Software Learning

 !!!start up COCO-ANNOTATOR server!!! docker-compose up !!!stop COCO-ANNOTATOR server!!! docker-compose down delete all containers: docker rm $(docker ps -a -f status=exited -q) delete all images: docker rmi $(docker images -a -q) Deleting all the volumes: docker volume prune If you don't want to delete all the Docker volumes on your computer, you can search for a specific one and deleting it: docker volume ls docker volume rm <name_of_volume> under datasets folder: allow access in file chmod 777 *

  原因 Spring boot 2.x默认使用的mysql 引擎为myisam，但是Spring boot2.0之前使用的是InnoDB，Spring boot2.0之后默认使用的是myisam引擎。然后在新建表的时候。就出这个错了 解决 在配置文件中加如下配置: spring.jpa.database-platform=org.hibernate.dialect.MySQL5InnoDBDialect

  在默认的”指令模式”下按 i 进入编辑模式 在非指令模式下按 ESC 返回指令模式 在”指令模式”下输入: :w 保存当前文件 :q 退出编辑,如果文件为保存需要用强制模式 :q! 强制退出不保存修改 :wq 组合指令, 保存并退出 在”指令模式”下移动: h 左 j 下 k 上 l 右

 ctrl+shift+p : 打開命令窗 ctrl+shift+space : 圈選括號內的內容

  首先需要安装Package control，如果已经安装请跳过此步骤。按Ctrl+Shift+p打开命令框，搜索PCI，点击图中条目安装，如下图： 按 Ctrl+Shift+p 打开命令框，搜索PCI，打开package安装框 搜索PrettyJson，点击条目安装，如下图：

1. 训练 python tools/train.py [configs_file] --gpus 1 --work_dir work_dirs 2. 测试 （1）Output pkl file ​ This command will output “results_name.pkl” file. python tools/test.py [configs_file] [pth] --out results_name.pkl --eval bbox python tools/test.py configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth --out=work_dirs/result.pkl --eval bbox （2） Output json result file ​ This command will output “results.bbox.json” file. python tools/test.py [configs_file] [pth] --eval-options "jsonfile_prefix=results_name" --eval bbox python tools/test.py configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py checkpoints/faster_rcnn_r50_fpn_1x_coco_20200130-047c8118.pth --eval bbox --eval-options "jsonfile_prefix=results" 3. 输出coco metric python tools/analysis_tools/eval_metric.py [configs_file] [pkl_file] --eval bbox python tools/analysis_tools/eval_metric.py configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py work_dirs/faster_rcn...

  逆卷积的详细解释ConvTranspose2d（fractionally-strided convolutions) 1.首先先定义进行卷积的参数： 输入特征图为高宽一样的H in *H in 大小的x 卷积核大小kernel_size 步长stride padding填充数(填充0) 输出特征图为H out *H out 大小的y 计算式子为： H out  =  floor( H in  + 2*padding - kernel_size / stride) + 1   2.然后实现上面的卷积的转置卷积 定义其参数为：   输入特征图为高宽一样的H out *H out 大小的y 卷积核大小kernel_size 步长stride padding new  填充数(填充0) 输出特征图为H in *H in 大小的x   逆卷积的过程主要分两步： 对输入的特征图y进行变换，得到新的特征图y new 内部变换，与卷积时设置的stride相关 外部变换，与卷积时设置的padding相关 根据得到的特征图进行卷积即可 1）对输入的特征图y进行变换，得到新的特征图y new 1》内部变换 当卷积时设置的stride>1时，将对输入的特征图y进行插值操作(interpolation)。 即需要在输入的特征图y的每个相邻值之间插入(stride-1)行和列0，因为特征图中能够插入的相邻位置有(height-1)个位置，所以此时得到的特征图的大小由H out *H out (H out 即height) 变为新的 H out_new *H out_new ，即[H out  + (stride-1) * (H out -1)] * [H out  + (stride-1) * (H out -1)]   2》外部变换 为了实现由H out *H out 大小的y逆卷积得到H in *H in 大小的x，还需要设置padding new 的值为(kernel_size - padding - 1), 这里的padding是卷积操作时设置的padding值 所以计算式子变为： H in  =  floor( [H out_n...