  | 95   | 1.0000 | 0.9848 |
| 11    | 103 | 219  | 0.9903 | 0.8966 |
| 12    | 1   | 0    | 0.0000 | 0.0000 |
| 13    | 2   | 61   | 1.0000 | 0.4242 |
| 14    | 0   | 0    | 0.0000 | 0.0000 |
| 15    | 35  | 147  | 1.0000 | 0.9066 |
| 16    | 50  | 115  | 1.0000 | 0.9933 |
| 17    | 1   | 0    | 0.0000 | 0.0000 |
| 18    | 18  | 66   | 0.8333 | 0.6747 |
| 19    | 39  | 114  | 0.9487 | 0.8154 |
| 20    | 16  | 44   | 1.0000 | 0.9206 |
| 21    | 0   | 0    | 0.0000 | 0.0000 |
| 22    | 50  | 78   | 0.9200 | 0.7720 |
| 23    | 0   | 0    | 0.0000 | 0.0000 |
| 24    | 1   | 28   | 1.0000 | 0.0714 |
| 25    | 119 | 218  | 0.8992 | 0.7519 |
| 26    | 4   | 53   | 1.0000 | 0.4805 |
| 27    | 60  | 247  | 0.9667 | 0.9058 |
| 28    | 4   | 3    | 0.2500 | 0.2727 |
| 29    | 10  | 75   | 1.0000 | 0.9587 |
| 30    | 16  | 91   | 0.9375 | 0.8045 |
| 31    | 0   | 0    | 0.0000 | 0.0000 |
| 32    | 10  | 73   | 1.0000 | 1.0000 |
| 33    | 0   | 0    | 0.0000 | 0.0000 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.6458 |
+-------+-----+------+--------+--------+

涨回来了，换成
img_scale=[ (1333,800),(2666,1600)],
又掉了c

+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.5488 |
+-------+-----+------+--------+--------+

不看了，看书

6. L3 random rotation

先看看模型现在的精度，配置如下：
OBBDetection/configs/obb/base/schedules/schedule_3x.py

optimizer = dict(type='SGD', lr=0.0025, momentum=0.9,

6.1 faster_rcnn_orpn_r50_fpn_3x_hrsc.py 0.6593

OBBDetection/configs/obb/base/schedules/schedule_3x.py
中设置：学习率 0.0025，1块2080ti

开始测试现在r50的精度，2022年5月23日19点30分，开始游戏

 nohup python tools/train.py configs/obb/oriented_rcnn/faster_rcnn_orpn_r50_fpn_3x_hrsc.py --work-dir work_dirs >xcbTrain202205231929.log 2>&1 &

+-------+-----+------+--------+--------+
| class | gts | dets | recall | ap     |
+-------+-----+------+--------+--------+
| 01    | 230 | 626  | 0.8391 | 0.6175 |
| 02    | 0   | 0    | 0.0000 | 0.0000 |
| 03    | 22  | 327  | 0.8182 | 0.1210 |
| 04    | 2   | 0    | 0.0000 | 0.0000 |
| 05    | 35  | 89   | 0.9714 | 0.7117 |
| 06    | 12  | 101  | 1.0000 | 0.6050 |
| 07    | 158 | 367  | 0.9747 | 0.9008 |
| 08    | 40  | 148  | 0.9750 | 0.8226 |
| 09    | 128 | 285  | 0.9219 | 0.8753 |
| 10    | 22  | 114  | 1.0000 | 0.9439 |
| 11    | 103 | 264  | 1.0000 | 0.9573 |
| 12    | 1   | 0    | 0.0000 | 0.0000 |
| 13    | 2   | 69   | 1.0000 | 0.8485 |
| 14    | 0   | 0    | 0.0000 | 0.0000 |
| 15    | 35  | 129  | 1.0000 | 0.9478 |
| 16    | 50  | 105  | 1.0000 | 0.9982 |
| 17    | 1   | 0    | 0.0000 | 0.0000 |
| 18    | 18  | 66   | 0.8889 | 0.6101 |
| 19    | 39  | 139  | 1.0000 | 0.8776 |
| 20    | 16  | 40   | 0.9375 | 0.8318 |
| 21    | 0   | 0    | 0.0000 | 0.0000 |
| 22    | 50  | 76   | 0.9400 | 0.7103 |
| 23    | 0   | 0    | 0.0000 | 0.0000 |
| 24    | 1   | 40   | 1.0000 | 0.0476 |
| 25    | 119 | 273  | 0.9076 | 0.8087 |
| 26    | 4   | 83   | 1.0000 | 0.2749 |
| 27    | 60  | 85   | 0.9000 | 0.8815 |
| 28    | 4   | 28   | 1.0000 | 0.7847 |
| 29    | 10  | 130  | 1.0000 | 0.8973 |
| 30    | 16  | 67   | 1.0000 | 0.8215 |
| 31    | 0   | 0    | 0.0000 | 0.0000 |
| 32    | 10  | 87   | 1.0000 | 0.9047 |
| 33    | 0   | 0    | 0.0000 | 0.0000 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.6593 |
+-------+-----+------+--------+--------+

6.2 faster_rcnn_orpn_r50_fpn_3x_hrsc_rr.py

只修改这一处,从obb/base/hrsc.py复制的，记得添加第一行的_base_=

  dict(type='RandomOBBRotate', rotate_after_flip=True,
         angles=(0, 90), vert_rate=0.5),

nohup python tools/train.py configs/obb/oriented_rcnn/faster_rcnn_orpn_r50_fpn_3x_hrsc_rr.py --work-dir work_dirs >xcbTrain202205232107.log 2>&1 &

