网站建站要求毕业设计代做网站都可信么

当前位置： 首页 > news >正文

网站建站要求,毕业设计代做网站都可信么,怎么屏蔽ip段访问网站,东莞网站设计服务商第一章 pytorch环境部署留念 第一步#xff1a;下载安装anaconda 官网地址 #xff08;也可以到清华大学开源软件镜像站下载#xff1a;https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/#xff09; 我安装的是下面这个#xff0c;一通下一步就完事儿。 第二步…第一章 pytorch环境部署留念 第一步下载安装anaconda 官网地址 也可以到清华大学开源软件镜像站下载https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ 我安装的是下面这个一通下一步就完事儿。 第二步下载显卡驱动程序(大家一般都不需要可以直接跳过)cmd–nvidia-smi 第三步通过anaconda来安装pytorch 在这个base环境中先不要着急安装各种各样的python包因为默认情况下在anaconda中创建的新的环境都是以base环境为模板的也就是意味着新创建的环境会包含与base环境相同的Python版本和已安装的软件包列表所以为了不必要的麻烦我们新创建一个环境创建环境的命令如下 conda create -n name python3.8-n是名字的意思name自己取名后面那个3.8是版本号。 在base环境中运行此命令可以进入我们创建的环境 第四步激活环境 conda activate name 注name是你自己创建的环境的名字第五步在激活环境中下载安装pytorch 到官网去获取指令官网链接https://pytorch.org/成功后的样子如图所示。 第六步:配置刚下载的环境作为pycharm中我们的python解释器 1.打开pycharm选择“文件”——设置 2.选择编辑器、添加解释器 3.选择conda环境单击确定。 到这里就完事了。 第二章 YOLOV8的安装及测试 1.下载代码到官网去找或者其他人上传的都可以主要下载两个内容 第一个如下图的代码 第二个如下图的模型上面的那个把网页下拉就看到了 2.将下载完的代码解压拷贝到D盘的文件夹中如下图所示 3.将下载完的模型解压拷贝到如下图所示文件夹中 4.在Anaconda中执行下面的指令 5.安装依赖包 使用指令 pip install -r requirements.txt 安装的时候各种报错更换源就好了。 更换源的方法就是在pip install的后面增加 -i 源名安装包的形式采用下面的指令进行安装即可 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt6.安装YOLO 出现下图表示成功警告不用管。 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple ultralytics7.测试 用yolov8s.pt来测试
yolo tasksegment modepredict modelwighte/yolov8s.pt sourceultralytics/assets/bus.jpg savetrue在程序文件夹中可以找到结果 结果如下图所示 测试视频/摄像头/文件夹source自己的绝对路径就行照片也可以用绝对路径刚才用的是相对路径素材可以上网去找别人下载好的直接用就行文件夹没有测试不知道是啥前三个测试了效果挺好尤其是摄像头直接计算机上插一个摄像头就行。 conda activate yolov8 cd /d D:\ultralytics-main #测试图片 yolo tasksegment modepredict modelwighte/yolov8s.pt sourceultralytics/assets/bus.jpg savetrue#测试视频 yolo tasksegment modepredict modelwighte/yolov8s.pt sourceD:\car.mp4 showtrue#测试摄像头 yolo tasksegment modepredict modelwighte/yolov8s.pt source0#测试文件夹 yolo tasksegment modepredict modelwighte/yolov8s.pt sourceD:\myimgs第三章 制作自己的数据集 1.安装labelme这里注意更换源 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple labelme出现下图表示安装成功 2.输入下图指令打开labelme结果如图所示 3.打开一张图片进行标注。如果是目标检测就选择Create Rectangle框选图形即可如果是图像分割就选择Create Plogons绘制边框然后定义分类后保存成.json格式。 3.在网上找到的别人下载的标注好的图片库labelme-dogcat-test文件夹里面是一些猫和狗的图片及标注文件把他们拷贝到了D:\ultralytics-main\ultralytics\assets这个文件夹如下图所示在它的上一级目录中新建一个文件夹命名为yoloForm用于存储转换后的文件。 4.把labelme格式转化成yolov8支持的数据集格式需要下面的脚本只需要改最后一行就是数据源地址和目标地址 cm.start(r’源文件路径’, r’保存新位置路径’)将其存储为JsonToYolo.py格式执行即可执行时如果缺少东西就安装对应的库即可。 import base64 import random import shutil from tqdm import tqdm import math import json import os import numpy as np import PIL.Image import PIL.ImageDraw import cv2class ConvertManager(object):def init(self):passdef base64_to_numpy(self, img_bs64):img_bs64 base64.b64decode(img_bs64)img_array np.frombuffer(img_bs64, np.uint8)cv2_img cv2.imdecode(img_array, cv2.IMREAD_COLOR)return cv2_imgclassmethoddef load_labels(cls, name_file):load names from file.one name one line:param name_file::return:with open(name_file, r) as f:lines f.read().rstrip(\n).split(\n)return linesdef get_class_names_from_all_json(self, json_dir):classnames []for file in os.listdir(json_dir):if not file.endswith(.json):continuewith open(os.path.join(json_dir, file), r, encodingutf-8) as f:data_dict json.load(f)for shape in data_dict[shapes]:if not shape[label] in classnames:classnames.append(shape[label])return classnamesdef create_save_dir(self, save_dir):images_dir os.path.join(save_dir, images)labels_dir os.path.join(save_dir, labels)if not os.path.exists(save_dir):os.makedirs(save_dir)os.mkdir(images_dir)os.mkdir(labels_dir)else:if not