俗话说，没有规矩不成方圆，所谓目录结构只是为了更好的方便平台后续的使用（包括标注、增强、数据集划分、训练等等），也是为了适应yolo框架的要求，以及结合多次图像标注，给的一个相对合理的目录。

目标检测预测功能使用训练好的目标检测模型对图片或视频进行分析，识别其中的目标物体，并将检测结果以可视化的方式展示出来。用户可以通过该功能评估模型的性能，验证模型在实际应用中的效果。

目标检测半自动标注功能结合了模型预测和人工标注的优势。系统首先使用训练好的模型对图像进行初步预测，生成预测标注框和标签，用户可以在此基础上进行修改和完善，从而提高标注效率和准确性。目标检测半自动标注的界面更像标注界面而不是预测界面。

标检测训练是利用标注好的数据来训练模型，使其能够准确地检测图像中的目标物体。通过调整训练参数，可以优化模型的性能，提高检测的准确性和效率。

目标检测数据集划分功能将原始数据集按照一定比例划分为训练集、验证集和测试集。训练集用于模型的训练，验证集用于在训练过程中评估模型的性能，调整模型参数，测试集用于最终评估模型的泛化能力。合理的数据集划分对于训练出准确、稳定的模型至关重要。

目标检测图像增强功能在模型训练前对图像进行多种增强操作，如旋转、翻转、裁剪、调整亮度等，以增加数据集的多样性。这有助于提高模型的泛化能力，使其在面对不同场景和条件下的图像时能够更准确地检测目标物体。目前只支持txt标注格式增强。

目标检测标注格式转换功能允许用户将不同格式的标注文件（如 Json、XML）转换为适合 Yolo 模型训练的 TXT 标注文件，解决了不同数据格式之间的兼容性问题，方便用户使用不同来源的数据进行模型训练。

图像分类和检测一体化系统利用周末或晚上时间陆陆续续做了将近两个月，基本上实现了从数据标注、标注格式转换、数据集划分、数据增强、训练、预测、半自动标注的完整流程，涵盖了图像分类和图像检测，功能超越了市面上绝大多数工具

目标检测标注是整个目标检测流程的基础，其主要目的是为图像中的目标物体添加准确的位置和类别信息。这些标注数据将作为后续模型训练的输入，直接影响模型的性能和准确性。目标检测标注支持txt、json、xml格式等标注格式，支持图片文件夹的浏览标注

还是如流水账般对自己近三年的努力做一下总结吧。这几年里孩子也长大了，工作换了，连工作内容也换了，代码也不怎么写了，自己的技能当然一如既往的停留在初学状态，但初学不等于不学，已经成了技术人的唯一执念了。

如果你不幸进来了，这恰恰是提示词的功效。标题就是提示词给出的。 提示词工程，或称Prompt，是一种专门针对语言模型进行优化的方法。它的目标是通过设计和调整输入的提示词，来引导这些模型生成更准确、更有针对性的输出文本。

异常值处理的常用方法包括以下几种‌：‌删除观测值‌、‌保留并综合分析、‌使用统计量替代、‌视为缺失值处理‌、‌使用winsorize函数、‌使用replace命令替换‌。

PyOD是一个全面且易于使用的Python库，专门用于检测多变量数据中的异常点或离群点。异常点是指那些与大多数数据点显著不同的数据，它们可能表示错误、噪声或潜在的有趣现象。

异常值‌是指那些显著偏离其他观测值的数据点，这些值可能由于错误、偏差或自然变异而产生，也可能本身就是合理的。异常值可能会扭曲统计分析的结果，导致错误的结论和决策‌。异常值检测可以使数据质量保障，提升模型性能，发现潜在机会，优化决策。

sklearn库有10种不同的聚类算法，包括AP聚类、聚合聚类、BIRCH、DBSCAN、K-均值、Mini-BatchK-均值、MeanShift、OPTICS、谱聚类和高斯混合模型。其中一部分算法需要指定聚类数量，其他一些不需要。

本文和前文在数据标准化、降维和聚类方法上是一致的，在可视化上略有不同，前文仅限于地理数据的可视化，本文可拓展到各类数据，理论上2维数据、三维数据等更高维度的数据，均可实现可视化。

