YOLOv5 配置C2模块构造新模型

本文为[365天深度学习训练营学习记录博客
参考文章：365天深度学习训练营
原作者：[K同学啊]
文章来源：[K同学的学习圈子](https://www.yuque.com/mingtian-fkmxf/zxwb45)

目标：在YOLOv5s网络模型中，修改common.py、yolo.py、yolov5s.yaml文件，将C2模块插入第2层与第3层之间，且跑通YOLOv5s。

操作步骤：

1.在common.py文件中插入C2模块

class C2(nn.Module):
    # CSP Bottleneck with 3 convolutions
    def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):  # ch_in, ch_out, number, shortcut, groups, expansion
        super().__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c1, c_, 1, 1)
        self.cv3 = Conv(2 * c_, c2, 1)  # optional act=FReLU(c2)
        self.m = nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)))

    def forward(self, x):
        return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))

2.修改yolo.py文件，改动模型框架

def parse_model(d, ch):  # model_dict, input_channels(3)
    # Parse a YOLOv5 model.yaml dictionary
    LOGGER.info(f"\n{'':>3}{'from':>18}{'n':>3}{'params':>10}  {'module':<40}{'arguments':<30}")
    anchors, nc, gd, gw, act = d['anchors'], d['nc'], d['depth_multiple'], d['width_multiple'], d.get('activation')
    if act:
        Conv.default_act = eval(act)  # redefine default activation, i.e. Conv.default_act = nn.SiLU()
        LOGGER.info(f"{colorstr('activation:')} {act}")  # print
    na = (len(anchors[0]) // 2) if isinstance(anchors, list) else anchors  # number of anchors
    no = na * (nc + 5)  # number of outputs = anchors * (classes + 5)

    layers, save, c2 = [], [], ch[-1]  # layers, savelist, ch out
    for i, (f, n, m, args) in enumerate(d['backbone'] + d['head']):  # from, number, module, args
        m = eval(m) if isinstance(m, str) else m  # eval strings
        for j, a in enumerate(args):
            with contextlib.suppress(NameError):
                args[j] = eval(a) if isinstance(a, str) else a  # eval strings

        n = n_ = max(round(n * gd), 1) if n > 1 else n  # depth gain
        if m in {
                Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv,
                BottleneckCSP, C3, C3TR, C3SPP, C3Ghost, nn.ConvTranspose2d, DWConvTranspose2d, C3x}:
            c1, c2 = ch[f], args[0]
            if c2 != no:  # if not output
                c2 = make_divisible(c2 * gw, 8)

            args = [c1, c2, *args[1:]]
            if m in {BottleneckCSP, C3, C3TR, C3Ghost, C3x}:
                args.insert(2, n)  # number of repeats
                n = 1
        elif m is nn.BatchNorm2d:
            args = [ch[f]]
        elif m is Concat:
            c2 = sum(ch[x] for x in f)
        # TODO: channel, gw, gd
        elif m in {Detect, Segment}:
            args.append([ch[x] for x in f])
            if isinstance(args[1], int):  # number of anchors
                args[1] = [list(range(args[1] * 2))] * len(f)
            if m is Segment:
                args[3] = make_divisible(args[3] * gw, 8)
        elif m is Contract:
            c2 = ch[f] * args[0] ** 2
        elif m is Expand:
            c2 = ch[f] // args[0] ** 2
        else:
            c2 = ch[f]

        m_ = nn.Sequential(*(m(*args) for _ in range(n))) if n > 1 else m(*args)  # module
        t = str(m)[8:-2].replace('__main__.', '')  # module type
        np = sum(x.numel() for x in m_.parameters())  # number params
        m_.i, m_.f, m_.type, m_.np = i, f, t, np  # attach index, 'from' index, type, number params
        LOGGER.info(f'{i:>3}{str(f):>18}{n_:>3}{np:10.0f}  {t:<40}{str(args):<30}')  # print
        save.extend(x % i for x in ([f] if isinstance(f, int) else f) if x != -1)  # append to savelist
        layers.append(m_)
        if i == 0:
            ch = []
        ch.append(c2)
    return nn.Sequential(*layers), sorted(save)

函数用于将模型的模块拼接起来，搭建完成的网络模型。后续如果需要动模型框架的话，需要对这个函数做相应的改动。

修改前：

修改后：

3.yolov5s.yaml文件中加入C2层

4.命令窗运行

python train.py --img 900 --batch 2 --epoch 100 --data D:/yolov5-master/data/ab.yaml --cfg D:/yolov5-master/models/yolov5s.yaml --weights yolov5s.pt

运行结果：

D:\yolov5-master>python train.py --img 900 --batch 2 --epoch 100 --data D:/yolov5-master/data/ab.yaml --cfg D:/yolov5-master/models/yolov5s.yaml --weights yolov5s.pt
train: weights=yolov5s.pt, cfg=D:/yolov5-master/models/yolov5s.yaml, data=D:/yolov5-master/data/ab.yaml, hyp=data\hyps\hyp.scratch-low.yaml, epochs=100, batch_size=2, imgsz=900, rect=False, resume=False, nosave=False, noval=False, noautoanchor=False, noplots=False, evolve=None, bucket=, cache=None, image_weights=False, device=, multi_scale=False, single_cls=False, optimizer=SGD, sync_bn=False, workers=8, project=runs\train, name=exp, exist_ok=False, quad=False, cos_lr=False, label_smoothing=0.0, patience=100, freeze=[0], save_period=-1, seed=0, local_rank=-1, entity=None, upload_dataset=False, bbox_interval=-1, artifact_alias=latest
github: skipping check (not a git repository), for updates see https://github.com/ultralytics/yolov5
YOLOv5  2023-10-15 Python-3.10.7 torch-2.0.1+cpu CPU

