Achetez-moi un café?
*Mémos?:
- Mon article explique CocoDetection() en utilisant train2014 avec captions_train2014.json, instances_train2014.json et person_keypoints_train2014.json, val2014 avec captions_val2014.json, instances_val2014.json et person_keypoints_val2014.json et test2017 avec image_info_test2014.json, image_info_test2015.json et image_info_test-dev2015.json.
- Mon article explique CocoDetection() utilisant train2017 avec captions_train2017.json, instances_train2017.json et person_keypoints_train2017.json, val2017 avec captions_val2017.json, instances_val2017.json et person_keypoints_val2017.json et test2017 avec image_info_test2017.json et image_info_test-dev2017.json.
- Mon message explique MS COCO.
CocoDetection() peut utiliser l'ensemble de données MS COCO comme indiqué ci-dessous. * Ceci concerne train2017 avec stuff_train2017.json, val2017 avec stuff_val2017.json, stuff_train2017_pixelmaps avec stuff_train2017.json, stuff_val2017_pixelmaps avec stuff_val2017.json, panoptic_train2017 avec panoptic_train2017.json, panoptic_val2017 avec panoptic_val2017.json et unlabeled2017 avec image_info_unlabeled2017.json?:
from torchvision.datasets import CocoDetection
stf_train2017_data = CocoDetection(
root="data/coco/imgs/train2017",
annFile="data/coco/anns/stuff_trainval2017/stuff_train2017.json"
)
stf_val2017_data = CocoDetection(
root="data/coco/imgs/val2017",
annFile="data/coco/anns/stuff_trainval2017/stuff_val2017.json"
)
len(stf_train2017_data), len(stf_val2017_data)
# (118287, 5000)
# pms_stf_train2017_data = CocoDetection(
# root="data/coco/anns/stuff_trainval2017/stuff_train2017_pixelmaps",
# annFile="data/coco/anns/stuff_trainval2017/stuff_train2017.json"
# ) # Error
# pms_stf_val2017_data = CocoDetection(
# root="data/coco/anns/stuff_trainval2017/stuff_val2017_pixelmaps",
# annFile="data/coco/anns/stuff_trainval2017/stuff_val2017.json"
# ) # Error
# pan_train2017_data = CocoDetection(
# root="data/coco/anns/panoptic_trainval2017/panoptic_train2017",
# annFile="data/coco/anns/panoptic_trainval2017/panoptic_train2017.json"
# ) # Error
# pan_val2017_data = CocoDetection(
# root="data/coco/anns/panoptic_trainval2017/panoptic_val2017",
# annFile="data/coco/anns/panoptic_trainval2017/panoptic_val2017.json"
# ) # Error
unlabeled2017_data = CocoDetection(
root="data/coco/imgs/unlabeled2017",
annFile="data/coco/anns/unlabeled2017/image_info_unlabeled2017.json"
)
len(unlabeled2017_data)
# 123403
stf_train2017_data[2]
# (<PIL.Image.Image image mode=RGB size=640x428>,
# [{'segmentation': {'counts': 'W2a0S2Q1T7mNmHS1R7mN...0100000000',
# 'size': [428, 640]}, 'area': 112666.0, 'iscrowd': 0, 'image_id': 30,
# 'bbox': [0.0, 0.0, 640.0, 321.0], 'category_id': 119, 'id': 10000010},
# {'segmentation': ..., 'category_id': 124, 'id': 10000011},
# ...
# {'segmentation': ..., 'category_id': 183, 'id': 10000014}])
stf_train2017_data[47]