涨点了，涨点了，大喜，明天有东西写了，开摆！
2022年5月23日22点15分

+-------+-----+------+--------+--------+
| class | gts | dets | recall | ap     |
+-------+-----+------+--------+--------+
| 01    | 230 | 861  | 0.8696 | 0.6061 |
| 02    | 0   | 0    | 0.0000 | 0.0000 |
| 03    | 22  | 367  | 0.8182 | 0.1889 |
| 04    | 2   | 0    | 0.0000 | 0.0000 |
| 05    | 35  | 93   | 1.0000 | 0.7846 |
| 06    | 12  | 102  | 1.0000 | 0.5378 |
| 07    | 158 | 401  | 0.9810 | 0.8917 |
| 08    | 40  | 138  | 0.9500 | 0.7859 |
| 09    | 128 | 303  | 0.9609 | 0.8927 |
| 10    | 22  | 132  | 1.0000 | 0.9302 |
| 11    | 103 | 323  | 1.0000 | 0.9652 |
| 12    | 1   | 0    | 0.0000 | 0.0000 |
| 13    | 2   | 65   | 1.0000 | 1.0000 |
| 14    | 0   | 0    | 0.0000 | 0.0000 |
| 15    | 35  | 174  | 1.0000 | 0.8853 |
| 16    | 50  | 94   | 1.0000 | 0.9982 |
| 17    | 1   | 0    | 0.0000 | 0.0000 |
| 18    | 18  | 94   | 0.8333 | 0.5478 |
| 19    | 39  | 148  | 1.0000 | 0.8786 |
| 20    | 16  | 47   | 1.0000 | 0.9385 |
| 21    | 0   | 0    | 0.0000 | 0.0000 |
| 22    | 50  | 92   | 0.9200 | 0.7121 |
| 23    | 0   | 0    | 0.0000 | 0.0000 |
| 24    | 1   | 61   | 0.0000 | 0.0000 |
| 25    | 119 | 295  | 0.9412 | 0.8327 |
| 26    | 4   | 59   | 1.0000 | 1.0000 |
| 27    | 60  | 133  | 0.9000 | 0.8255 |
| 28    | 4   | 17   | 0.5000 | 0.3636 |
| 29    | 10  | 110  | 1.0000 | 0.8933 |
| 30    | 16  | 95   | 1.0000 | 0.8077 |
| 31    | 0   | 0    | 0.0000 | 0.0000 |
| 32    | 10  | 82   | 1.0000 | 0.9485 |
| 33    | 0   | 0    | 0.0000 | 0.0000 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.6746 |
+-------+-----+------+--------+--------+

6.3 faster_rcnn_orpn_r101_fpn_3x_hrsc.py

学习率 0.005，当时没改
验证 3.4的模型是啥来

+-------+-----+------+--------+--------+
| class | gts | dets | recall | ap     |
+-------+-----+------+--------+--------+
| 01    | 230 | 541  | 0.8435 | 0.6284 |
| 02    | 0   | 0    | 0.0000 | 0.0000 |
| 03    | 22  | 286  | 0.9091 | 0.1447 |
| 04    | 2   | 0    | 0.0000 | 0.0000 |
| 05    | 35  | 71   | 1.0000 | 0.8143 |
| 06    | 12  | 80   | 0.9167 | 0.5301 |
| 07    | 158 | 293  | 0.9684 | 0.8962 |
| 08    | 40  | 116  | 0.9250 | 0.8090 |
| 09    | 128 | 267  | 0.9766 | 0.8966 |
| 10    | 22  | 105  | 1.0000 | 0.9803 |
| 11    | 103 | 214  | 0.9806 | 0.9072 |
| 12    | 1   | 0    | 0.0000 | 0.0000 |
| 13    | 2   | 71   | 1.0000 | 0.5000 |
| 14    | 0   | 0    | 0.0000 | 0.0000 |
| 15    | 35  | 94   | 1.0000 | 0.9218 |
| 16    | 50  | 87   | 1.0000 | 0.9917 |
| 17    | 1   | 0    | 0.0000 | 0.0000 |
| 18    | 18  | 49   | 0.8889 | 0.6258 |
| 19    | 39  | 112  | 0.9487 | 0.8279 |
| 20    | 16  | 32   | 1.0000 | 0.9173 |
| 21    | 0   | 0    | 0.0000 | 0.0000 |
| 22    | 50  | 74   | 0.9200 | 0.7228 |
| 23    | 0   | 0    | 0.0000 | 0.0000 |
| 24    | 1   | 35   | 1.0000 | 0.0312 |
| 25    | 119 | 216  | 0.9076 | 0.8241 |
| 26    | 4   | 69   | 1.0000 | 0.4421 |
| 27    | 60  | 83   | 0.9667 | 0.8960 |
| 28    | 4   | 7    | 0.7500 | 0.4870 |
| 29    | 10  | 80   | 1.0000 | 0.9587 |
| 30    | 16  | 56   | 0.9375 | 0.8745 |
| 31    | 0   | 0    | 0.0000 | 0.0000 |
| 32    | 10  | 66   | 1.0000 | 0.9504 |
| 33    | 0   | 0    | 0.0000 | 0.0000 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.6510 |
+-------+-----+------+--------+--------+

6.4 faster_rcnn_orpn_r101_fpn_3x_hrsc_rr.py

学习率 0.0025，1块2080ti
文件里就这两句

_base_ = './faster_rcnn_orpn_r50_fpn_3x_hrsc_rr.py'