hyperparameters: lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.0005, warmup_epochs=3.0, warmup_momentum=0.8, warmup_bias_lr=0.1, box=0.05, cls=0.5, cls_pw=1.0, obj=1.0, obj_pw=1.0, iou_t=0.2, anchor_t=4.0, fl_gamma=0.0, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, degrees=0.0, translate=0.1, scale=0.5, shear=0.0, perspective=0.0, flipud=0.0, fliplr=0.5, mosaic=1.0, mixup=0.0, copy_paste=0.0
Comet: run 'pip install comet_ml' to automatically track and visualize YOLOv5  runs in Comet
TensorBoard: Start with 'tensorboard --logdir runs\train', view at http://localhost:6006/
Overriding model.yaml nc=80 with nc=4

                 from  n    params  module                                  arguments
Traceback (most recent call last):
  File "D:\yolov5-master\train.py", line 647, in 
    main(opt)
  File "D:\yolov5-master\train.py", line 536, in main
    train(opt.hyp, opt, device, callbacks)
  File "D:\yolov5-master\train.py", line 130, in train
    model = Model(cfg or ckpt['model'].yaml, ch=3, nc=nc, anchors=hyp.get('anchors')).to(device)  # create
  File "D:\yolov5-master\models\yolo.py", line 185, in __init__
    self.model, self.save = parse_model(deepcopy(self.yaml), ch=[ch])  # model, savelist
  File "D:\yolov5-master\models\yolo.py", line 319, in parse_model
    BottleneckCSP, C2, C3, C3TR, C3SPP, C3Ghost, nn.ConvTranspose2d, DWConvTranspose2d, C3x}:
NameError: name 'C2' is not defined. Did you mean: 'c2'?

D:\yolov5-master>python train.py --img 900 --batch 2 --epoch 100 --data D:/yolov5-master/data/ab.yaml --cfg D:/yolov5-master/models/yolov5s.yaml --weights yolov5s.pt
train: weights=yolov5s.pt, cfg=D:/yolov5-master/models/yolov5s.yaml, data=D:/yolov5-master/data/ab.yaml, hyp=data\hyps\hyp.scratch-low.yaml, epochs=100, batch_size=2, imgsz=900, rect=False, resume=False, nosave=False, noval=False, noautoanchor=False, noplots=False, evolve=None, bucket=, cache=None, image_weights=False, device=, multi_scale=False, single_cls=False, optimizer=SGD, sync_bn=False, workers=8, project=runs\train, name=exp, exist_ok=False, quad=False, cos_lr=False, label_smoothing=0.0, patience=100, freeze=[0], save_period=-1, seed=0, local_rank=-1, entity=None, upload_dataset=False, bbox_interval=-1, artifact_alias=latest
github: skipping check (not a git repository), for updates see https://github.com/ultralytics/yolov5
YOLOv5  2023-10-15 Python-3.10.7 torch-2.0.1+cpu CPU

hyperparameters: lr0=0.01, lrf=0.01, momentum=0.937, weight_decay=0.0005, warmup_epochs=3.0, warmup_momentum=0.8, warmup_bias_lr=0.1, box=0.05, cls=0.5, cls_pw=1.0, obj=1.0, obj_pw=1.0, iou_t=0.2, anchor_t=4.0, fl_gamma=0.0, hsv_h=0.015, hsv_s=0.7, hsv_v=0.4, degrees=0.0, translate=0.1, scale=0.5, shear=0.0, perspective=0.0, flipud=0.0, fliplr=0.5, mosaic=1.0, mixup=0.0, copy_paste=0.0
Comet: run 'pip install comet_ml' to automatically track and visualize YOLOv5  runs in Comet
TensorBoard: Start with 'tensorboard --logdir runs\train', view at http://localhost:6006/
Overriding model.yaml nc=80 with nc=4

                 from  n    params  module                                  arguments
  0                -1  1      3520  models.common.Conv                      [3, 32, 6, 2, 2]
  1                -1  1     18560  models.common.Conv                      [32, 64, 3, 2]
  2                -1  1     18816  models.common.C3                        [64, 64, 1]
  3                -1  1     18816  models.common.C2                        [64, 64, 1]
  4                -1  1     73984  models.common.Conv                      [64, 128, 3, 2]
  5                -1  2    115712  models.common.C3                        [128, 128, 2]
  6                -1  1    295424  models.common.Conv                      [128, 256, 3, 2]
  7                -1  3    625152  models.common.C3                        [256, 256, 3]
  8                -1  1   1180672  models.common.Conv                      [256, 512, 3, 2]
  9                -1  1   1182720  models.common.C3                        [512, 512, 1]
 10                -1  1    656896  models.common.SPPF                      [512, 512, 5]
 11                -1  1    131584  models.common.Conv                      [512, 256, 1, 1]
 12                -1  1         0  torch.nn.modules.upsampling.Upsample    [None, 2, 'nearest']
 13           [-1, 6]  1         0  models.common.Concat                    [1]
 14                -1  1    361984  models.common.C3                        [512, 256, 1, False]
 15                -1  1     33024  models.common.Conv                      [256, 128, 1, 1]
 16                -1  1         0  torch.nn.modules.upsampling.Upsample    [None, 2, 'nearest']
 17           [-1, 4]  1         0  models.common.Concat                    [1]
 18                -1  1     90880  models.common.C3                        [256, 128, 1, False]
 19                -1  1    147712  models.common.Conv                      [128, 128, 3, 2]
 20          [-1, 14]  1         0  models.common.Concat                    [1]
 21                -1  1    329216  models.common.C3                        [384, 256, 1, False]
 22                -1  1    590336  models.common.Conv                      [256, 256, 3, 2]
 23          [-1, 10]  1         0  models.common.Concat                    [1]
 24                -1  1   1313792  models.common.C3                        [768, 512, 1, False]
 25      [17, 20, 23]  1     38097  models.yolo.Detect                      [4, [[10, 13, 16, 30, 33, 23], [30, 61, 62, 45, 59, 119], [116, 90, 156, 198, 373, 326]], [256, 384, 768]]
YOLOv5s summary: 232 layers, 7226897 parameters, 7226897 gradients, 17.2 GFLOPs

