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)

新网师的精神肤色（幕布笔记）悦读书香
王子老师的《极简100小妙招》收到已经几天了，之前大概的浏览了全书，今天起给自己定了一个计划，必须每天学习极简小妙招里面的一个妙招，并加以运用。一、今天要打卡什么内容因有完成每天学习极简小妙招的计划，所以今天晚饭吃的比较简单，草草吃完以后带着小宝到广场溜达一圈，急忙赶回来学习极简小妙招。再重看的时候不知道自己要学点什么，打卡哪一招，感觉哪个都简单，就看这一环节像王子老师说的“一看就会”，但做这一环
C++学习笔记（lambda函数） __TAT__ C&C++c++学习笔记
C++learningnote1、lambda函数的语法2、lambda函数的几种用法1、lambda函数的语法lambda函数的一般语法如下：[capture_clause](parameters)->return_type{function_body}capture_clause：需要捕获的变量，但要求该变量必须在这个作用域中。通常的捕获方式有以下几种：[]：不捕获任何变量[&]：按引用捕获变
读书笔记《穿越寒冬》如雪般飞舞
各位好，我们今天来讲一本书，名字叫作《穿越寒冬》。看起来特别应景，大家觉得现在创业的状况不景气，大家都在忍受着寒冬的煎熬。但实际上，这本书的英文名字并不是这个意思，它的英文名叫作“如何创立一家新公司，并且能够活下来”。我在整个读完了以后，我发现这本书真正要翻译得好，它的名字应该叫作《创业生存手册》。这个书的作者，来自硅谷的霍夫曼船长。霍夫曼船长写过一本让创业者觉得特别贴心的书，叫作《让大象飞》它和
2018-11-18成长小组学习笔记实验中学45
因为嗓子“罢工”，我面对众人只能借“微笑”代言。在开始授课前，绣霞老师先反馈上次作业的情况，提到“接纳”需是真正发自内心的完全接纳，而不是口头上的接纳，内心却是排斥的。提到一个“问题”孩子恰恰对家爱的更加“深沉”，夫妻间的问题不能影响到孩子，对孩子更好的爱不是你为他做的更多，而是给他自由、健康成长的空间。图片发自App一、孩子：家庭的一面镜子夫妻成了彼此的“投射”，婚姻便“吵的不可开交”，婚姻便成
Ai插件脚本合集安装包，免费教程视频网盘分享全网优惠分享君
随着人工智能技术的不断发展，越来越多的插件脚本涌现出来，为我们的生活和工作带来了便利。然而，如何快速、方便地获取和使用这些插件脚本呢？今天，我将为大家分享一个非常实用的资源——AI插件脚本合集安装包，以及免费教程视频网盘分享。首先，让我们来了解一下这个AI插件脚本合集安装包。它是一个集合了众多AI插件脚本的资源包，涵盖了各种领域，如数据分析、自动化办公、智能客服等等。通过这个安装包，用户可以轻松地
【鸿蒙HarmonyOS开发笔记】ArkUI常用组件介绍汇总（更新中）温、鸿蒙HarmonyOS开发笔记学习记录 harmonyos 笔记华为
概述此文总结开发中用到的一些常用组件，便于查阅，此文持续更新，闲的没事就更线性布局（Row/Column）不多介绍了，最常用的布局组件，两者除了方向不一样，别的都一样方便起见下面只写Column常用属性排列方向上的间距：spaceColumn({space:20}){Row().width('90%').height(50).backgroundColor(0xF5DEB3)Row().width
过去一年，这16本好书不容错过 m0_54050778 perl
编者按：2023年在动荡与希望中收尾，2023年注定会被载入史册。疫情寒冬结束，ChatGPT横空出世，带动了人工智能技术的飞速发展；淄博烧烤、天津大爷、尔滨之旅等充满感动与幸福。但与此同时，2023年又是动荡与不安的一年，俄乌冲突的延宕，新一轮的巴以冲突，极端天气频发。在这个大环境下，有一些经典的书籍著作诞生。本文将分享2023年最值得一读的16本书籍，文章来自翻译，希望对你有所启示。关于202