# model
model = dict(pretrained='torchvision://resnet101', backbone=dict(depth=101))

2022年5月24日08点56分，吃饭去。

结果符合预期

+-------+-----+------+--------+--------+
| class | gts | dets | recall | ap     |
+-------+-----+------+--------+--------+
| 01    | 230 | 764  | 0.9087 | 0.6385 |
| 02    | 0   | 0    | 0.0000 | 0.0000 |
| 03    | 22  | 323  | 0.9091 | 0.1840 |
| 04    | 2   | 0    | 0.0000 | 0.0000 |
| 05    | 35  | 84   | 1.0000 | 0.7654 |
| 06    | 12  | 94   | 1.0000 | 0.4971 |
| 07    | 158 | 351  | 0.9810 | 0.8975 |
| 08    | 40  | 158  | 1.0000 | 0.8050 |
| 09    | 128 | 301  | 0.9922 | 0.9001 |
| 10    | 22  | 142  | 1.0000 | 0.9540 |
| 11    | 103 | 262  | 0.9903 | 0.9091 |
| 12    | 1   | 0    | 0.0000 | 0.0000 |
| 13    | 2   | 77   | 1.0000 | 1.0000 |
| 14    | 0   | 0    | 0.0000 | 0.0000 |
| 15    | 35  | 167  | 1.0000 | 0.8729 |
| 16    | 50  | 107  | 1.0000 | 0.9982 |
| 17    | 1   | 0    | 0.0000 | 0.0000 |
| 18    | 18  | 84   | 0.9444 | 0.6038 |
| 19    | 39  | 147  | 1.0000 | 0.8300 |
| 20    | 16  | 37   | 0.9375 | 0.8652 |
| 21    | 0   | 0    | 0.0000 | 0.0000 |
| 22    | 50  | 89   | 0.9600 | 0.7031 |
| 23    | 0   | 0    | 0.0000 | 0.0000 |
| 24    | 1   | 55   | 1.0000 | 0.0196 |
| 25    | 119 | 266  | 0.9664 | 0.8493 |
| 26    | 4   | 82   | 1.0000 | 0.8000 |
| 27    | 60  | 114  | 0.9833 | 0.8911 |
| 28    | 4   | 13   | 0.7500 | 0.6818 |
| 29    | 10  | 101  | 1.0000 | 0.9212 |
| 30    | 16  | 62   | 1.0000 | 0.8961 |
| 31    | 0   | 0    | 0.0000 | 0.0000 |
| 32    | 10  | 86   | 1.0000 | 0.9262 |
| 33    | 0   | 0    | 0.0000 | 0.0000 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.6818 |
+-------+-----+------+--------+--------+

6.5 random rotatioin 小结

经过这四个实验，r101+random rotation 效果最好。

7. L2 random rotation

L3 换到 L2 task
修改的地方：

OBBDetection/BboxToolkit/BboxToolkit/datasets/misc.py hrsc_cls
config文件 num_class=4;
OBBDetection/BboxToolkit/BboxToolkit/datasets/HRSCio.py 标签映射到L2 task
configs\obb_base_\datasets\hrsc.py classwise=False,改成True

7.1 faster_rcnn_orpn_r50_fpn_3x_hrsc.py

这个先不测了

7.2 faster_rcnn_orpn_r50_fpn_3x_hrsc_rr.py

这个也不测了

7.3 faster_rcnn_orpn_r101_fpn_3x_hrsc.py

+-------+-----+------+--------+--------+
| class | gts | dets | recall | ap     |
+-------+-----+------+--------+--------+
| 01    | 314 | 5140 | 0.8917 | 0.6404 |
| 02    | 110 | 4529 | 1.0000 | 0.9828 |
| 03    | 540 | 5068 | 0.9907 | 0.8885 |
| 04    | 224 | 4765 | 0.9152 | 0.8066 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.8296 |
+-------+-----+------+--------+--------+

7.4 faster_rcnn_orpn_r101_fpn_3x_hrsc_rr.py

涨了一点

+-------+-----+------+--------+--------+
| class | gts | dets | recall | ap     |
+-------+-----+------+--------+--------+
| 01    | 314 | 2950 | 0.9236 | 0.6630 |
| 02    | 110 | 2159 | 1.0000 | 0.9767 |
| 03    | 540 | 2728 | 1.0000 | 0.9113 |
| 04    | 224 | 2429 | 0.9777 | 0.8255 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.8441 |
+-------+-----+------+--------+--------+

模型和信息保存在2938 epoch /L2_task/faster_rcnn_orpn_r101_fpn_3x_hrsc_rr

8. L1 random rotation

8.1 faster_rcnn_orpn_r101_fpn_3x_hrsc.py

这是官方给的：
90.50%

8.2 faster_rcnn_orpn_r101_fpn_3x_hrsc_rr.py

2022年5月24日13点22分
睡觉起来就有了
增加epoch就过拟合了

+-------+------+------+--------+--------+
| class | gts  | dets | recall | ap     |
+-------+------+------+--------+--------+
| ship  | 1188 | 2707 | 0.9907 | 0.9058 |
+-------+------+------+--------+--------+
| mAP   |      |      |        | 0.9058 |
+-------+------+------+--------+--------+

9.Focal loss

9.1 faster_rcnn_orpn_r50_fpn_3x_hrsc_Focal_loss.py

在配置文件中修改

# loss_cls=dict(
#     type='CrossEntropyLoss',
#     use_sigmoid=False,
#     loss_weight=1.0),
loss_cls=dict(
    type='FocalLoss',
    use_sigmoid=True,
    gamma=2.0,
    alpha=0.25,
    loss_weight=1.0),

然后开始训练,interval ==3
使用的9336的账号，
精度下降了，很奇怪

+-------+-----+------+--------+--------+
| class | gts | dets | recall | ap     |
+-------+-----+------+--------+--------+
| 01    | 230 | 641  | 0.8522 | 0.6134 |
| 02    | 0   | 0    | 0.0000 | 0.0000 |
| 03    | 22  | 347  | 0.7273 | 0.1130 |
| 04    | 2   | 0    | 0.0000 | 0.0000 |
| 05    | 35  | 96   | 1.0000 | 0.6815 |
| 06    | 12  | 111  | 1.0000 | 0.5766 |
| 07    | 158 | 356  | 0.9810 | 0.8913 |
| 08    | 40  | 143  | 0.9750 | 0.8256 |
| 09    | 128 | 281  | 0.9531 | 0.8979 |
| 10    | 22  | 131  | 1.0000 | 0.9578 |
| 11    | 103 | 256  | 0.9903 | 0.9072 |
| 12    | 1   | 0    | 0.0000 | 0.0000 |
| 13    | 2   | 81   | 1.0000 | 0.7273 |
| 14    | 0   | 0    | 0.0000 | 0.0000 |
| 15    | 35  | 141  | 0.9714 | 0.8661 |
| 16    | 50  | 102  | 0.9600 | 0.9053 |
| 17    | 1   | 0    | 0.0000 | 0.0000 |
| 18    | 18  | 82   | 1.0000 | 0.4208 |
| 19    | 39  | 147  | 0.9744 | 0.8123 |
| 20    | 16  | 33   | 0.9375 | 0.8750 |
| 21    | 0   | 0    | 0.0000 | 0.0000 |
| 22    | 50  | 77   | 0.9200 | 0.7168 |
| 23    | 0   | 0    | 0.0000 | 0.0000 |
| 24    | 1   | 31   | 1.0000 | 0.0625 |
| 25    | 119 | 256  | 0.9076 | 0.8020 |
| 26    | 4   | 62   | 1.0000 | 0.6545 |
| 27    | 60  | 96   | 0.9500 | 0.8977 |
| 28    | 4   | 14   | 0.7500 | 0.3776 |
| 29    | 10  | 115  | 1.0000 | 0.9212 |
| 30    | 16  | 82   | 1.0000 | 0.7649 |
| 31    | 0   | 0    | 0.0000 | 0.0000 |
| 32    | 10  | 96   | 1.0000 | 0.8379 |
| 33    | 0   | 0    | 0.0000 | 0.0000 |
+-------+-----+------+--------+--------+
| mAP   |     |      |        | 0.6336 |
+-------+-----+------+--------+--------+