# (<PIL.Image.Image image mode=RGB size=640x427>,
# [{'segmentation': {'counts': '\\j1h0[<a0G2N001O0...00001O0000',
# 'size': [427, 640]}, 'area': 65213.0, 'iscrowd': 0, 'image_id': 294,
# 'bbox': [140.0, 0.0, 500.0, 326.0], 'category_id': 98, 'id': 10000284},
# {'segmentation': ..., 'category_id': 123, 'id': 10000285},
# ...
# {'segmentation': ..., 'category_id': 183, 'id': 10000291}])
stf_train2017_data[64]
# (<PIL.Image.Image image mode=RGB size=480x640>,
# [{'segmentation': {'counts': '0[9e:1O000000O100000...O5mc0F^Zj7',
# 'size': [640, 480]}, 'area': 20503.0, 'iscrowd': 0, 'image_id': 370,
# 'bbox': [0.0, 0.0, 79.0, 316.0], 'category_id': 102, 'id': 10000383},
# {'segmentation': ..., 'category_id': 105, 'id': 10000384},
# ...
# {'segmentation': ..., 'category_id': 183, 'id': 10000389}])
stf_val2017_data[2]
# (<PIL.Image.Image image mode=RGB size=640x483>,
# [{'segmentation': {'counts': '\9g5]9O1O1O;EU1kNU1...VMKQ?NY`d3',
# 'size': [483, 640]}, 'area': 5104.0, 'iscrowd': 0, 'image_id': 632,
# 'bbox': [0.0, 300.0, 392.0, 183.0], 'category_id': 93, 'id': 20000017},
# {'segmentation': ..., 'category_id': 128, 'id': 20000018},
# ...
# {'segmentation': ..., 'category_id': 183, 'id': 20000020}])
stf_val2017_data[47]
# (<PIL.Image.Image image mode=RGB size=640x480>,
# [{'segmentation': {'counts': '[da7T1X>D3M2J5M4M4LoQg1',
# 'size': [480, 640]}, 'area': 122.0, 'iscrowd': 0, 'image_id': 5001,
# 'bbox': [515.0, 235.0, 7.0, 36.0], 'category_id': 104, 'id': 20000247},
# {'segmentation': ..., 'category_id': 105, 'id': 20000248},
# ...
# {'segmentation': ..., 'category_id': 183, 'id': 20000256}])
stf_val2017_data[64]
# (<PIL.Image.Image image mode=RGB size=640x483>,
# [{'segmentation': {'counts': 'U<^1W>N020mN]B2e>N1O...Mb@N^?2hd2',
# 'size': [500, 375]}, 'area': 2404.0, 'iscrowd': 0, 'image_id': 6763,
# 'bbox': [0.0, 235.0, 369.0, 237.0], 'category_id': 105, 'id': 20000356},
# {'segmentation': ..., 'category_id': 123, 'id': 20000357},
# ...
# {'segmentation': ..., 'category_id': 183, 'id': 20000362}])
unlabeled2017_data[2]
# (<PIL.Image.Image image mode=RGB size=640x427>, [])
unlabeled2017_data[47]
# (<PIL.Image.Image image mode=RGB size=428x640>, [])
unlabeled2017_data[64]