os.path.exists(images_dir):os.mkdir(images_dir)if not os.path.exists(labels_dir):os.mkdir(labels_dir)return images_dir os.sep, labels_dir os.sepdef save_list(self, data_list, save_file):with open(save_file, w) as f:f.write(\n.join(data_list))def rectangle_points_to_polygon(self, points):xmin 0ymin 0xmax 0ymax 0if points[0][0] points[1][0]:xmax points[0][0]ymax points[0][1]xmin points[1][0]ymin points[1][1]else:xmax points[1][0]ymax points[1][1]xmin points[0][0]ymin points[0][1]return [[xmin, ymin], [xmax, ymin], [xmax, ymax], [xmin, ymax]]def convert_dataset(self, json_dir, json_list, images_dir, labels_dir, names, save_modetrain):images_dir os.path.join(images_dir, save_mode) os.seplabels_dir os.path.join(labels_dir, save_mode) os.sepif not os.path.exists(images_dir):os.mkdir(images_dir)if not os.path.exists(labels_dir):os.mkdir(labels_dir)for file in tqdm(json_list):with open(os.path.join(json_dir, file), r, encodingutf-8) as f:data_dict json.load(f)image_file os.path.join(json_dir, os.path.basename(data_dict[imagePath]))if os.path.exists(image_file):shutil.copyfile(image_file, images_dir os.path.basename(image_file))else:imageData data_dict.get(imageData)if not imageData:imageData base64.b64encode(imageData).decode(utf-8)img self.img_b64_to_arr(imageData)PIL.Image.fromarray(img).save(images_dir file[:-4] png)# convert to txtwidth data_dict[imageWidth]height data_dict[imageHeight]line_list []for shape in data_dict[shapes]:data_list []data_list.append(str(names.index(shape[label])))if shape[shape_type] rectangle:points self.rectangle_points_to_polygon(shape[points])for point in points:data_list.append(str(point[0] / width))data_list.append(str(point[1] / height))elif shape[shape_type] polygon:points shape[points]for point in points:data_list.append(str(point[0] / width))data_list.append(str(point[1] / height))line_list.append( .join(data_list))self.save_list(line_list, labels_dir file[:-4] txt)def split_train_val_test_dataset(self, file_list, train_ratio0.9, trainval_ratio0.9, need_test_datasetFalse,shuffle_listTrue):if shuffle_list:random.shuffle(file_list)total_file_count len(file_list)train_list []val_list []test_list []if need_test_dataset:trainval_count int(total_file_count * trainval_ratio)trainval_list file_list[:trainval_count]test_list file_list[trainval_count:]train_count int(train_ratio * len(trainval_list))train_list trainval_list[:train_count]val_list trainval_list[train_count:]else:train_count int(train_ratio * total_file_count)train_list file_list[:train_count]val_list file_list[train_count:]return train_list, val_list, test_listdef start(self, json_dir, save_dir, namesNone, train_ratio0.9):images_dir, labels_dir self.create_save_dir(save_dir)if names is None or len(names) 0:print(class names will load from all json file)names self.get_class_names_from_all_json(json_dir)print(find {} class names :.format(len(names)), names)if len(names) 0:returnself.save_list(names, os.path.join(save_dir, labels.txt))print(start convert)all_json_list []for file in os.listdir(json_dir):if not file.endswith(.json):continueall_json_list.append(file)train_list, val_list, test_list self.split_train_val_test_dataset(all_json_list, train_ratio)self.convert_dataset(json_dir, train_list, images_dir, labels_dir, names, train)self.convert_dataset(json_dir, val_list, images_dir, labels_dir, names, val)if name main:cm ConvertManager()cm.start(rD:\ultralytics-main\ultralytics\assets\labelme-dogcat-test, rD:\ultralytics-main\ultralytics\assets\yoloForm)5.在Pycharm中执行上面的脚本执行完成后刚刚新建的文件夹就会有转换后的数据了如下图所示。