查阅了网上的参考资料，交叉熵函数确实适合多分类

10. GIoU

10.faster_rcnn_orpn_r50_fpn_3x_hrsc_GloU_loss.py

显示维度不匹配，一个是3一个是2下午再改。
可能时mmdet的代码不完整，我换用https://blog.csdn.net/weixin_44944382/article/details/123893486这个pytorch的代码

发现自己的 mmdet版本不对，更新mmdet，发现CSDN开始卡顿了，新建一个

你可能感兴趣的:(笔记,目标检测,人工智能,计算机视觉)

10月|愿你的青春不负梦想-读书笔记-01 Tracy的小书斋
本书的作者是俞敏洪，大家都很熟悉他了吧。俞敏洪老师是我行业的领头羊吧，也是我事业上的偶像。本日摘录他书中第一章中的金句：『一个人如果什么目标都没有，就会浑浑噩噩，感觉生命中缺少能量。能给我们能量的，是对未来的期待。第一件事，我始终为了进步而努力。与其追寻全世界的骏马，不如种植丰美的草原，到时骏马自然会来。第二件事，我始终有阶段性的目标。什么东西能给我能量？答案是对未来的期待。』读到这里的时候，我便
《投行人生》读书笔记小蘑菇的树洞
《投行人生》----作者詹姆斯-A-朗德摩根斯坦利副主席40年的职业洞见-很短小精悍的篇幅，比较适合初入职场的新人。第一部分成功的职业生涯需要规划1.情商归为适应能力分享与协作同理心适应能力，更多的是自我意识，你有能力识别自己的情并分辨这些情绪如何影响你的思想和行为。2.对于初入职场的人的建议，细节，截止日期和数据很重要截止日期，一种有效的方法是请老板为你所有的任务进行优先级排序。和老板喝咖啡的好
【一起学Rust | 设计模式】习惯语法——使用借用类型作为参数、格式化拼接字符串、构造函数广龙宇一起学Rust #Rust设计模式 rust 设计模式开发语言
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、使用借用类型作为参数二、格式化拼接字符串三、使用构造函数总结前言Rust不是传统的面向对象编程语言，它的所有特性，使其独一无二。因此，学习特定于Rust的设计模式是必要的。本系列文章为作者学习《Rust设计模式》的学习笔记以及自己的见解。因此，本系列文章的结构也与此书的结构相同（后续可能会调成结构），基本上分为三个部分
git常用命令笔记咩酱-小羊 git 笔记
###用习惯了idea总是不记得git的一些常见命令，需要用到的时候总是担心旁边站了人~~~记个笔记@_@，告诉自己看笔记不丢人初始化初始化一个新的Git仓库gitinit配置配置用户信息gitconfig--globaluser.name"YourName"gitconfig--globaluser.email"[email protected]"基本操作克隆远程仓库gitclone查看
509. 斐波那契数(每日一题) lzyprime
lzyprime博客(github)创建时间：2021.01.04qq及邮箱：2383518170leetcode笔记题目描述斐波那契数，通常用F(n)表示，形成的序列称为斐波那契数列。该数列由0和1开始，后面的每一项数字都是前面两项数字的和。也就是：F(0)=0，F(1)=1F(n)=F(n-1)+F(n-2)，其中n>1给你n，请计算F(n)。示例1：输入：2输出：1解释：F(2)=F(1)+
拥有断舍离的心态，过精简生活--《断舍离》读书笔记爱吃丸子的小樱桃
不知不觉间房间里的东西越来越多，虽然摆放整齐，但也时常会觉得空间逼仄，令人心生烦闷。抱着断舍离的态度，我开始阅读《断舍离》这本书，希望从书中能找到一些有效的方法，帮助我实现空间、物品上的断舍离。《断舍离》是日本作家山下英子通过自己的经历、思考和实践总结而成的，整体内涵也从刚开始的私人生活哲学的“断舍离”升华成了“人生实践哲学”，接着又成为每个人都能实行的“改变人生的断舍离”，从“哲学”逐渐升华成“
四章-32-点要素的聚合彩云飘过
本文基于腾讯课堂老胡的课《跟我学Openlayers--基础实例详解》做的学习笔记，使用的openlayers5.3.xapi。源码见1032.html，对应的官网示例https://openlayers.org/en/latest/examples/cluster.htmlhttps://openlayers.org/en/latest/examples/earthquake-clusters.
高端密码学院笔记285 柚子_b4b4
高端幸福密码学院（高级班）幸福使者：李华第（598）期《幸福》之回归内在深层生命原动力基础篇——揭秘“激励”成长的喜悦心理案例分析主讲：刘莉一，知识扩充:成功=艰苦劳动+正确方法+少说空话。贪图省力的船夫，目标永远下游。智者的梦再美，也不如愚人实干的脚印。幸福早课堂2020.10.16星期五一笔记:1，重视和珍惜的前提是知道它的价值非常重要，当你珍惜了，你就真正定下来，真正的学到身上。2，大家需要
探索OpenAI和LangChain的适配器集成：轻松切换模型提供商 nseejrukjhad langchain easyui 前端 python
#探索OpenAI和LangChain的适配器集成：轻松切换模型提供商##引言在人工智能和自然语言处理的世界中，OpenAI的模型提供了强大的能力。然而，随着技术的发展，许多人开始探索其他模型以满足特定需求。LangChain作为一个强大的工具，集成了多种模型提供商，通过提供适配器，简化了不同模型之间的转换。本篇文章将介绍如何使用LangChain的适配器与OpenAI集成，以便轻松切换模型提供商
深入理解 MultiQueryRetriever：提升向量数据库检索效果的强大工具 nseejrukjhad 数据库 python
深入理解MultiQueryRetriever：提升向量数据库检索效果的强大工具引言在人工智能和自然语言处理领域，高效准确的信息检索一直是一个关键挑战。传统的基于距离的向量数据库检索方法虽然广泛应用，但仍存在一些局限性。本文将介绍一种创新的解决方案：MultiQueryRetriever，它通过自动生成多个查询视角来增强检索效果，提高结果的相关性和多样性。MultiQueryRetriever的工
Day17笔记-高阶函数 ~在杰难逃~ Python 笔记 python 开发语言 pycharm 数据分析