# (<PIL.Image.Image image mode=RGB size=640x480>, [])
import matplotlib.pyplot as plt
from matplotlib.patches import Polygon, Rectangle
import numpy as np
from pycocotools import mask
# `show_images1()` doesn't work very well for the images with
# segmentations so for it, use `show_images2()` which
# more uses the original coco functions.
def show_images1(data, ims, main_title=None):
file = data.root.split('/')[-1]
fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(14, 8))
fig.suptitle(t=main_title, y=0.9, fontsize=14)
for i, axis in zip(ims, axes.ravel()):
if data[i][1] and "segmentation" in data[i][1][0]:
im, anns = data[i]
axis.imshow(X=im)
axis.set_title(label=anns[0]["image_id"])
ec = ['g', 'r', 'c', 'm', 'y', 'w']
ec_index = 0
for ann in anns:
seg = ann['segmentation']
compressed_rld = mask.decode(rleObjs=seg)
y_plts, x_plts = np.nonzero(a=np.squeeze(a=compressed_rld))
axis.plot(x_plts, y_plts, alpha=0.4)
x, y, w, h = ann['bbox']
rect = Rectangle(xy=(x, y), width=w, height=h,
linewidth=3, edgecolor=ec[ec_index],
facecolor='none', zorder=2)
ec_index += 1
if ec_index == len(ec)-1:
ec_index = 0
axis.add_patch(p=rect)
elif not data[i][1]:
im, _ = data[i]
axis.imshow(X=im)
fig.tight_layout()
plt.show()
ims = (2, 47, 64)
show_images1(data=stf_train2017_data, ims=ims,
main_title="stf_train2017_data")
show_images1(data=stf_val2017_data, ims=ims,
main_title="stf_val2017_data")
show_images1(data=unlabeled2017_data, ims=ims,
main_title="unlabeled2017_data")
def show_images2(data, index, main_title=None):
img_set = data[index]
img, img_anns = img_set
if img_anns and "segmentation" in img_anns[0]:
img_id = img_anns[0]['image_id']
coco = data.coco
def show_image(imgIds, areaRng=[],
iscrowd=None, draw_bbox=False):
plt.figure(figsize=(11, 8))
plt.imshow(X=img)
plt.suptitle(t=main_title, y=1, fontsize=14)
plt.title(label=img_id, fontsize=14)
anns_ids = coco.getAnnIds(imgIds=img_id,
areaRng=areaRng, iscrowd=iscrowd)
anns = coco.loadAnns(ids=anns_ids)
coco.showAnns(anns=anns, draw_bbox=draw_bbox)
plt.show()
show_image(imgIds=img_id, draw_bbox=True)
show_image(imgIds=img_id, draw_bbox=False)
show_image(imgIds=img_id, iscrowd=False, draw_bbox=True)
show_image(imgIds=img_id, areaRng=[0, 5000], draw_bbox=True)
elif not img_anns:
plt.figure(figsize=(11, 8))
plt.imshow(X=img)
plt.suptitle(t=main_title, y=1, fontsize=14)
plt.show()
show_images2(data=stf_val2017_data, index=47,
main_title="stf_train2017_data")
show_images1()?:
show_images2()?:
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undress AI Tool
Images de déshabillage gratuites
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Clothoff.io
Dissolvant de vêtements AI
Video Face Swap
échangez les visages dans n'importe quelle vidéo sans effort grace à notre outil d'échange de visage AI entièrement gratuit?!
Article chaud
Outils chauds
Bloc-notes++7.3.1
éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Comment gérer l'authentification de l'API dans Python
Jul 13, 2025 am 02:22 AM
La clé pour gérer l'authentification de l'API est de comprendre et d'utiliser correctement la méthode d'authentification. 1. Apikey est la méthode d'authentification la plus simple, généralement placée dans l'en-tête de demande ou les paramètres d'URL; 2. BasicAuth utilise le nom d'utilisateur et le mot de passe pour la transmission de codage Base64, qui convient aux systèmes internes; 3. OAuth2 doit d'abord obtenir le jeton via client_id et client_secret, puis apporter le Bearertoken dans l'en-tête de demande; 4. Afin de gérer l'expiration des jetons, la classe de gestion des jetons peut être encapsulée et rafra?chie automatiquement le jeton; En bref, la sélection de la méthode appropriée en fonction du document et le stockage en toute sécurité des informations clés sont la clé.
Expliquez les assertions Python.
Jul 07, 2025 am 12:14 AM
Assert est un outil d'affirmation utilisé dans Python pour le débogage et lance une affirmation d'établissement lorsque la condition n'est pas remplie. Sa syntaxe est affirmer la condition plus les informations d'erreur facultatives, qui conviennent à la vérification de la logique interne telle que la vérification des paramètres, la confirmation d'état, etc., mais ne peuvent pas être utilisées pour la sécurité ou la vérification des entrées des utilisateurs, et doit être utilisée en conjonction avec des informations d'invite claires. Il n'est disponible que pour le débogage auxiliaire au stade de développement plut?t que pour remplacer la manipulation des exceptions.