Transferred 49/379 items from yolov5s.pt
WARNING  --img-size 900 must be multiple of max stride 32, updating to 928
optimizer: SGD(lr=0.01) with parameter groups 62 weight(decay=0.0), 65 weight(decay=0.0005), 65 bias
train: Scanning D:\yolov5-master\Y2\train... 1 images, 0 backgrounds, 159 corrupt: 100%|██████████| 160/160 [00:13<00:0
train: WARNING   D:\yolov5-master\Y2\images\fruit1.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit1.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit10.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit10.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit100.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit100.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit102.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit102.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit103.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit103.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit104.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit104.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit106.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit106.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit108.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit108.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit109.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit109.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit11.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit11.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit110.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit110.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit111.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit111.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit113.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit113.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit114.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit114.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit115.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit115.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit116.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit116.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit117.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit117.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit118.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit118.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit119.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit119.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit12.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit12.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit120.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit120.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit121.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit121.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit122.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit122.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit123.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit123.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit124.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit124.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit125.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit125.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit127.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit127.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit129.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit129.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit13.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit13.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit130.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit130.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit131.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit131.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit132.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit132.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit133.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit133.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit134.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit134.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit135.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit135.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit136.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit136.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit138.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit138.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit14.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit14.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit142.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit142.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit143.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit143.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit144.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit144.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit145.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit145.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit147.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit147.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit148.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit148.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit149.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit149.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit15.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit15.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit151.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit151.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit152.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit152.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit155.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit155.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit156.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit156.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit157.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit157.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit158.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit158.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit159.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit159.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit16.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit16.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit161.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit161.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit162.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit162.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit163.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit163.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit164.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit164.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit165.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit165.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit167.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit167.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit168.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit168.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit169.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit169.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit17.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit17.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit170.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit170.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit171.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit171.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit172.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit172.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit173.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit173.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit174.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit174.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit175.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit175.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit176.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit176.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit177.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit177.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit178.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit178.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit179.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit179.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit18.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit18.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit180.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit180.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit181.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit181.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit182.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit182.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit183.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit183.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit184.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit184.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit185.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit185.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit186.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit186.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit187.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit187.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit188.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit188.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit19.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit19.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit196.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit196.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit197.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit197.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit198.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit198.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit199.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit199.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit2.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit2.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit200.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit200.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit202.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit202.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit208.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit208.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit209.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit209.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit211.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit211.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit22.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit22.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit23.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit23.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit25.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit25.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit26.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit26.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit27.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit27.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit28.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit28.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit29.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit29.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit3.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit3.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit30.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit30.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit31.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit31.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit33.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit33.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit34.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit34.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit35.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit35.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit36.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit36.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit38.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit38.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit39.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit39.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit4.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit4.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit40.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit40.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit43.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit43.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit44.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit44.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit45.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit45.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit46.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit46.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit49.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit49.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit50.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit50.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit51.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit51.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit52.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit52.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit53.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit53.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit54.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit54.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit55.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit55.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit57.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit57.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit59.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit59.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit6.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit6.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit60.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit60.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit61.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit61.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit62.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit62.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit63.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit63.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit65.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit65.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit66.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit66.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit68.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit68.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit69.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit69.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit7.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit7.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit70.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit70.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit71.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit71.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit73.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit73.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit74.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit74.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit75.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit75.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit77.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit77.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit78.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit78.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit79.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit79.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit80.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit80.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit81.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit81.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit82.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit82.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit83.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit83.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit85.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit85.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit86.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit86.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit87.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit87.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit88.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit88.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit89.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit89.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit90.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit90.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit91.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit91.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit94.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit94.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit95.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit95.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit97.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit97.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit98.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit98.png'
train: WARNING   D:\yolov5-master\Y2\images\fruit99.png: ignoring corrupt image/label: [Errno 22] Invalid argument: ' D:\\yolov5-master\\Y2\\images\\fruit99.png'
train: WARNING  Cache directory D:\yolov5-master\Y2 is not writeable: [WinError 183] : 'D:\\yolov5-master\\Y2\\train.cache.npy' -> 'D:\\yolov5-master\\Y2\\train.cache'
val: Scanning D:\yolov5-master\Y2\val.cache... 1 images, 0 backgrounds, 19 corrupt: 100%|██████████| 20/20 [00:00