‌RAG是一种结合了信息检索和语言生成技术的人工智能模型，旨在通过引用外部知识库来优化大语言模型的生成结果，从而提高预测的质量和准确性。RAG和AnythingLLM可以协同工作，提供更强大的语言处理能力。

在机器学习中，PCA和K-Means聚类是两种非常实用的技术，聚类前进行降维的主要是为了提高算法的效率和效果‌。降维可以减少数据的维度，从而减少计算量，加快聚类速度。降维还能去除冗余信息，使数据更加简洁，有助于发现数据的内在结构和规律‌。

K-Means聚类算法是一种常用的聚类方法，具有简单、快速的特点，适用于处理大数据集。‌我们可找一些真实的数据和案例，比如2023年度各省市自治区的相关统计数据，看看我们能聚类出什么效果。关于聚类结果问题，很难说有一个明确的结论。

Kmean聚类对异常值敏感，因为这些点可能会被误分类到离它们最近的质心所在的集群中，从而影响聚类结果，StandardScaler‌用于对数据进行标准化处理，最后通过cartopy和geopandas实现聚类结果可视化

如前文所述，构建web化访问页面有多种方式，flask、streamlit、gradio都可以，也看过很多基于后两者开发简单机器学习和人工智能的页面，毕竟内置了很多组件，这些组件自带CSS，比flask从头到尾构建还是快速很多，本文仅做尝试

DeepSeek的迅速蹿红，也导致了目前收费的提升和服务质量的下降，同时随着DeepSeek的爆火和出圈、以及社区的完善和上手门槛的降低，大模型与普通人的距离也越来越近，对于IT人士而言可以不用钻研太多，但必须主动会用。

以前如果说OpenAI是“大力出奇迹”，如今DeepSeek则是“小力也可以出奇迹”——小的算力用新的方法也能创造奇迹。不过个人认为这充其量算是傲慢者的懈怠，而不是最终的结果。

一觉醒来，打开小红书的瞬间，宛如踏入了一个全新的世界，这一切都在宣告着 “TikTok 难民” 的强势入驻。

2025年肇始，突然被王星事件刷屏了，想必即使到了年末王星事件也是本年度的一件重要事件了。王星最该感谢的是他的女朋友，在王星失踪后的短时间内，她果断选择报警，并试图通过社交媒体扩大事件的影响力，这种迅速反应将生与死的距离缩短到极致。

Python调试和部署总会碰到各种各样的问题，Python的版本问题，各种包的版本问题，Python的调试和部署快成了一门玄学，这次遭遇到的是FastAPI文档界面无法显示的问题，中间也测试过几种方案​。选择fastapi-offline！

dzetsaka classification tool是QGIS的强大分类插件，目前主要提供了高斯混合模型、随机森林、k近邻算法和SVM四种分类器模型，相比于SCP，他的一个特点就是功能专一，操作简单。

经常看到别人基于高程文件制作出精美的3D地图，笔者按照互联网几种制作方式进行尝试后，写的DEM高程裁剪和3D地形图教程，或许其中有一些错误的，也请指出。 本文基于海南省的shp文件和海南省DEM高程文件，制作海口地区的3D地形图​。

之前工作中处理过风暴潮的数据，也获取到了不同等级台风水淹的DEM数据，不过还是很好奇是怎么推演出来的，最近一段时间看QGIS比较多，加上看到了一篇文章《GIS软件进行风暴潮沿海洪水建模》 ，简单尝试了一下​。

GIS数据有很多种分类方式，按照数据结构可分为矢量数据、栅格数据、DEM数据，还可以再细致的分为数据库格式、点云格式、3D格式，​也可以按照各厂家和标准类别来分等等。 笔者也是GIS小白，在这里把收集到的素材略加整理，不一定准确​。

关于土地类型分类，按照性质、用途、利用现状有不同的分类标准。一、按照国家土地性质分类标准，一般分五类:商业用

关于下载遥感影像的地方有很多：1、国家综合地球观测数据共享平台（https://www.chinageoss

无论是农业科学还是海洋科学，对地图的处理和数值模型的计算是少不了的，地图是可视化的基础，然后是复杂处理、模拟推演、数值计算。 关于天地图的加载，可以搜索到数十篇文章，可绝大多数都是错的，大可信任本人，所有文章100%​为自己亲自验证所得。