[数据集][图像分类]河道污染分类数据集1923张4类别 FL1623863129 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)：1922分类类别数：4类别名称:["lianghao","qingwei","yanzhong","zhongdu"]每个类别图片数：lianghao图片数：435qingwei图片数：423yanzhong图片数：577zhongdu图片数：487重要说明
安卓笔记本 - Handler Message MessageQueue Looper SocialException
不爱写字，一张图解决。Handler,Message,MessageQueue,Looper工作原理
枚举使用笔记万变不离其宗_8 项目笔记笔记
1.java枚举怎么放在方法上面的注释里面/***保存*@paramuserId用户id*@paramtype见枚举{@linkcom.common.enums.TypeEnum}*@return*/voidsave(LonguserId,Stringtype);
ruoyi使用笔记万变不离其宗_8 项目笔记代码参考笔记笔记 java 前端
1.限流处理@RateLimiter@PostMapping("/createOrder")@ApiOperation("创建充值订单")@RateLimiter(key=CacheConstants.REPEAT_SUBMIT_KEY,time=10,count=1,limitType=LimitType.IP)publicRcreateOrder(@RequestBodyFormform){/
数据管理知识体系指南（第二版）-第五章——数据建模和设计-学习笔记键盘上的五花肉数据治理数据库数据仓库数据治理
目录5.1引言5.1.1业务驱动因素5.1.2目标和原则5.1.3基本概念5.2活动5.2.1规划数据建模5.2.2建立数据模型5.2.3审核数据模型5.2.4维护数据模型5.3工具5.3.1数据建模工具5.3.2数据血缘工具5.3.3数据分析工具5.3.4元数据资料库5.3.5数据模型模式5.3.6行业数据模型5.4方法5.4.1命名约定的最佳实践5.4.2数据库设计中的最佳实践5.5数据建模和
Java学习笔记01 .wsy. 日常 java 学习笔记
1.1Java简介Java的前身是Oak，詹姆斯·高斯林是java之父。1.2Java体系Java是一种与平台无关的语言，其源代码可以被编译成一种结构中立的中间文件（.class，字节码文件）于Java虚拟机上运行。1.2.3专有名词JDK提供编译、运行Java程序所需要的种种工具及资源。JRE是运行Java所依赖的环境的集合。JVM是一个虚构出来的计算机，通过在实际的计算机上仿真模拟各种计算机功
《老子》笔记19 2018-10-28 海上明月共
第二十二章[原文]曲则全，枉则直，洼则盈，敝则新，少则得，多则惑。是以圣人抱一为天下式。不自见，故明；不自是，故彰，不自伐，故有功；不自矜，故长。夫唯不争，故天下莫能与之争。古之所谓"曲则全"者，岂虚言哉？诚全而归之。[译文]委曲便会保全，屈枉便会直伸；低洼便会充盈，陈旧便会更新；少取便会获得，贪多便会迷惑。所以有道的人坚守这一原则作为天下事理的范式，不自我表扬，反能显明；不自以为是，反能是非彰明
以客户为中心的企业设计（咨询执业笔记）觉者看世界
以客户为中心的企业设计（咨询执业笔记）——何伏全案咨询知名专家数字经济大行其道，过剩的风险资本自由流动，股权市场日益强势，这些力量综合在一起，产生出诸多不合理的企业设计。这些事实使得企业设计的再创造越来越需要一种约束力，许多公司和投资者未能熟谙这种约束力，或者未能将其基本原理运用于具体的商业行为中，因此付出了沉重的代价。无利润区的确存在，并且已在全球蔓延，有愈演愈烈之势。它席卷了数以千计的公司，涉
【Git安装及使用学习笔记】可可西里啊零零散散的学习笔记 git 学习笔记 c++qt5
Git学习笔记Git安装Git创建本地版本库以及提交文件使用Git提交代码到码云使用Git从码云拉取代码参考博客Git安装这里参考Git详细安装教程（详解Git安装过程的每一个步骤）Git创建本地版本库以及提交文件1.查看git版本信息：git--version2.设置对应用户名与邮箱地址gitconfig--globaluser.name"your_usernamegitconfig--glob