【Python】一文详细介绍 py格式文件高斯小哥 Python基础【高质量合集】python 新手入门学习
【Python】一文详细介绍py格式文件个人主页：高斯小哥高质量专栏：Matplotlib之旅：零基础精通数据可视化、Python基础【高质量合集】、PyTorch零基础入门教程希望得到您的订阅和支持~创作高质量博文(平均质量分92+)，分享更多关于深度学习、PyTorch、Python领域的优质内容！（希望得到您的关注~）文章目录一、py格式文件简介二、如何创建和编辑py格式文件三、如何运行py
数据结构奇妙旅程之深入解析快速排序山间漫步人生路数据结构排序算法算法
快速排序（QuickSort）是一种高效的排序算法，它使用了分治法的策略来将一个数组排序。其基本思想是选择一个基准元素，通过一趟排序将待排序的数据分割成独立的两部分，其中一部分的所有数据都比基准元素小，另一部分的所有数据都比基准元素大，然后再按此方法对这两部分数据分别进行快速排序，整个排序过程可以递归进行，以此达到整个数据变成有序序列。工作原理选择基准：从待排序的序列中选一个元素作为基准（pivo
python抓包与解包_Python—网络抓包与解包（pcap、dpkt） weixin_39691055 python抓包与解包
pcap安装[root@localhost~]#pipinstallpypcap抓包与解包#-*-coding:utf-8-*-importpcap,dpktimportre,threading,requests__black_ip=['103.224.249.123','203.66.1.212']#抓包：param1eth_name网卡名，如：eth0,eth3。param2p_type日志捕
华为OD机试 - 单向链表中间节点（Java & JS & Python & C & C++）华为OD题库华为od 链表 java
须知哈喽，本题库完全免费，收费是为了防止被爬，大家订阅专栏后可以私信联系退款。感谢支持文章目录须知题目描述输出描述解析代码题目描述给定一个单链表L，请编写程序输出L中间结点保存的数据。如果有两个中间结点，则输出第二个中间结点保存的数据。例如：给定L为1→7→5，则输出应该为7；给定L为1→2→3→4，则输出应该为3；输入描述每个输入包含1个测试用例。每个测试用例：第一行给出链表首结点的地址、结点总
php 把一个数组分成有n个元素的二维数组的算法风清扬-独孤九剑 php php 算法
一、第一种解法0){$columns_map[$position]++;//这个地方格外注意,$position与$columns比较$position=($position<$columns-1)?++$position:0;$array_length--;}foreach($columns_mapas$val){$newarray[]=array_splice($array,0,$val);}
python 推导式(派生、衍生) sanduo112 人工智能 python windows 开发语言
python推导式一、推导式(派生、衍生)1.Python推导式是一种独特的数据处理方式，可以从一个数据序列构建另一个新的数据序列的结构体。2.列表(list)推导式3.字典(dict)推导式4.集合(set)推导式5.元组(tuple)推导式二、代码概述一、推导式(派生、衍生)1.Python推导式是一种独特的数据处理方式，可以从一个数据序列构建另一个新的数据序列的结构体。Python支持各种数
【算法分析与设计】去除重复字母五敷有你算法分析与设计 java javascript 开发语言算法数据结构
个人主页：五敷有你系列专栏：算法分析与设计⛺️稳中求进，晒太阳题目给你一个字符串s，请你去除字符串中重复的字母，使得每个字母只出现一次。需保证返回结果的字典序最小（要求不能打乱其他字符的相对位置）。示例示例1：输入：s="bcabc"输出："abc"示例2：输入：s="cbacdcbc"输出："acdb"思路贪心+单调栈实现【字符串删除一个字符使其字典序最小的贪心策略】：对于两个长度相同的字符串，
数据挖掘|数据预处理|基于Python的数据标准化方法皖山文武数据挖掘数据建模与分析 python 数据挖掘开发语言
基于Python的数据标准化方法1.z-score方法2.极差标准化方法3.最大绝对值标准化方法在数据分析之前，通常需要先将数据标准化（Standardization），利用标准化后的数据进行数据分析，以避免属性之间不同度量和取值范围差异造成数据对分析结果的影响。1.z-score方法Z-score方法是基于原始数据的均值和标准差来进行数据标准化的，处理后的数据均值为0，方差为1，符合标准正态分布
CSV指南：Python程序获取大型CSV文件行数孤独打铁匠Julian 笔记经验分享 python
本指南提供了几种使用Python来获取大型CSV文件行数的方法，并解释了每种方法的适用场景。方法1:使用csv.reader处理复杂CSV文件当你的CSV文件中包含多行字段（即某些字段的值中包含换行符）时，使用csv.reader是一个可靠的选择，因为它能够正确处理这些复杂情况。这个方法适用于大多数大小的CSV文件，但是对于非常大的文件，读取整个文件可能会占用较多的时间和内存。对于极大的文件，考虑
yarn的安装和使用全网最详细教程 zxj19880502 yarn npm
一、yarn的简介：Yarn是facebook发布的一款取代npm的包管理工具。二、yarn的特点：速度超快。Yarn缓存了每个下载过的包，所以再次使用时无需重复下载。同时利用并行下载以最大化资源利用率，因此安装速度更快。超级安全。在执行代码之前，Yarn会通过算法校验每个安装包的完整性。超级可靠。使用详细、简洁的锁文件格式和明确的安装算法，Yarn能够保证在不同系统上无差异的工作。三、yarn的
图论记录之最短路迪杰斯特拉 Just right 算法图论 java 开发语言
简述思想这个思想能用一句话来概括，精简到的极致:每次找到一个最短距离的点并更新起点到各个点的最短距离如果要可视化的话，B站搜索Dijksra算法，有视频讲解伪代码写到这里，其实是想整一个动画的，这样效果更好点，但由于种种原因所以就拖一下intdijkstr(){dist[1]=0;其余的点的距离全部初始化为真无穷，不要写成int的最大值迭代n次将不在s中的，且距离最近的点给tsj即先到t，再加上t
谷歌浏览器驱动Chromedriver（114-120版本）文件以及驱动下载教程 pigerr杨 Python python chrome drivers
