Beli Saya Kopi?
*Memo:
- Siaran saya menerangkan MNIST, EMNIST, QMNIST, ETLCDB, Kuzushiji dan Moving MNIST.
- Siaran saya menerangkan Fashion-MNIST, Caltech 101, Caltech 256, CelebA, CIFAR-10 dan CIFAR-100.
- Siaran saya menerangkan Oxford-IIIT Pet, Oxford 102 Flower, Stanford Cars, Places365, Flickr8k dan Flickr30k.
(1) ImageNet(2009):
- mempunyai 1,331,167 imej objek(1,281,167 untuk kereta api dan 50,000 untuk pengesahan) setiap satu disambungkan kepada label daripada 1000 kelas:
*Memo:
- Setiap kelas mempunyai satu atau lebih nama yang mewakili perkara yang sama.
- Anda boleh memuat turun ILSVRC2012_devkit_t12.tar.gz, ILSVRC2012_img_train.tar dan ILSVRC2012_img_val.tar.
- ialah ImageNet() dalam PyTorch.
(2) LSUN(Pemahaman Adegan Berskala Besar)(2015):
- mempunyai imej pemandangan dan terdapat 10 set data Bilik Tidur, Jambatan, Church Outdoor, Bilik Darjah, Bilik Persidangan , Ruang Makan, Dapur, Ruang Tamu, Restoran dan Menara:
- Bilik Tidur mempunyai 3,033,342 imej bilik tidur(3,033,042 untuk kereta api dan 300 untuk pengesahan).
- Jambatan mempunyai 818,987 imej jambatan(818,687 untuk kereta api dan 300 untuk pengesahan).
- Church Outdoor mempunyai 126,527 imej luar gereja(126,227 untuk kereta api dan 300 untuk pengesahan).
- Bilik Darjah mempunyai 126,527 imej bilik darjah(126,227 untuk kereta api dan 300 untuk pengesahan).
- Bilik Persidangan mempunyai 229,369 imej bilik persidangan(229,069 untuk kereta api dan 300 untuk pengesahan).
- Bilik Makan mempunyai 657,871 imej ruang makan(657,571 untuk kereta api dan 300 untuk pengesahan).
- Dapur mempunyai 2,212,577 imej dapur(2,212,277 untuk kereta api dan 300 untuk pengesahan).
- Ruang Tamu mempunyai 1,316,102 imej ruang tamu(1,315,802 untuk kereta api dan 300 untuk pengesahan).
- Restoran mempunyai 626,631 imej restoran(626,331 untuk kereta api dan 300 untuk pengesahan).
- Menara mempunyai 708,564 imej menara(708,264 untuk kereta api dan 300 untuk pengesahan).
- ialah LSUN() dalam PyTorch tetapi ia mempunyai pepijat.
(3) MS COCO(Microsoft Common Objects in Context)(2014):
- mempunyai imej objek dengan anotasi dan terdapat 16 set data 2014 Train images dan 2014 Val images dengan 2014 Train/Val anotasi, 2014 Uji imej dengan Imej Pengujian 2014 info, imej Ujian 2015 dengan maklumat Imej Ujian 2015, imej Latih 2017 dan imej Val 2017 dengan 2017 Anotasi Train/Val, anotasi Stuff Train/Val 2017 atau anotasi Kereta Api/Val Panoptic 2017, Imej Ujian 2017 dengan maklumat Imej Ujian 2017 dan dengan Maklumat Imej Tidak Berlabel 2017:
*Memo:
- Imej kereta api 2014 mempunyai 82,782 imej.
- Imej Val 2014 mempunyai 40,504 imej.
- anotasi Train/Val 2014 mempunyai 123,286 anotasi(82,782 untuk kereta api dan 40,504 untuk pengesahan) untuk imej Keretapi 2014 dan imej Val 2014.
- Imej ujian 2014 mempunyai 40,775 imej.
- Maklumat Imej Ujian 2014 mempunyai 40,775 anotasi untuk Imej Ujian 2014.
- Imej ujian 2015 mempunyai 81,434 imej.
- Maklumat Imej Ujian 2015 mempunyai 81,434 anotasi untuk imej Ujian 2015.
- Imej kereta api 2017 mempunyai 118,287 imej.
- Imej Val 2017 mempunyai 5,000 imej.
- anotasi Train/Val 2017 mempunyai 123,287 anotasi(118,287 untuk kereta api dan 5,000 untuk pengesahan) untuk imej Keretapi 2017 dan imej Val 2017.
- anotasi Stuff Train/Val 2017 mempunyai 123,287 anotasi(118,287 untuk kereta api dan 5,000 untuk pengesahan) untuk imej Keretapi 2017 dan imej Val 2017..
- anotasi Kereta Api/Val Panoptic 2017 mempunyai 123,287 anotasi(118,287 untuk kereta api dan 5,000 untuk pengesahan) untuk imej Kereta Api 2017 dan imej Val 2017..
- Imej ujian 2017 mempunyai 40,670 imej.
- Maklumat Imej Ujian 2017 mempunyai 40,670 anotasi untuk Imej Ujian 2017.
- Imej tidak berlabel 2017 mempunyai 123,403 imej.
- Maklumat Imej Tidak Berlabel 2017 mempunyai 123,403 anotasi untuk Imej Tidak Berlabel 2017.
juga dipanggil COCO sahaja. - ialah CocoDetection() atau CocoCaptions()
Atas ialah kandungan terperinci Set Data untuk Penglihatan Komputer (4). Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undress AI Tool
Gambar buka pakaian secara percuma

