openvion環(huán)境配置。安裝包下載地址。https://software.intel.com/content/www/us/en/develop/tools/openvino-toolkit/download.html.配置環(huán)境變量。C++開(kāi)發(fā)環(huán)境配置。包含目錄：Lib目錄：鏈接器。

Qt Creator快捷鍵。//運(yùn)行： ctrl+r.//編譯： ctrl+b.//注釋： ctrl+///字體縮放 ctrl+鼠標(biāo)滾輪。//整行移動(dòng) (MoveLineDown/MoveLineUp) ctrl + shift + ↑ 或 ↓//自動(dòng)對(duì)齊 ctrl + i.//查找關(guān)鍵字 ctrl + F.//返回上一步 (GoBack) Ctrl+Alt+left.//返回下一步 (GoForward) Ctrl+Alt+right.//復(fù)制當(dāng)前行到下一行(Copy Line Down) Ctrl+D.

改造過(guò)后 vs2015 書簽管理。折疊所有書簽 ctrl+shift+-打開(kāi)所有書簽 ctrl+shift++.展開(kāi)后折疊當(dāng)前方法 ctrl+k,ctrl+k.

vs2015快捷鍵。選定行上移動(dòng) shift+alt+向上箭頭。選定行下移動(dòng) shift+alt+向下箭頭。編輯，下開(kāi)新行。編輯，上開(kāi)新行。視圖.向前導(dǎo)航。視圖..向后導(dǎo)航。

tf.boolean_mask 使用方法。import tensorflow as tfimport numpy as np.a = np.concatenate([np.random.rand(2,5,4),np.random.randint(0,2,(2,5,1))],axis=-1)mask = a[...,-1]>0sess = tf.Session()print(a)print(mask)print(''result:\n'')print(sess.run(tf.boolean_mask(a, mask))) #[1 3][[ True False True True False]

解決pandas讀取中文路徑csv錯(cuò)誤。

numpy.1. numpy 保存多個(gè)數(shù)組。a = np.array([[1,2,3]])b = np.array([[2,3,4]])np.savez(''array'',a,b)print(a)2. 讀取保存的文件。content = np.load(''array.npz'')print(content[''arr_0''])print(content[''arr_1''])

下面我們描述了兩類更便宜的模型：特定于給定視頻流和目標(biāo)的模型（要利用特定于場(chǎng)景的局部性）和檢查差異的模型（要利用時(shí)間局部性）。通過(guò)專用模型利用特定于場(chǎng)景的局部性。NoScope 可以使用專用模型（specialized models）來(lái)利用特定于場(chǎng)景的局部性，即被訓(xùn)練從特定視頻流的角度檢測(cè)相關(guān)目標(biāo)的快速模型。根據(jù)這些標(biāo)簽，NoScope 訓(xùn)練了一組專用模型和差異檢測(cè)器，并使用了一個(gè) holdout set 來(lái)選擇使用哪個(gè)專用模型和差異檢測(cè)器。

Tensorflow之eval.py使用方法。需要強(qiáng)調(diào)的是eval.py需要與train.py同時(shí)使用，即在訓(xùn)練的同時(shí)進(jìn)行驗(yàn)證，這樣才能看出訓(xùn)練過(guò)程中的參數(shù)，如果只運(yùn)行eval.py，讀取的只是最后一個(gè)模型的參數(shù)，得到的mAP曲線只是一個(gè)點(diǎn)，所以為了看出趨勢(shì)，應(yīng)該訓(xùn)練的同時(shí)進(jìn)行驗(yàn)證。eval.py的運(yùn)行方法類似：先運(yùn)行train.py，然后運(yùn)行eval.py，然后運(yùn)行tensorboard --logdir=''''''''evalpath''''''''，在瀏覽其中打開(kāi)tensorboard即可看到變化。

文件夾存放的是xml格式的標(biāo)簽文件，每個(gè)xml文件都對(duì)應(yīng)于JPEGImages文件夾的一張圖片。Main存放的是圖像物體識(shí)別的數(shù)據(jù)，分為20類，當(dāng)然我們自己制作就呵呵呵不一定了，如果你有精力，Main里面有test.txt , train.txt, val.txt ,trainval.txt.這四個(gè)文件我們后面會(huì)生成。如果你下載了VOC2007數(shù)據(jù)集，那么把它解壓，把各個(gè)文件夾里面的東西刪除，保留文件夾名字。第四步：搞定ImageSets文件夾中的Main文件夾中的四個(gè)文件。

python opencv minAreaRect 生成最小外接矩形。使用python opencv返回點(diǎn)集cnt的最小外接矩形，所用函數(shù)為 cv2.minAreaRect(cnt) ，cnt是所要求最小外接矩形的點(diǎn)集數(shù)組或向量，這個(gè)點(diǎn)集不定個(gè)數(shù)。rect = cv2.minAreaRect(cnt) # 得到最小外接矩形的（中心(x,y), (寬,高), 旋轉(zhuǎn)角度）box = cv2.cv.BoxPoints(rect) # cv2.boxPoints(rect) for OpenCV 3.x 獲取最小外接矩形的4個(gè)頂點(diǎn)box = np.int0(box)

python3.6 配置COCO API出錯(cuò)解決方案。首先下載cocoapi的包，地址https://github.com/waleedka/coco.git.然后進(jìn)入coco包的pythonAPI文件夾，在Prompt中輸入命令行 python setup.py install.再次進(jìn)入coco包的pythonAPI文件夾，在Prompt中輸入命令行 python setup.py install.解決辦法：在pythonAPI的setup.py文件中直接把這兩個(gè)參數(shù)刪掉。