ChromeDriver官方网站GitHub||GoogleChromeLabs/chrome-for-testingChromeDriver113-125_JSONChromeforTestingavailability123-125zip白月黑羽Python基础|进阶|Qt图形界面|Django|自动化测试|性能测试|JS语言|JS前端|原理与安装
大创项目推荐深度学习 opencv python 公式识别(图像识别机器视觉) laafeer python
文章目录0前言1课题说明2效果展示3具体实现4关键代码实现5算法综合效果6最后0前言优质竞赛项目系列，今天要分享的是基于深度学习的数学公式识别算法实现该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！学长这里给一个题目综合评分(每项满分5分)难度系数：3分工作量：4分创新点：4分更多资料,项目分享：https://gitee.com/dancheng-senior/postgraduate1课题
python转码 Desamond python 开发语言
转码在许多场景中都有应用，以下是一些常见的场景：网页开发：当用户在网页上输入文本时，可能需要将特殊字符（如空格、引号、特殊符号等）进行转码，以防止这些字符对URL或HTML代码产生干扰。文件名处理：在处理文件名时，可能需要将特殊字符进行转码，以避免文件名被错误地解析或显示。数据传输：在数据传输过程中，为了确保数据的完整性和正确性，可能需要将数据中的特殊字符进行转码。数据存储：在数据库或数据存储中，
排序算法太多？常用排序都在这了，一篇文章总结和实现所有面试会考的排序算法（基于Python实现）宇宙之一粟不归路之Python #IT面试题收集与总结数据结构与算法算法数据结构排序算法 python java
文章目录排序算法1.常见的排序算法1.1选择排序1.1.1思想1.1.2实现**1.1.3选择排序分析**1.2冒泡排序**1.2.1思想****1.2.2实现****1.2.3冒泡排序分析**1.3插入排序**1.3.1思想****1.3.2实现****1.3.3插入排序分析**1.4归并排序☆☆★**1.4.1思想****1.4.2实现****1.4.3归并排序分析**1.5快速排序☆★★**
【数据结构】实验一实现顺序表各种基本运算的算法张鱼·小丸子数据结构实验 c++数据结构
题目：实现顺序表各种基本运算的算法要求：1、建立一个顺序表，输入n个元素并输出；2、查找线性表中的最大元素并输出；3、在线性表的第i个元素前插入一个正整数x；4、删除线性表中的第j个元素；5、将线性表中的元素按升序排列；6、将线性表中的元素就地逆序（只允许用一个暂存单元）；#include#defineSIZE1000usingnamespacestd;typedefstruct{int*a;//
27.Python从入门到精通—Python异常处理抛出异常用户自定义异常定义清理行为预定义的清理行为以山河作礼。 #Python基础入门—详解版 python java 服务器
27.从入门到精通：Python异常处理抛出异常用户自定义异常定义清理行为预定义的清理行为异常处理抛出异常用户自定义异常定义清理行为预定义的清理行为异常处理在Python中，异常处理是一种处理程序在执行期间可能遇到的错误的方法。当Python解释器遇到错误时，它会引发异常。异常是一种Python对象，它包含有关错误的信息，例如错误类型和错误位置。为了处理异常，您可以使用try-except语句。在
python清华大学出版社答案_Python机器学习及实践 weixin_39805119 python清华大学出版社答案
第1章机器学习的基础知识1.1何谓机器学习1.1.1传感器和海量数据1.1.2机器学习的重要性1.1.3机器学习的表现1.1.4机器学习的主要任务1.1.5选择合适的算法1.1.6机器学习程序的步骤1.2综合分类1.3推荐系统和深度学习1.3.1推荐系统1.3.2深度学习1.4何为Python1.4.1使用Python软件的由来1.4.2为什么使用Python1.4.3Python设计定位1.4.
Python | Redis工具类 -拟墨画扇- Python redis 数据库缓存 python
一、需求自动连接Redis数据库，通过连接池处理数据对输出结果进行Log打印并保存到文件二、代码Utils.redisUtils.py#!/usr/bin/envpython#-*-coding:utf-8-*-importredisfromUtils.loggerimportlog"""Redis数据格式(1)字符串|存储形式:key-value:str-存储二进制数据:可以存储任意类型的数据，
Python dict字符串转json对象，小数精度丢失问题朝如青丝暮成雪 json python
一前言JSON(JavaScriptObjectNotation)是一种轻量级的数据交换格式，dict是Python的一种数据格式。本篇介绍一个float数据转换时精度丢失的案例。二问题描述importjsontest_str1='{"π":3.1415926535897932384626433832795028841971}'test_str2='{"value":10.00000}'print
Python+Requests模拟发送GET请求爱学习的执念自动化测试软件测试技术分享 python 开发语言
模拟发送GET请求前置条件：导入requests库一、发送不带参数的get请求代码如下：以百度首页为例importrequests#发送get请求response=requests.get(url="http://www.baidu.com")print(response.content.decode("utf-8"))#以utf-8的编码输出内容二、发送带参数的get请求发送带参数的get请求有
Java回溯知识点（含面试大厂题和源码）一成码农 java 面试开发语言
回溯算法是一种通过遍历所有可能的候选解来寻找所有解的算法，如果候选解被确认不是一个解（或至少不是最后一个解），回溯算法会通过在上一步进行一些变化来丢弃这个解，即“回溯”并尝试另一个候选解。回溯法通常用递归方法来实现，在解决排列、组合、选择问题时非常有效。回溯算法的核心要点：路径：也就是已经做出的选择。选择列表：也就是你当前可以做的选择。结束条件：也就是到达决策树底层，无法再做出选择的条件。回溯算法