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Polimorfisme adalah konsep teras dalam pengaturcaraan berorientasikan objek Python, merujuk kepada "satu antara muka, pelbagai pelaksanaan", yang membolehkan pemprosesan bersatu pelbagai jenis objek. 1. Polimorfisme dilaksanakan melalui penulisan semula kaedah. Subkelas boleh mentakrifkan semula kaedah kelas induk. Sebagai contoh, kaedah bercakap () kelas haiwan mempunyai pelaksanaan yang berbeza dalam subkelas anjing dan kucing. 2. Penggunaan praktikal polimorfisme termasuk memudahkan struktur kod dan meningkatkan skalabilitas, seperti memanggil kaedah cabutan () secara seragam dalam program lukisan grafik, atau mengendalikan tingkah laku umum watak -watak yang berbeza dalam pembangunan permainan. 3. Polimorfisme pelaksanaan Python perlu memenuhi: Kelas induk mentakrifkan kaedah, dan kelas kanak -kanak mengatasi kaedah, tetapi tidak memerlukan warisan kelas induk yang sama. Selagi objek melaksanakan kaedah yang sama, ini dipanggil "jenis itik". 4. Perkara yang perlu diperhatikan termasuk penyelenggaraan

Iterator adalah objek yang melaksanakan kaedah __iter __ () dan __Next __ (). Penjana adalah versi Iterator yang dipermudahkan, yang secara automatik melaksanakan kaedah ini melalui kata kunci hasil. 1. Iterator mengembalikan elemen setiap kali dia memanggil seterusnya () dan melemparkan pengecualian berhenti apabila tidak ada lagi elemen. 2. Penjana menggunakan definisi fungsi untuk menghasilkan data atas permintaan, menjimatkan memori dan menyokong urutan tak terhingga. 3. Menggunakan Iterator apabila memproses set sedia ada, gunakan penjana apabila menghasilkan data besar secara dinamik atau penilaian malas, seperti garis pemuatan mengikut baris apabila membaca fail besar. NOTA: Objek yang boleh diperolehi seperti senarai bukanlah pengaliran. Mereka perlu dicipta semula selepas pemalar itu sampai ke penghujungnya, dan penjana hanya boleh melintasi sekali.