Tensorflow object detection API 搭建屬于自己的物體識(shí)別模型（1）pip install --upgrade tensorflow-gpu當(dāng)然也可以在Anaconda中新建一個(gè)虛擬環(huán)境進(jìn)行安裝，詳見(jiàn) https://www.tensorflow.org/install/install_windows。（3）下載Tensorflow object detection API https://github.com/tensorflow/models從github上下載項(xiàng)目（右上角“Clone or download”-"DownloadZIP"），下載到本地目錄（避免中文），解壓。

tensorflow object detection API訓(xùn)練公開(kāi)數(shù)據(jù)集Oxford-IIIT ...為了避免不必要的麻煩，先說(shuō)一下我的系統(tǒng)版本。Python 3.6tensorflow 1.10windows 7object detection API安裝。labelmap file來(lái)自D:\tensorflow\models\research\objectdetection\data\petlabelmap.pbtxtpipeline config file來(lái)自D:\tensorflow\models\research\objectdetection\samples\configs\ssdmobilenetv1pets.config.

1、打開(kāi)xml_to_csv.py，修改path 為對(duì)應(yīng)train、test文件夾路徑，并運(yùn)行，在對(duì)應(yīng)目錄下將會(huì)生成csv文件,將生成的csv文件拷貝到models-master\research\object_detection\data文件夾下。2、打開(kāi)python generate_tfrecord.py，將對(duì)應(yīng)的label改成自己的類別，python generate_tfrecord.py --csv_input=data/person_train.csv --output_path=data/person_train.record，輸入對(duì)應(yīng)train、test.csv文件路徑，生成對(duì)應(yīng)tfrecord數(shù)據(jù)文件。

使用Tensorflow object detection API.4、在Tensorflow object detection API數(shù)據(jù)下的models-master/research\目錄下打開(kāi)命令行窗口，輸入：protoc object_detection/protos/*.proto --python_out=.在 ‘此電腦’-‘屬性’- ‘高級(jí)系統(tǒng)設(shè)置’ -‘環(huán)境變量’-‘系統(tǒng)變量’ 中新建名為‘PYTHONPATH’的變量，將models-master/research/ 及 models-master/research/slim 兩個(gè)文件夾的完整目錄添加，分號(hào)隔開(kāi)，效果如下圖：

x = tf.placeholder(shape=[None, 784], dtype=tf.float32, name=''''''''input_x'''''''')y = tf.placeholder(shape=[None, 10], dtype=tf.float32)keep_prob = tf.placeholder(dtype=tf.float32)acc_mat = tf.equal(tf.argmax(logits, 1), tf.argmax(y, 1))acc = tf.reduce_sum(tf.cast(acc_mat, tf.float32))prediction = tf.argmax(logits, axis=1, name=''''''''prediction_out'''''''')

with open(''''''''test1.txt'''''''', ''''''''r'''''''') as f1: list1 = f1.readlines()for i in range(0, len(list1)): list1[i] = list1[i].strip(''''''''\n'''''''')with open(''''''''test2.txt'''''''', ''''''''r'''''''') as f2: list2 = f2.readlines()for i in range(0, len(list2)): list2[i] = list2[i].strip(''''''''\n'''''''')寫文件和讀文件是一樣的，唯一區(qū)別是調(diào)用open()函數(shù)時(shí)，傳入標(biāo)識(shí)符''''''''w''''''''或者''''''''wb''''''''表示寫文本文件

TensorBoard 可視化 不顯示數(shù)據(jù)問(wèn)題 No scalar data was found...此時(shí)，TensorBoard通過(guò)讀取事件文件來(lái)運(yùn)行，通過(guò)在cmd 中鍵入命令：tensorboard --logdir=log文件路徑。解決方法：方法一：將cmd的默認(rèn)路徑cd到log文件的上一層，即cd /d E:\MyTensorBoard，之后等號(hào)后面直接鍵入log文件名即可，不需寫全路徑，即 tensorboard --logdir=logs。

然后利用cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2)畫出矩行。# 用綠色(0, 255, 0)來(lái)畫出最小的矩形框架x, y, w, h = cv2.boundingRect(cnt)cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)# 用紅色表示有旋轉(zhuǎn)角度的矩形框架rect = cv2.minAreaRect(cnt)box = cv2.cv.BoxPoints(rect)box = np.int0(box)cv2.drawContours(img, [box], 0, (0, 0, 255), 2)cv2.imwrite(''''''''contours.png'''''''', img)