前一篇文章详细了讲解了如何构造自己的数据集，以及如何修改模型配置文件和数据集配置文件，本篇主要是如何训练自己的数据集，并且如何验证。

关于Yolov8的安装在前一个环节忽略了，其实非常简单，只需要安装pytorch和ultralytics即可，后续是关于yolov8各类网络配置文件和预训练模型的介绍，最后是如何修改配置文件和自定义自己的数据目录。

在之前的文章里，介绍了Faster R-CNN的原理和预测使用，且逐渐被YOLO系列所替代，所以暂时就不在花费时间在上面了。我们把目标调整会YOLO。当然YOLO，我是看不懂的，在这里只能假装看懂简而言之是拿来主义，直接用，或者微调后使用​

目标检测最成熟投入使用的是faster-RCNN，而且在pytorch的torchvision内置了faster-RCNN模型。既然已经内置了模型，而且考虑到代码的复杂度，我们也无需再重复制造轮子，但对模型本身还是需要了解一下其原理和过程

因工作原因，原来的台式机工作站发生了变更，GPU显卡从NVIDIA GeForce GTX 1660显卡变成了NVIDIA Quadro P2200，其他配置都差不多，所以只好重新安装了python和深度学习环境，本文是就是完整的安装过程。

Coco2017数据集是一个包含有大量图像和标注数据的开放数据集，包括检测、分割、关键点估计等任务，我们使用pytorch的fasterrcnn_resnet50_fpn预训练模型开展图像和视频预测，后续将基于Coco2017开展模型训练。

​R-CNN系列论文是使用深度学习进行物体检测的鼻祖论文，用CNN提取出Region Proposals中的featues，然后进行SVM分类与bbox的回归，本文只是为了想大致了解一下R-CNN网络

计算机视觉是人工智能领域的一个重要分支，图像分类、图像识别和目标检测是三个重要的任务，当然目标跟踪、图像生成也是新的方向和延伸。后续从哪里入手呢​？还是先从目标检测来吧，我只是一个看不懂数学公式的人工智能爱好者，既然如此那就不求甚解下去吧

GoogLeNet是一种全新的深度学习结构，在这之前的AlexNet、VGG等结构都是通过增大网络的深度来获得更好的训练效果，inception的提出则从另一种角度来提升训练结果：能更高效的利用计算资源，但从实际训练角度并不如期望的那么理想

自从深度神经网络在ImageNet大放异彩之后，后来问世的深度神经网络就朝着网络层数越来越深的方向发展，但随着网络深度的增加会出现网络退化问题，到了ResNet基本上已经无法理解其数学原理了，只知道增加了残差网络，降低深度网络学习退化问题

DenseNet是指密集卷积网络。它的优点主要包括有效缓解梯度消失、特征传递更加有效、计算量更小、参数量更小、性能比ResNet更好。关于图像分类的模型算法，热情也没了，到此也就告一段落了，后续再讨论一些新的话题。

VGGNet发布于 2014 年，该网络表明堆叠多个层是提升计算机视觉性能的关键因素。VGGNet 包含 11层或13层或16层 或 19 层，主要由小型的 3×3 卷积操作和 2×2 池化操作组成。较之前的AlexNet又有了一定的提升。

​AlexNet网络是CV领域最经典的网络结构之一了，在这之后，更多的更深的神经网络被提出，比如优秀的vgg,GoogLeNet。​AlexNet和LeNet的设计非常类似，但AlexNet的结构比LeNet规模更大，准确率也有所提升。

LeNet5是最早的卷积神经网络之一，这个网络虽然很小，但是它包含了深度学习的基本模块：卷积层，池化层，全连接层，是其他深度学习模型的基础。本文基于Pytorch构建LeNet网络对cifar-10进行分类，开始图像识别入门。

最近在搞一些基于PyQT的开发，开发过程中一直对PyQT相关模块、类、控件比较模糊，于是花了一些力气，去收集和整理了一下​PyQT的一些基础，希望对大家有帮助！

​随着功能越来越多，代码也越来越多，为了让这个标注原型工具有始有终，给他加了两个按钮，打开图片文件，保存标注文件，代码也到了解耦的时候了，这次一共涉及到三个python文件，其实还可以将UI和逻辑做进一步解耦，另外最后也懒了，并未最终完成。