高阶函数【重点掌握】函数的本质：函数是一个变量，函数名是一个变量名，一个函数可以作为另一个函数的参数或返回值使用如果A函数作为B函数的参数，B函数调用完成之后，会得到一个结果，则B函数被称为高阶函数常用的高阶函数：map(),reduce(),filter(),sorted()1.map()map(func,iterable)，返回值是一个iterator【容器，迭代器】func:函数iterab
Day1笔记-Python简介&标识符和关键字&输入输出 ~在杰难逃~ Python python 开发语言大数据数据分析数据挖掘
大家好，从今天开始呢，杰哥开展一个新的专栏，当然，数据分析部分也会不定时更新的，这个新的专栏主要是讲解一些Python的基础语法和知识，帮助0基础的小伙伴入门和学习Python，感兴趣的小伙伴可以开始认真学习啦！一、Python简介【了解】1.计算机工作原理编程语言就是用来定义计算机程序的形式语言。我们通过编程语言来编写程序代码，再通过语言处理程序执行向计算机发送指令，让计算机完成对应的工作，编程
【目标检测数据集】卡车数据集1073张VOC+YOLO格式熬夜写代码的平头哥∰ 目标检测 YOLO 人工智能
数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：1073标注数量(xml文件个数)：1073标注数量(txt文件个数)：1073标注类别数：1标注类别名称:["truck"]每个类别标注的框数：truck框数=1120总框数：1120使用标注工具：labelImg标注
人工智能时代，程序员如何保持核心竞争力？ jmoych 人工智能
随着AIGC（如chatgpt、midjourney、claude等）大语言模型接二连三的涌现，AI辅助编程工具日益普及，程序员的工作方式正在发生深刻变革。有人担心AI可能取代部分编程工作，也有人认为AI是提高效率的得力助手。面对这一趋势,程序员应该如何应对?是专注于某个领域深耕细作，还是广泛学习以适应快速变化的技术环境?又或者，我们是否应该将重点转向AI无法轻易替代的软技能？让我们一起探讨程序员
node.js学习小猿L node.js node.js 学习 vim
node.js学习实操及笔记温故node.js，node.js学习实操过程及笔记~node.js学习视频node.js官网node.js中文网实操笔记githubcsdn笔记为什么学node.js可以让别人访问我们编写的网页为后续的框架学习打下基础，三大框架vuereactangular离不开node.jsnode.js是什么官网：node.js是一个开源的、跨平台的运行JavaScript的运行
番茄西红柿叶子病害分类数据集12882张11类别 futureflsl 数据集分类数据挖掘人工智能
数据集类型：图像分类用，不可用于目标检测无标注文件数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片图片数量(jpg文件个数)：12882分类类别数：11类别名称:["Bacterial_Spot_Bacteria","Early_Blight_Fungus","Healthy","Late_Blight_Water_Mold","Leaf_Mold_Fungus","Powdery
数据仓库——维度表一致性墨染丶eye 背诵数据仓库
数据仓库基础笔记思维导图已经整理完毕，完整连接为：数据仓库基础知识笔记思维导图维度一致性问题从逻辑层面来看，当一系列星型模型共享一组公共维度时，所涉及的维度称为一致性维度。当维度表存在不一致时，短期的成功难以弥补长期的错误。维度时确保不同过程中信息集成起来实现横向钻取货活动的关键。造成横向钻取失败的原因维度结构的差别，因为维度的差别，分析工作涉及的领域从简单到复杂，但是都是通过复杂的报表来弥补设计
【Git】常见命令(仅笔记) 好想有猫猫 Git Linux学习笔记 git 笔记 elasticsearch linux c++
文章目录创建/初始化本地仓库添加本地仓库配置项提交文件查看仓库状态回退仓库查看日志分支删除文件暂存工作区代码远程仓库使用`.gitigore`文件让git不追踪一些文件标签创建/初始化本地仓库gitinit添加本地仓库配置项gitconfig-l#以列表形式显示配置项gitconfiguser.name"ljh"#配置user.namegitconfiguser.email"[email protected]
数字里的世界17期：2021年全球10大顶级数据中心，中国移动榜首张三叨
你知道吗？2016年，全球的数据中心共计用电4160亿千瓦时，比整个英国的发电量还多40％！前言每天，我们都会创造超过250万TB的数据。并且随着物联网（IOT）的不断普及，这一数据将持续增长。如此庞大的数据被存储在被称为“数据中心”的专用设施中。虽然最早的数据中心建于20世纪40年代，但直到1997-2000年的互联网泡沫期间才逐渐成为主流。当前人类的技术，比如人工智能和机器学习，已经将我们推向
为什么你总是对下属不满意? ZhaoWu1050
【ZhaoWu的听课笔记】大多数公司，都存在两种问题。我创业四年，更是体会深切。这两种问题就是：老板经常不满意下属的表现；下属总是不知道老板想要什么；虽然这两种问题普遍存在，其实解决方法并不复杂。这节课，我们再聊聊第一个问题：为什么老板经常不满意下属表现?其实，这背后也是一条管理常识。管理学家德鲁克先生早就说过：管理者的任务，不是去改变人。*来自《卓有成效的管理者》只是大多数老板和我一样，都是一边
母亲节如何做小红书营销美橙传媒
小红书的一举一动引起了外界的高度关注。通过爆款笔记和流行话题，我们可以看到“干货”类型的内容在小红书中偏向实用的生活经验共享和生活指南非常受欢迎。根据运营社的分析，这种现象是由小红书用户心智和内容社区背后机制共同决定的。首先，小红书将使用“强搜索”逻辑为用户提供特定的“搜索场景”。在“我必须这样生活”中，大量使用了满足小红书站用户喜好和需求的内容。内容社区自制的高质量内容也吸引了寻找营销新途径的品
读书笔记|《遇见孩子，遇见更好的自己》5 抹茶社长
为人父母意味着放弃自己的过去，不要对以往没有实现的心愿耿耿于怀，只有这样，孩子们才能做回自己。985909803.jpg孩子在与父母保持亲密的同时更需要独立，唯有这样，孩子才会成为孩子，父母才会成其为父母。有耐心的人生往往更幸福，给孩子留点余地。认识到养儿育女是对耐心的考验。为失败做好心理准备，教会孩子控制情绪。了解自己的底线，说到底线，有一点很重要，父母之所以发脾气，真正的原因往往在于他们自己，
基于Python给出的PDF文档转Markdown文档的方法程序媛了了 python pdf 开发语言