Python极速入门：五分钟开启实战之旅！知白守黑V Python 编程语言系统运维 python 编程语言 python开发 python学习 python入门 python数据分析
1.Python基础语法和结构：了解Python的基本语法，包括变量、数据类型、运算符、注释等。控制流：掌握条件语句（if-elif-else）、循环（for和while）及其控制（break和continue）。函数：学习如何定义和使用函数，包括参数传递、返回值、作用域和闭包。模块和包：理解如何导入和使用模块，以及如何创建和使用自己的包。2.数据处理列表、元组和集合：学习这些序列类型的操作和方法
Python Flask 使用数据库安果移不动 python flask 开发语言
pipinstallflask_sqlalchemy官方文档：Flask-SQLAlchemy—Flask-SQLAlchemyDocumentation(3.1.x)为了不报错也需要导入另外两个库#pipinstallflask_sqlalchemy#pipinstallmysqlclient完整代码importosfromflaskimportFlaskfromflask_sqlalchemy
PaperWeekly sapienst Papers PaperwithCode General ML
1.Python软件包解决DL在未见过的数据分布下性能差的问题：（1）神经网络和损失分离的模块化设计（2）强大便捷的基准测试能力（3）易于使用但难以修改（4）github:https://github.com/marrlab/domainlabTrainer和Models之间是什么关系Trainer和Models是DomainLab中的两个核心概念。Trainer是一个用于指导数据流向模型并计算S
第七章索引及执行计划，存储引擎执笔为剑 #MySQL运维篇编辑器 mysql
第七章索引及执行计划，存储引擎1，索引及执行计划1，作用：提供类似书目录的作用，目的是优化查询2，所用的种类（根据算法）B树索引Hash索引R树FulltextGIS3，B树基于不同的查找算法分类介绍B-tree：在范围查询方面提供了更好的性能（>showengines;#存储引擎作用在表上，不同的表可能有不同的存储引擎mysql>select@@default_storage_engine;#查
使用Python读取Excel文件并计算平均分嘻嘻爱编码 Python从入门到放弃 python excel 开发语言
在这篇博客中，我们将探讨如何使用Python的pandas库来读取Excel文件，并计算其中数据的平均分。pandas是一个强大的数据分析工具，它允许我们以简单直观的方式处理表格数据。安装必要的库在开始之前，确保你的环境中安装了pandas和openpyxl库。可以使用以下命令进行安装：pipinstallpandasopenpyxl读取Excel文件首先，我们需要读取Excel文件。假设我们有一
Java面试题：解释JVM的内存结构，并描述堆、栈、方法区在内存结构中的角色和作用，Java中的多线程是如何实现的，Java垃圾回收机制的基本原理，并讨论常见的垃圾回收算法杰哥在此 Java系列 java jvm 算法面试
Java内存模型与多线程的深入探讨在Java的世界里，内存模型和多线程是开发者必须掌握的核心知识点。它们不仅关系到程序的性能和稳定性，还直接影响到系统的可扩展性和可靠性。下面，我将通过三个面试题，带领大家深入理解Java内存模型、多线程以及并发编程的相关原理和实践。面试题一：请解释JVM的内存结构，并描述堆、栈、方法区在内存结构中的角色和作用。关注点：JVM内存结构的基本组成堆、栈、方法区的功能和
python项目练习——7.网站访问日志分析器 F—— python项目练习 python 信息可视化数据分析数据挖掘开发语言学习
项目功能分析：这个项目可以读取网站的访问日志文件，统计访问量、独立访客数、访问来源等信息，并以图表或表格的形式展示出来。这个项目涉及到文件操作、数据处理、数据可视化等方面的技术。示例代码：importrefromcollectionsimportCounterimportmatplotlib.pyplotaspltdefparse_log_file(log_file):#读取日志文件内容witho
python的while双重循环九九乘法表 Jinm_R python 开发语言
a=1whilea<=9:b=1#乘数每次需要从1开始whileb<=a:print(f"{a}*{b}={a*b}\t",end='')#\t为制表符使乘法表整齐end=''代表用空格代替换行b+=1a+=1print()#乘数每加一换行
多线程编程之存钱与取钱周凡杨 java thread 多线程存钱取钱
生活费问题是这样的：学生每月都需要生活费，家长一次预存一段时间的生活费，家长和学生使用统一的一个帐号，在学生每次取帐号中一部分钱，直到帐号中没钱时通知家长存钱，而家长看到帐户还有钱则不存钱，直到帐户没钱时才存钱。问题分析：首先问题中有三个实体，学生、家长、银行账户，所以设计程序时就要设计三个类。其中银行账户只有一个，学生和家长操作的是同一个银行账户，学生的行为是
java中数组与List相互转换的方法征客丶 JavaScript java jsonp
1.List转换成为数组。（这里的List是实体是ArrayList) 　　调用ArrayList的toArray方法。　　toArray 　　public T[] toArray(T[] a)返回一个按照正确的顺序包含此列表中所有元素的数组；返回数组的运行时类型就是指定数组的运行时类型。如果列表能放入指定的数组，则返回放入此列表元素的数组。否则，将根据指定数组的运行时类型和此列表的大小分
Shell 流程控制 daizj 流程控制 if else while case shell
Shell 流程控制和Java、PHP等语言不一样，sh的流程控制不可为空，如(以下为PHP流程控制写法)： <?php if(isset($_GET["q"])){ search(q);}else{// 不做任何事情} 在sh/bash里可不能这么写，如果else分支没有语句执行，就不要写这个else，就像这样 if else if if 语句语
Linux服务器新手操作之二周凡杨 Linux 简单操作
