文羊羽

ISPRS-Vaihingen The Vaihingen dataset is for urban semantic segmentation used in the 2D Semantic Labeling Contest - Vaihingen. The dataset can be requested at the challenge homepage. You need to get a package file named Vaihingen.zip (size: 14.9 GB), and unzip this package to get a folder named Vaihingen which contains 14 files as follows: 123456789101112131415Vaihingen├── 3DLabeling├── ALS├── DSM├── Images├── Ortho├── Reference_3d_reconstruction├── Reference_object_detection├── dsm_09cm_matchin ...

函数的签名（Function Signature）指的是函数的参数列表，包括参数的名称、默认值、类型注解，以及参数的调用方式（位置参数、关键字参数等）。它决定了如何调用该函数。在 Python 中，可以使用 inspect.signature() 来获取函数的签名。 类的签名（Class Signature）指的是类的构造函数（__init__ 方法）的参数列表，包括参数的名称、默认值、类型注解等信息。它决定了如何实例化该类。在 Python 中，可以使用 inspect.signature() 来获取类的签名，即 __init__ 方法的参数信息。 1234567891011121314151617181920import inspectclass obj: def __init__(self, a, b, c): pass def func(a, b, c): passprint(func.__code__.co_varnames)# ('a', 'b', 'c')print(obj.__i ...

获取中间结果 利用 IntermediateLayerGetter 方法可以非常方便的获取中间结果，例如获取 resnet 的中间结果——features，这一点很有用，因为很多模型都会使用 resnet 作为 backbone 来提取 features。 123456789101112131415161718192021import torchfrom torchvision.models import resnet18from torchvision.models._utils import IntermediateLayerGetterinput = torch.rand(size=(1, 3, 224, 224))model = resnet18()output = model(input)print(output.shape)# torch.Size([1, 1000])'''extract layer1, layer2, layer3 and layer4, giving as names feat1, feat2, feat3 and fea ...

简介 在 Python 中，参数传递方式有两种主要形式：位置参数和关键字参数。通过使用包裹传递（packing）和解包传递（unpacking），可以灵活地处理任意数量的参数。 单星号 * 单星号 * 用于处理位置参数的打包和解包。 单星号打包 单星号 * 打包会将多个位置参数打包成一个 tuple 对象 123456def sum_all(*args): print(f"{args = }, {type(args) = }") return sum(args)result = sum_all(1, 2, 3, 4)# args = (1, 2, 3, 4), type(args) = <class 'tuple'> 单星号解包 单星号 * 解包用于将一个可迭代对象解包为位置参数 123456def add(a, b, c): return a + b + cdata = [1, 2, 3]print(*data) # 1 2 3result = add(*data) # add(1, 2 ...

Panoptic FPN 整体结构图 参考实现 FPN 部分 这一部分的代码是参考 FPN-Semantic-segmentation | github 这个仓库 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113114115116117118119120121122123124125126127128129130131132133134135136137138139140141142143'''Panoptic FPN in PyTorch.See the paper "Panoptic Feature Pyramid Network ...

参考 pytorch vision resnet resnet.py | pytorch github 借助 torch hub 可以直接借助 torch hub pytorch vision resnet 来加载预训练的 resnet。 12345678import torchmodel = torch.hub.load('pytorch/vision:v0.10.0', 'resnet18', pretrained=True)'''or any of these variants'''# model = torch.hub.load('pytorch/vision:v0.10.0', 'resnet34', pretrained=True)# model = torch.hub.load('pytorch/vision:v0.10.0', 'resnet50', pretrained=True)# mod ...

参考 SwinTransformer | pytorch docs swin_transformer.py | pytorch github 借助 torch hub 可以直接借助 torch hub pytorch vision resnet 来加载预训练的 resnet。 1234567891011import torchfrom torchvision.models import swin_t, Swin_T_Weightsfrom torchvision.models._utils import IntermediateLayerGetterinput = torch.rand(size=(1, 3, 224, 224))model = swin_t(weights=Swin_T_Weights.IMAGENET1K_V1)# for name, child in model.named_children():# print(name)output = model(input)print(output.shape)# torch.Size([1, 1000]) swin_ ...

Transforms torchvision | pytorch doc{target="_blank"} Transforming and augmenting images | pytorch doc{target="_blank"} Demo 使用 PIL 来读取图片得到的是 PIL Image 类型的数据，需要通过一些方法将 PIL Image 转换成 torch tensor 数据。此外，通过 PILToImage()、ToImage() 和 ToTensor() 这些方法转换 ann 单通道图像得到的 tensor 的 shape 会是 [1, H, W] 而不是需要的 [H, W]。 图像分割任务中，使用 CrossEntropyLoss() 需要输入的 target 数据为单通道的 12345678910111213141516171819202122232425262728293031import torchfrom torchvision.transforms import v2from PIL import Imagep ...

torch.utils.data torch.utils.data | Torch Docs torch.utils.data.Dataset torch.utils.data.Dataset | Torch Docs 自建数据集 所有的自建数据集都需要继承Dataset这个类, 并且重写__getitem__()方法 123456789101112131415161718192021222324252627import torchfrom torch.utils.data import Dataset#构建一个自定义数据集的类,继承Dataset类class CustomDataset(Dataset): def __init__(self, input, target): self.input, self.target = input, target def __getitem__(self, index): return self.input[index], self.target[index] def __len__(self): ...

Document Input and Output - formatted-string-literals | python docs Python format 格式化函数 | 菜鸟教程 使用 f-strings f-strings 是 Python 从 3.6 版本开始引入的一种字符串格式化方式，其全称为“格式化字符串字面量”。f-strings 使用更加简洁的语法，并且具有更高的可读性和性能。 f-strings 的语法使得可以直接在字符串中使用 {} 嵌入变量和python表达式，并允许在 : 后添加格式化字符说明。 123name, age, height = "zhang", 18, 1.7print(f"My name is {name}, I'm {age} years old and {height:.2f} meter tall.")# My name is zhang, I'm 18 years old and 1.70 me ...