Kunci untuk menangani pengesahan API adalah untuk memahami dan menggunakan kaedah pengesahan dengan betul. 1. Apikey adalah kaedah pengesahan yang paling mudah, biasanya diletakkan dalam tajuk permintaan atau parameter URL; 2. BasicAuth menggunakan nama pengguna dan kata laluan untuk penghantaran pengekodan Base64, yang sesuai untuk sistem dalaman; 3. OAuth2 perlu mendapatkan token terlebih dahulu melalui client_id dan client_secret, dan kemudian bawa bearertoken dalam header permintaan; 4. Untuk menangani tamat tempoh token, kelas pengurusan token boleh dikemas dan secara automatik menyegarkan token; Singkatnya, memilih kaedah yang sesuai mengikut dokumen dan menyimpan maklumat utama adalah kunci.

Kaedah yang sama untuk melintasi dua senarai secara serentak dalam Python adalah menggunakan fungsi zip (), yang akan memasangkan beberapa senarai dalam rangka dan menjadi yang paling singkat; Jika panjang senarai tidak konsisten, anda boleh menggunakan itertools.zip_longest () untuk menjadi yang paling lama dan mengisi nilai yang hilang; Digabungkan dengan penghitungan (), anda boleh mendapatkan indeks pada masa yang sama. 1.Zip () adalah ringkas dan praktikal, sesuai untuk lelaran data berpasangan; 2.zip_longest () boleh mengisi nilai lalai apabila berurusan dengan panjang yang tidak konsisten; 3.enumerate (zip ()) boleh mendapatkan indeks semasa traversal, memenuhi keperluan pelbagai senario kompleks.

Menegaskan adalah alat pernyataan yang digunakan dalam Python untuk menyahpepijat, dan melemparkan pernyataan apabila keadaan tidak dipenuhi. Sintaksnya adalah menegaskan keadaan ditambah maklumat ralat pilihan, yang sesuai untuk pengesahan logik dalaman seperti pemeriksaan parameter, pengesahan status, dan lain -lain, tetapi tidak boleh digunakan untuk pemeriksaan input keselamatan atau pengguna, dan harus digunakan bersamaan dengan maklumat yang jelas. Ia hanya tersedia untuk debugging tambahan dalam peringkat pembangunan dan bukannya menggantikan pengendalian pengecualian.

TypehintsinpythonsolvetheproblemofambiguityandpotentialbugsindynamiciallytypodeByallowingDeveloperStospecifyExpectedTypes.theyenhancereadability, enablearlybugdetection, andimprovetoLiaSareAdeAdeAdeAdeAdeAdeAdeAdeAdeAdeAdeAdeAdeAdeAdeAdeAdeAdeAdeAdeAdeAdeAdeAdeAdeAdeAdeSareadDeSareadDeSareadDeSareadDeSaread

Inpython, iteratorsareObjectsThatallowLoopingthroughCollectionsByImplementing__iter __ () dan__Next __ ()

Untuk mewujudkan API moden dan cekap menggunakan Python, FastAPI disyorkan; Ia berdasarkan kepada jenis python standard yang diminta dan secara automatik dapat menghasilkan dokumen, dengan prestasi yang sangat baik. Selepas memasang FastAPI dan Asgi Server UVicorn, anda boleh menulis kod antara muka. Dengan menentukan laluan, menulis fungsi pemprosesan, dan data yang kembali, API boleh dibina dengan cepat. FastAPI menyokong pelbagai kaedah HTTP dan menyediakan sistem dokumentasi Swaggersui dan Redoc yang dihasilkan secara automatik. Parameter URL boleh ditangkap melalui definisi laluan, manakala parameter pertanyaan boleh dilaksanakan dengan menetapkan nilai lalai untuk parameter fungsi. Penggunaan rasional model Pydantic dapat membantu meningkatkan kecekapan dan ketepatan pembangunan.