1.利用关键字搜寻Man Pages man -k keyword 其中-k 是选项，keyword是要搜寻的关键字如果现在想使用whoami命令，但是只记住了前3个字符who，就可以使用 man -k who来搜寻关键字who的man命令 [haself@HA5-DZ26 ~]$ man -k
socket聊天室之服务器搭建朱辉辉33 socket
因为我们做的是聊天室，所以会有多个客户端，每个客户端我们用一个线程去实现，通过搭建一个服务器来实现从每个客户端来读取信息和发送信息。我们先写客户端的线程。 public class ChatSocket extends Thread{ Socket socket; public ChatSocket(Socket socket){ this.sock
利用finereport建设保险公司决策分析系统的思路和方法老A不折腾 finereport 金融保险分析系统报表系统项目开发
决策分析系统呈现的是数据页面，也就是俗称的报表，报表与报表间、数据与数据间都按照一定的逻辑设定，是业务人员查看、分析数据的平台，更是辅助领导们运营决策的平台。底层数据决定上层分析，所以建设决策分析系统一般包括数据层处理（数据仓库建设）。项目背景介绍通常，保险公司信息化程度很高，基本上都有业务处理系统（像集团业务处理系统、老业务处理系统、个人代理人系统等）、数据服务系统（通过
始终要页面在ifream的最顶层林鹤霄
index.jsp中有ifream，但是session消失后要让login.jsp始终显示到ifream的最顶层。。。始终没搞定，后来反复琢磨之后，得到了解决办法，在这儿给大家分享下。。 index.jsp--->主要是加了颜色的那一句 <html> <iframe name="top" ></iframe> <ifram
MySQL binlog恢复数据 aigo mysql
1，先确保my.ini已经配置了binlog： # binlog log_bin = D:/mysql-5.6.21-winx64/log/binlog/mysql-bin.log log_bin_index = D:/mysql-5.6.21-winx64/log/binlog/mysql-bin.index log_error = D:/mysql-5.6.21-win
OCX打成CBA包并实现自动安装与自动升级 alxw4616 ocx cab
近来手上有个项目,需要使用ocx控件 (ocx是什么? http://baike.baidu.com/view/393671.htm) 在生产过程中我遇到了如下问题. 1. 如何让 ocx 自动安装? a) 如何签名? b) 如何打包? c) 如何安装到指定目录? 2.
Hashmap队列和PriorityQueue队列的应用百合不是茶 Hashmap队列 PriorityQueue队列
HashMap队列已经是学过了的,但是最近在用的时候不是很熟悉,刚刚重新看以一次, HashMap是K,v键 ,值 put()添加元素 //下面试HashMap去掉重复的 package com.hashMapandPriorityQueue; import java.util.H
JDK1.5 returnvalue实例 bijian1013 java thread java多线程 returnvalue
Callable接口：返回结果并且可能抛出异常的任务。实现者定义了一个不带任何参数的叫做 call 的方法。 Callable 接口类似于 Runnable，两者都是为那些其实例可能被另一个线程执行的类设计的。但是 Runnable 不会返回结果，并且无法抛出经过检查的异常。 ExecutorService接口方
angularjs指令中动态编译的方法(适用于有异步请求的情况) 内嵌指令无效 bijian1013 JavaScript AngularJS
在directive的link中有一个$http请求，当请求完成后根据返回的值动态做element.append('......');这个操作，能显示没问题，可问题是我动态组的HTML里面有ng-click，发现显示出来的内容根本不执行ng-click绑定的方法！
【Java范型二】Java范型详解之extend限定范型参数的类型 bit1129 extend
在第一篇中，定义范型类时，使用如下的方式： public class Generics<M, S, N> { //M,S,N是范型参数 } 这种方式定义的范型类有两个基本的问题： 1. 范型参数定义的实例字段，如private M m = null;由于M的类型在运行时才能确定，那么我们在类的方法中，无法使用m，这跟定义pri
【HBase十三】HBase知识点总结 bit1129 hbase
1. 数据从MemStore flush到磁盘的触发条件有哪些？ a.显式调用flush，比如flush 'mytable' b.MemStore中的数据容量超过flush的指定容量，hbase.hregion.memstore.flush.size,默认值是64M 2. Region的构成是怎么样？ 1个Region由若干个Store组成
服务器被DDOS攻击防御的SHELL脚本 ronin47
mkdir /root/bin vi /root/bin/dropip.sh #!/bin/bash/bin/netstat -na|grep ESTABLISHED|awk ‘{print $5}’|awk -F:‘{print $1}’|sort|uniq -c|sort -rn|head -10|grep -v -E ’192.168|127.0′|awk ‘{if($2!=null&a
java程序员生存手册-craps 游戏-一个简单的游戏 bylijinnan java
import java.util.Random; public class CrapsGame { /** * *一个简单的赌*博游戏，游戏规则如下： *玩家掷两个骰子，点数为1到6，如果第一次点数和为7或11，则玩家胜， *如果点数和为2、3或12，则玩家输， *如果和为其它点数，则记录第一次的点数和，然后继续掷骰，直至点数和等于第一次掷出的点
TOMCAT启动提示NB: JAVA_HOME should point to a JDK not a JRE解决开窍的石头 JAVA_HOME
当tomcat是解压的时候，用eclipse启动正常，点击startup.bat的时候启动报错; 报错如下： The JAVA_HOME environment variable is not defined correctly This environment variable is needed to run this program NB: JAVA_HOME shou