Que sont les itérateurs Python?
Jul 08, 2025 am 02:56 AM
Inpython, itérateurslawjectsThatallowloopingthroughCollectionsbyImpleting __iter __ () et__Next __ (). 1) iteratorsworkVeatheitorat
Que sont les indices de type Python?
Jul 07, 2025 am 02:55 AM
TypeHintsInpythonsolvetheproblebandofambigu?té et opposant à un montant de type de type parallèlement au développement de l'aménagement en fonction des types de type.
Comment itérer sur deux listes à la fois Python
Jul 09, 2025 am 01:13 AM
Une méthode courante pour parcourir deux listes simultanément dans Python consiste à utiliser la fonction zip (), qui appariera plusieurs listes dans l'ordre et sera la plus courte; Si la longueur de liste est incohérente, vous pouvez utiliser itertools.zip_langest () pour être le plus long et remplir les valeurs manquantes; Combiné avec enumerate (), vous pouvez obtenir l'index en même temps. 1.zip () est concis et pratique, adapté à l'itération des données appariées; 2.zip_langest () peut remplir la valeur par défaut lorsqu'il s'agit de longueurs incohérentes; 3. L'énumération (zip ()) peut obtenir des indices pendant la traversée, en répondant aux besoins d'une variété de scénarios complexes.
Tutoriel Python Fastapi
Jul 12, 2025 am 02:42 AM
Pour créer des API modernes et efficaces à l'aide de Python, FastAPI est recommandé; Il est basé sur des invites de type Python standard et peut générer automatiquement des documents, avec d'excellentes performances. Après avoir installé FastAPI et ASGI Server Uvicorn, vous pouvez écrire du code d'interface. En définissant les itinéraires, en écrivant des fonctions de traitement et en renvoyant des données, les API peuvent être rapidement construites. Fastapi prend en charge une variété de méthodes HTTP et fournit des systèmes de documentation SwaggerUI et Redoc générés automatiquement. Les paramètres d'URL peuvent être capturés via la définition du chemin, tandis que les paramètres de requête peuvent être implémentés en définissant des valeurs par défaut pour les paramètres de fonction. L'utilisation rationnelle des modèles pydantiques peut aider à améliorer l'efficacité du développement et la précision.
Comment tester une API avec Python
Jul 12, 2025 am 02:47 AM
Pour tester l'API, vous devez utiliser la bibliothèque des demandes de Python. Les étapes consistent à installer la bibliothèque, à envoyer des demandes, à vérifier les réponses, à définir des délais d'attente et à réessayer. Tout d'abord, installez la bibliothèque via PiPinstallRequests; Utilisez ensuite les demandes.get () ou les demandes.Post () et d'autres méthodes pour envoyer des demandes GET ou POST; Vérifiez ensuite la réponse.status_code et la réponse.json () pour vous assurer que le résultat de retour est en conformité avec les attentes; Enfin, ajoutez des paramètres de délai d'expiration pour définir l'heure du délai d'expiration et combinez la bibliothèque de réessayer pour obtenir une nouvelle tentative automatique pour améliorer la stabilité.
Configuration et utilisant des environnements virtuels Python
Jul 06, 2025 am 02:56 AM
Un environnement virtuel peut isoler les dépendances de différents projets. Créé à l'aide du propre module VENV de Python, la commande est Python-Mvenvenv; Méthode d'activation: Windows utilise Env \ Scripts \ Activate, MacOS / Linux utilise SourceEnv / Bin / Activate; Le package d'installation utilise pipinstall, utilisez PipFreeze> exigences.txt pour générer des fichiers d'exigences et utilisez pipinstall-rrequiments.txt pour restaurer l'environnement; Les précautions incluent ne pas se soumettre au GIT, réactiver chaque fois que le nouveau terminal est ouvert, et l'identification et la commutation automatique peuvent être utilisées par IDE.