ChatGPT技巧大揭秘：AI写代码新境界 2401_83550420 chatgpt4.0 chatgpt chatgpt 人工智能 AI写作
ChatGPT无限次数:点击直达ChatGPT技巧大揭秘：AI写代码新境界随着人工智能技术的不断进步，开发人员现在有了更多有趣的工具来提高他们的工作效率。其中，ChatGPT作为一种基于深度学习的自然语言处理模型，已经成为许多开发者的新宠。在本文中，我们将揭秘使用ChatGPT来帮助编写代码的技巧，探索AI在编程领域的新境界。ChatGPT简介ChatGPT是一种基于大型神经网络的对话生成模型，它
ChatGPT：AI合作伙伴助你成为论文写作高手 2401_83550420 chatgpt chatgpt 人工智能 AI写作
ChatGPT无限次数:点击直达摘要：本文将介绍ChatGPT3.5Turbo（以下简称ChatGPT），一款强大的AI合作伙伴，能够助你成为一名论文写作高手。我们将深入探讨ChatGPT的特点、优势，并提供多个示例，展示ChatGPT在论文写作中的应用。无论是开展研究、撰写论文、还是与ChatGPT进行互动交流，都能够帮助你提升写作效率和质量。引言：随着人工智能的发展，聊天型语言模型在各个领域都
AI大模型学习：开启智能时代的新篇章游向大厂的咸鱼人工智能学习
随着人工智能技术的不断发展，AI大模型已经成为当今领先的技术之一，引领着智能时代的发展。这些大型神经网络模型，如OpenAI的GPT系列、Google的BERT等，在自然语言处理、图像识别、智能推荐等领域展现出了令人瞩目的能力。然而，这些模型的背后是一系列复杂的学习过程，深度学习技术的不断演进推动了AI大模型学习的发展。首先，AI大模型学习的基础是深度学习技术。深度学习是一种模仿人类大脑结构的机器
读书笔记|《穆斯林的葬礼》飞舞的微辰
她从来也没有打算对过去的恩怨进行报偿或是惩罚，只是想把该记住的都记住，该忘却的都忘却。事业的追求，并不一定要什么头衔和称号来满足，你爱上了一种东西，愿意用全部心血去研究它，掌握它，从中得到乐趣，并且永远也不舍得丢其它，这是事业心，是比什么都重要的......人生在世，谁也管不了谁；生儿育女，不是为了父母，是为了儿女自己，各人的路，让他们自己去闯吧。七尺之躯，一抔黄土，穆斯林们一个个都离去了，什么都
C#学习笔记 2301_79022588 学习笔记
一、事件派发器在C#中，事件派发器通常是指事件委托和事件处理程序的组合，用于实现一种观察者设计模式。它允许对象在状态发生变化时通知其他对象，从而实现对象之间的解耦。事件派发器的基本组成部分：事件委托（EventDelegate）：事件委托是一种特殊的委托，用于封装可以被调用的方法。它定义了事件的签名，即指定了事件处理程序方法的参数和返回类型。通常，事件委托声明在事件派发器类的外部，并且使用dele
OpenCV（一个C++人工智能领域重要开源基础库）简介愚梦者 OpenCV 人工智能人工智能 opencv c++图像处理计算机视觉开源
返回：OpenCV系列文章目录（持续更新中......）上一篇：OpenCV4.9.0配置选项参考下一篇：OpenCV4.9.0开源计算机视觉库安装概述引言：OpenCV（全称OpenSourceComputerVisionLibrary）是一个基于开放源代码发行的跨平台计算机视觉库，可以用来进行图像处理、计算机视觉和机器学习等领域的开发。该库由英特尔公司于1999年开始开发，最初是为了加速处理器
遇见美好｜期待越来越好的自己｜复盘日记Day137 沫ma的1001页
遇见美好｜期待越来越好的自己｜复盘日记Day1372021年7月21日星期三晴喜马拉雅(沫沫成长记）亲子共读：Day42阅读学习践行Day.17/21晨间日记Day.17/21昨日晚安：23:02今日早安：05:00早起：Day806❥今日运动｜跑步0Km（未完成）❥今日自我成长｜学习新知识1.听书＋书写笔记,小花生阅读打卡2..阅读学习，听音频＋写作业3.时间管理2.0线上践行，听课+写作业4.