[操作系统内核]操作系统与互联网 comsci 操作系统
我首先申明：我这里所说的问题并不是针对哪个厂商的，仅仅是描述我对操作系统技术的一些看法操作系统是一种与硬件层关系非常密切的系统软件，按理说，这种系统软件应该是由设计CPU和硬件板卡的厂商开发的，和软件公司没有直接的关系，也就是说，操作系统应该由做硬件的厂商来设计和开发
富文本框ckeditor_4.4.7 文本框的简单使用支持IE11 cuityang 富文本框
<html xmlns="http://www.w3.org/1999/xhtml"> <head> <meta http-equiv="Content-Type" content="text/html; charset=UTF-8" /> <title>知识库内容编辑</tit
Property null not found darrenzhu datagrid Flex Advanced propery null
When you got error message like "Property null not found ***", try to fix it by the following way: 1)if you are using AdvancedDatagrid, make sure you only update the data in the data prov
MySQl数据库字符串替换函数使用 dcj3sjt126com mysql 函数替换
需求：需要将数据表中一个字段的值里面的所有的 . 替换成 _ 原来的数据是 site.title site.keywords .... 替换后要为 site_title site_keywords 使用的SQL语句如下： updat
mac上终端起动MySQL的方法 dcj3sjt126com mysql mac
首先去官网下载: http://www.mysql.com/downloads/ 我下载了5.6.11的dmg然后安装,安装完成之后..如果要用终端去玩SQL.那么一开始要输入很长的:/usr/local/mysql/bin/mysql 这不方便啊,好想像windows下的cmd里面一样输入mysql -uroot -p1这样...上网查了下..可以实现滴. 打开终端,输入: 1
Gson使用一（Gson） eksliang json gson
转载请出自出处：http://eksliang.iteye.com/blog/2175401 一.概述从结构上看Json，所有的数据（data）最终都可以分解成三种类型：第一种类型是标量（scalar），也就是一个单独的字符串（string）或数字（numbers），比如"ickes"这个字符串。第二种类型是序列（sequence），又叫做数组（array）
android点滴4 gundumw100 android
Android 47个小知识 http://www.open-open.com/lib/view/open1422676091314.html Android实用代码七段（一） http://www.cnblogs.com/over140/archive/2012/09/26/2611999.html http://www.cnblogs.com/over140/arch
JavaWeb之JSP基本语法 ihuning javaweb
目录 JSP模版元素 JSP表达式 JSP脚本片断 EL表达式 JSP注释特殊字符序列的转义处理如何查找JSP页面中的错误 JSP模版元素 JSP页面中的静态HTML内容称之为JSP模版元素，在静态的HTML内容之中可以嵌套JSP
App Extension编程指南（iOS8/OS X v10.10）中文版啸笑天 ext
当iOS 8.0和OS X v10.10发布后，一个全新的概念出现在我们眼前，那就是应用扩展。顾名思义，应用扩展允许开发者扩展应用的自定义功能和内容，能够让用户在使用其他app时使用该项功能。你可以开发一个应用扩展来执行某些特定的任务，用户使用该扩展后就可以在多个上下文环境中执行该任务。比如说，你提供了一个能让用户把内容分
SQLServer实现无限级树结构 macroli oracle sql SQL Server
表结构如下：数据库id path titlesort 排序 1 0 首页 0 2 0,1 新闻 1 3 0,2 JAVA 2 4 0,3 JSP 3 5 0,2,3 业界动态 2 6 0,2,3 国内新闻 1 创建一个存储过程来实现，如果要在页面上使用可以设置一个返回变量将至传过去 create procedure test as begin decla
Css居中div，Css居中img，Css居中文本，Css垂直居中div qiaolevip 众观千象学习永无止境每天进步一点点 css
/**********Css居中Div**********/ div.center { width: 100px; margin: 0 auto; } /**********Css居中img**********/ img.center { display: block; margin-left: auto; margin-right: auto; }
Oracle 常用操作(实用) 吃猫的鱼 oracle
SQL>select text from all_source where owner=user and name=upper('&plsql_name'); SQL>select * from user_ind_columns where index_name=upper('&index_name'); 将表记录恢复到指定时间段以前
iOS中使用RSA对数据进行加密解密 witcheryne ios rsa iPhone objective c
RSA算法是一种非对称加密算法,常被用于加密数据传输.如果配合上数字摘要算法, 也可以用于文件签名. 本文将讨论如何在iOS中使用RSA传输加密数据. 本文环境 mac os openssl-1.0.1j, openssl需要使用1.x版本, 推荐使用[homebrew](http://brew.sh/)安装. Java 8 RSA基本原理 RS

YOLOv5 配置C2模块构造新模型

你可能感兴趣的:(YOLO,python,算法)