注：网上有很多将Markdown文档转为PDF文档的方法，但是却很少有将PDF文档转为Markdown文档的方法。就算有，比如某些网站声称可以将PDF文档转为Markdown文档，尝试过，不太符合自己的要求，而且无法保证文档没有泄露风险。于是本人为了解决这个问题，借助GPT（能使用GPT镜像或者有条件直接使用GPT的，反正能调用GPT接口就行）生成Python代码来完成这个功能。笔记、代码难免存在
语文主题教学学习笔记之87 东哥杂谈
“语文主题教学”学习笔记之八十七（0125）今天继续学习小学语文主题教学的实践样态。板块三：教学中体现“书艺”味道。作为四大名著之一的《水浒传》，堪称我国文学宝库之经典。对从《水浒传》中摘选的单元，教师就要了解其原生态，即评书体特点。这也要求教师要了解一些常用的评书行话术语，然后在教学时适时地加入一些，让学生体味其文本中原有的特色。学生也要尽可能地通过朗读的方式，而不单是分析讲解的方式进行学习。细
Armv8.3 体系结构扩展--原文版代码改变世界ctw ARM-TEE-Android armv8 嵌入式 arm架构安全架构芯片 Trustzone Secureboot
快速链接:.ARMv8/ARMv9架构入门到精通-[目录]付费专栏-付费课程【购买须知】:个人博客笔记导读目录(全部)TheArmv8.3architectureextensionTheArmv8.3architectureextensionisanextensiontoArmv8.2.Itaddsmandatoryandoptionalarchitecturalfeatures.Somefeat
springboot+vue项目实战一-创建SpringBoot简单项目苹果酱0567 面试题汇总与解析 spring boot 后端 java 中间件开发语言
这段时间抽空给女朋友搭建一个个人博客，想着记录一下建站的过程，就当做笔记吧。虽然复制zjblog只要一个小时就可以搞定一个网站，或者用cms系统，三四个小时就可以做出一个前后台都有的网站，而且想做成啥样也都行。但是就是要从新做，自己做的意义不一样，更何况，俺就是专门干这个的，嘿嘿嘿要做一个网站，而且从零开始，首先呢就是技术选型了，经过一番思量决定选择-SpringBoot做后端，前端使用Vue做一
阅读《认知觉醒》读书笔记就看看书
本周阅读了周岭的《认知觉醒开启自我改变的原动力》，启发较多，故做读书笔记一则，留待学习。全书共八章，讲述了大脑、潜意识、元认知、专注力、学习力、行动力、情绪力及成本最低的成长之道。具体描述了大脑、焦虑、耐心、模糊、感性、元认知、自控力、专注力、情绪专注、学习专注、匹配、深度、关联、体系、打卡、反馈、休息、清晰、傻瓜、行动、心智宽带、单一视角、游戏心态、早起、冥想、阅读、写作、运动等相关知识点。大脑
阅读笔记：阅读方法中的逻辑和转念施吉涛
聊聊一些阅读的方法论吧，别人家的读书方法刚开始想写，然后就不知道写什么了，因为作者写的非常的“精致”我有一种乡巴佬进城的感觉，看到精美的摆盘，精致的食材不知道该如何下口也就是《阅读的方法》，我们姑且来试一下强劲的大脑篇，第一节：逻辑通俗的来讲，也就是表达的排列和顺序，再进一步就是因果关系和关联实际上书已经看了大概一遍，但直到打算写一下笔记的时候，才发现作者讲的推理更多的是阅读的对象中呈现出的逻辑也
《转介绍方法论》学习笔记小可乐的妈妈
一、高效转介绍的流程：价值观---执行----方案一）转介绍发生的背景：1、对象：谁向谁转介绍？全员营销，人人参与。①员工的激励政策、客户的转介绍诱因制作客户画像：a信任；支付能力；意愿度；便利度（根据家长具备四个特征的个数分为四类）B性格分类C职业分类D年龄性别②执行：套路，策略，方法，流程2、诱因：为什么要转介绍？认同信任；多方共赢；传递美好；零风险承诺打动人心，超越期待。选择做教育，就是选择
JAVA学习笔记之23种设计模式学习 victorfreedom Java技术设计模式 android java 常用设计模式
博主最近买了《设计模式》这本书来学习，无奈这本书是以C++语言为基础进行说明，整个学习流程下来效率不是很高，虽然有的设计模式通俗易懂，但感觉还是没有充分的掌握了所有的设计模式。于是博主百度了一番，发现有大神写过了这方面的问题，于是博主迅速拿来学习。一、设计模式的分类总体来说设计模式分为三大类：创建型模式，共五种：工厂方法模式、抽象工厂模式、单例模式、建造者模式、原型模式。结构型模式，共七种：适配器
LeetCode[Math] - #66 Plus One Cwind java LeetCode 题解 Algorithm Math
原题链接：#66 Plus One 要求：给定一个用数字数组表示的非负整数，如num1 = {1, 2, 3, 9}, num2 = {9, 9}等，给这个数加上1。注意： 1. 数字的较高位存在数组的头上，即num1表示数字1239 2. 每一位（数组中的每个元素）的取值范围为0~9 难度：简单分析：题目比较简单，只须从数组
JQuery中$.ajax()方法参数详解 AILIKES JavaScript jsonp jquery Ajax json
url: 要求为String类型的参数，（默认为当前页地址）发送请求的地址。 type: 要求为String类型的参数，请求方式（post或get）默认为get。注意其他http请求方法，例如put和 delete也可以使用，但仅部分浏览器支持。 timeout: 要求为Number类型的参数，设置请求超时时间（毫秒）。此设置将覆盖$.ajaxSetup()方法的全局
JConsole & JVisualVM远程监视Webphere服务器JVM Kai_Ge JVisualVM JConsole Webphere
JConsole是JDK里自带的一个工具，可以监测Java程序运行时所有对象的申请、释放等动作，将内存管理的所有信息进行统计、分析、可视化。我们可以根据这些信息判断程序是否有内存泄漏问题。　　使用JConsole工具来分析WAS的JVM问题，需要进行相关的配置。　　首先我们看WAS服务器端的配置. 　　1、登录was控制台https://10.4.119.18
自定义annotation 120153216 annotation
Java annotation 自定义注释@interface的用法一、什么是注释说起注释，得先提一提什么是元数据(metadata)。所谓元数据就是数据的数据。也就是说，元数据是描述数据的。就象数据表中的字段一样，每个字段描述了这个字段下的数据的含义。而J2SE5.0中提供的注释就是java源代码的元数据，也就是说注释是描述java源