D43+1组棉布+《一个人的朝圣》读书笔记棉布家的小橘子
前几天读了《一个人的朝圣》，感受到信念、目标对一个人是多么重要。哈罗德因为奎妮的一封告别信，步行横跨英格兰去探望她。因为有了目标和信念他才能坚持下去。而奎妮也一直在等他。一路哈罗德回忆儿子戴维，回忆自己小时候的遭遇，回忆与妻子莫琳的种种。想通了许多事情，与其说他要去拯救奎妮不如说在拯救自己。哈罗德与父母哈罗德的童年是不幸的，爸爸妈妈根本没有想当父母却生下了他。妈妈离家出走，爸爸开始找不同的阿姨，在
Java学习笔记04：Java_数组 JasonYangQ Java java
文章目录1.数组1.1数组介绍1.2数组的定义格式1.2.1第一种格式1.2.2第二种格式1.3数组的动态初始化1.3.1什么是动态初始化1.3.2动态初始化格式1.3.3动态初始化格式详解1.4数组元素访问1.4.1什么是索引1.4.2访问数组元素格式1.4.3示例代码1.5内存分配1.5.1内存概述1.5.2java中的内存分配1.9数组的静态初始化1.9.1什么是静态初始化1.9.2静态初始
ChatGPT：智能论文写作指南，让您成为写作高手 AI臻蚌 chatgpt4.0 chatgpt chatgpt 人工智能 AI写作
ChatGPT无限次数:点击直达写作是学术研究中不可或缺的一环，然而，对于许多人来说，写作往往是一项艰巨而费时的任务。但是，现在有了ChatGPT，您将能够以前所未有的速度和准确性编写高质量的论文。本文将向您介绍如何利用ChatGPT的强大功能成为写作高手，并为您提供一些示例，展示其在不同领域的应用。1.简介ChatGPT是一种基于人工智能的语言模型，它可以理解并生成人类语言。通过训练大量的语料库
ChatGPT神技：AI成为你的编程良友 2401_83481083 chatgpt4.0 chatgpt chatgpt 人工智能 AI写作
ChatGPT无限次数:点击直达ChatGPT神技：AI成为你的编程良友近年来，人工智能技术的发展迅猛，ChatGPT作为其中一项创新技术，正逐渐走进我们的生活。在编程领域，AI不仅可以助力我们提高效率，还能成为我们的良友，帮助解决各种编程难题。一、ChatGPT简介ChatGPT是一种基于自然语言处理技术的人工智能模型，它能够生成类人对话。ChatGPT通过深度学习模型，能够理解输入的文本并生成
数字逻辑不可能涌现出智能 dog250 人工智能
先看一系列竖式乘法的步骤：相乘的两个数数位越大，步骤越多。如果不纠结数制，二进制运算也是这回事，把单个步骤用一个晶体管表达(其实一个步骤不止一个晶体管)，数位越大，所需的晶体管越多。先说结论，所有基于n进制的逻辑运算都不可扩展。硅基时序电路可如此巧妙完成精确计算，开启了数字化时代，人们试图将AI构建在这二进制世界。但若二进制运算不可扩展，基于数字逻辑的人工智能就不可能。前面提到过，二进制运算本质上
JavaScript快速入门笔记之二（变量、常量、数据类型） eshineLau 前端开发 javascript 笔记前端
JavaScript快速入门笔记之二（变量、常量、数据类型）1、变量何时使用变量：程序中的一切数据都要保存在变量中，反复使用如何使用变量：2种情况：赋值和取值赋值：2步：1.1创建变量：——声明——创建一个新的空变量语法：var变量名;强调：仅声明，未赋值的变量，默认值是undefined命名：1.不能以数字开头2.不能用保留字。3.一般采用驼峰命名1.2赋值：将数据保存到变量中语法：变量名=数据
2018.1.28笔记 - 草稿宫晓杰
远离离电子屏幕。正常情况下，褪黑素水平会从晚上七八点开始逐渐升高，并在清晨时分逐渐下降。但休斯顿大学的一项研究显示，在夜里盯着手机屏幕会干扰这一过程，使我们更加清醒，影响体内昼夜节律。在休斯顿大学的这项研究中，在两周的实验期间，受试者按要求在入睡前三小时戴上短波光线屏蔽眼镜，结果夜间的体内褪黑素水平上升了58%。
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