CentOS 5/6.X 使用 EPEL YUM源 2002wmj centos
CentOS 6.X 安装使用EPEL YUM源1. 查看操作系统版本[root@node1 ~]# uname -a Linux node1.test.com 2.6.32-358.el6.x86_64 #1 SMP Fri Feb 22 00:31:26 UTC 2013 x86_64 x86_64 x86_64 GNU/Linux [root@node1 ~]#
在SQLSERVER中查找缺失和无用的索引SQL 357029540 SQL Server
--缺失的索引 SELECT avg_total_user_cost * avg_user_impact * ( user_scans + user_seeks ) AS PossibleImprovement , last_user_seek ,
Spring3 MVC 笔记（二） —json+rest优化 7454103 Spring3 MVC
接上次的 spring mvc 注解的一些详细信息！其实也是一些个人的学习笔记呵呵！
替换“\”的时候报错Unexpected internal error near index 1 \ ^ adminjun java “\替换”
发现还是有些东西没有刻子脑子里,,过段时间就没什么概念了,所以贴出来...以免再忘... 在拆分字符串时遇到通过 \ 来拆分，可是用所以想通过转义 \\ 来拆分的时候会报异常 public class Main { /*
POJ 1035 Spell checker(哈希表) aijuans 暴力求解--哈希表
/* 题意：输入字典，然后输入单词，判断字典中是否出现过该单词，或者是否进行删除、添加、替换操作，如果是，则输出对应的字典中的单词要求按照输入时候的排名输出题解：建立两个哈希表。一个存储字典和输入字典中单词的排名，一个进行最后输出的判重 */ #include <iostream> //#define using namespace std; const int HASH =
通过原型实现javascript Array的去重、最大值和最小值 ayaoxinchao JavaScript array prototype
用原型函数（prototype）可以定义一些很方便的自定义函数，实现各种自定义功能。本次主要是实现了Array的去重、获取最大值和最小值。实现代码如下： <script type="text/javascript"> Array.prototype.unique = function() { var a = {}; var le
UIWebView实现https双向认证请求 bewithme UIWebView https Objective-C
什么是HTTPS双向认证我已在先前的博文 ASIHTTPRequest实现https双向认证请求中有讲述，不理解的读者可以先复习一下。本文是用UIWebView来实现对需要客户端证书验证的服务请求，网上有些文章中有涉及到此内容，但都只言片语，没有讲完全，更没有完整的代码，让人困扰不已。但是此知
NoSQL数据库之Redis数据库管理(Redis高级应用之事务处理、持久化操作、pub_sub、虚拟内存) bijian1013 redis 数据库 NoSQL
3.事务处理 Redis对事务的支持目前不比较简单。Redis只能保证一个client发起的事务中的命令可以连续的执行，而中间不会插入其他client的命令。当一个client在一个连接中发出multi命令时，这个连接会进入一个事务上下文，该连接后续的命令不会立即执行，而是先放到一个队列中，当执行exec命令时，redis会顺序的执行队列中
各数据库分页sql备忘 bingyingao oracle sql 分页
ORACLE 下面这个效率很低 SELECT * FROM ( SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_FS_RETURN order by id desc) A ) WHERE RN <20; 下面这个效率很高 SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_
【Scala七】Scala核心一：函数 bit1129 scala
1. 如果函数体只有一行代码，则可以不用写{},比如 def print(x: Int) = println(x) 一行上的多条语句用分号隔开，则只有第一句属于方法体，例如 def printWithValue(x: Int) : String= println(x); "ABC" 上面的代码报错，因为，printWithValue的方法
了解GHC的factorial编译过程 bookjovi haskell
GHC相对其他主流语言的编译器或解释器还是比较复杂的，一部分原因是haskell本身的设计就不易于实现compiler，如lazy特性，static typed，类型推导等。关于GHC的内部实现有篇文章说的挺好，这里，文中在RTS一节中详细说了haskell的concurrent实现，里面提到了green thread，如果熟悉Go语言的话就会发现，ghc的concurrent实现和Go有点类
Java-Collections Framework学习与总结-LinkedHashMap BrokenDreams LinkedHashMap
前面总结了java.util.HashMap，了解了其内部由散列表实现，每个桶内是一个单向链表。那有没有双向链表的实现呢？双向链表的实现会具备什么特性呢？来看一下HashMap的一个子类——java.util.LinkedHashMap。
读《研磨设计模式》-代码笔记-抽象工厂模式-Abstract Factory bylijinnan abstract
声明：本文只为方便我个人查阅和理解，详细的分析以及源代码请移步原作者的博客http://chjavach.iteye.com/ package design.pattern; /* * Abstract Factory Pattern * 抽象工厂模式的目的是： * 通过在抽象工厂里面定义一组产品接口，方便地切换“产品簇” * 这些接口是相关或者相依赖的
压暗面部高光 cherishLC PS
方法一、压暗高光&重新着色当皮肤很油又使用闪光灯时，很容易在面部形成高光区域。下面讲一下我今天处理高光区域的心得：皮肤可以分为纹理和色彩两个属性。其中纹理主要由亮度通道（Lab模式的L通道）决定，色彩则由a、b通道确定。处理思路为在保持高光区域纹理的情况下，对高光区域着色。具体步骤为：降低高光区域的整体的亮度，再进行着色。如果想简化步骤，可以只进行着色（参看下面的步骤1
Java VisualVM监控远程JVM crabdave visualvm
Java VisualVM监控远程JVM JDK1.6开始自带的VisualVM就是不错的监控工具. 这个工具就在JAVA_HOME\bin\目录下的jvisualvm.exe, 双击这个文件就能看到界面通过JMX连接远程机器, 需要经过下面的配置: 1. 修改远程机器JDK配置文件 (我这里远程机器是linux).
Saiku去掉登录模块 daizj saiku 登录 olap BI
1、修改applicationContext-saiku-webapp.xml <security:intercept-url pattern="/rest/**" access="IS_AUTHENTICATED_ANONYMOUSLY" /> <security:intercept-url pattern=&qu
浅析 Flex中的Focus dsjt html Flex Flash
关键字：focus、 setFocus、 IFocusManager、KeyboardEvent 焦点、设置焦点、获得焦点、键盘事件一、无焦点的困扰——组件监听不到键盘事件原因：只有获得焦点的组件（确切说是InteractiveObject）才能监听到键盘事件的目标阶段；键盘事件（flash.events.KeyboardEvent）参与冒泡阶段，所以焦点组件的父项（以及它爸
Yii全局函数使用 dcj3sjt126com yii
由于YII致力于完美的整合第三方库，它并没有定义任何全局函数。yii中的每一个应用都需要全类别和对象范围。例如，Yii::app()->user;Yii::app()->params['name'];等等。我们可以自行设定全局函数，使得代码看起来更加简洁易用。(原文地址) 我们可以保存在globals.php在protected目录下。然后，在入口脚本index.php的，我们包括在
设计模式之单例模式二（解决无序写入的问题） come_for_dream 单例模式 volatile 乱序执行双重检验锁
在上篇文章中我们使用了双重检验锁的方式避免懒汉式单例模式下由于多线程造成的实例被多次创建的问题，但是因为由于JVM为了使得处理器内部的运算单元能充分利用，处理器可能会对输入代码进行乱序执行（Out Of Order Execute）优化，处理器会在计算之后将乱序执行的结果进行重组，保证该
程序员从初级到高级的蜕变 gcq511120594 框架工作 PHP android html5
软件开发是一个奇怪的行业，市场远远供不应求。这是一个已经存在多年的问题，而且随着时间的流逝，愈演愈烈。我们严重缺乏能够满足需求的人才。这个行业相当年轻。大多数软件项目是失败的。几乎所有的项目都会超出预算。我们解决问题的最佳指导方针可以归结为——“用一些通用方法去解决问题，当然这些方法常常不管用，于是，唯一能做的就是不断地尝试，逐个看看是否奏效”。现在我们把淫浸代码时间超过3年的开发人员称为
Reverse Linked List hcx2013 list
Reverse a singly linked list. /** * Definition for singly-linked list. * public class ListNode { * int val; * ListNode next; * ListNode(int x) { val = x; } * } */ p
Spring4.1新特性——数据库集成测试 jinnianshilongnian spring 4.1
目录 Spring4.1新特性——综述 Spring4.1新特性——Spring核心部分及其他 Spring4.1新特性——Spring缓存框架增强 Spring4.1新特性——异步调用和事件机制的异常处理 Spring4.1新特性——数据库集成测试脚本初始化 Spring4.1新特性——Spring MVC增强 Spring4.1新特性——页面自动化测试框架Spring MVC T
C# Ajax上传图片同时生成微缩图(附Demo) liyonghui160com
1.Ajax无刷新上传图片,详情请阅我的这篇文章。（jquery + c# ashx） 2.C#位图处理 System.Drawing。 3.最新demo支持IE7,IE8,Fir
Java list三种遍历方法性能比较 pda158 java
从c/c++语言转向java开发，学习java语言list遍历的三种方法，顺便测试各种遍历方法的性能，测试方法为在ArrayList中插入1千万条记录，然后遍历ArrayList，发现了一个奇怪的现象，测试代码例如以下： package com.hisense.tiger.list; import java.util.ArrayList; import java.util.Iterator;
300个涵盖IT各方面的免费资源（上）——商业与市场篇 shoothao seo 商业与市场 IT资源免费资源
A.网站模板+logo+服务器主机+发票生成 HTML5 UP:响应式的HTML5和CSS3网站模板。 Bootswatch:免费的Bootstrap主题。 Templated:收集了845个免费的CSS和HTML5网站模板。 Wordpress.org|Wordpress.com:可免费创建你的新网站。 Strikingly:关注领域中免费无限的移动优
localStorage、sessionStorage uule localStorage
W3School 例子 HTML5 提供了两种在客户端存储数据的新方法： localStorage - 没有时间限制的数据存储 sessionStorage - 针对一个 session 的数据存储之前，这些都是由 cookie 完成的。但是 cookie 不适合大量数据的存储，因为它们由每个对服务器的请求来传递，这使得 cookie 速度很慢而且效率也不

Oriented R-CNN 试图涨点 目标检测 random rotation