Python 标准库——glob 模块 glob 是 Python 标准库中的一个模块，它提供了一种简单的方式来查找符合特定模式的文件路径。这个模块特别适用于在文件系统中搜索文件，它支持多种通配符： *：匹配任意数量（包括零个）的字符 ?：匹配任意单个字符 []：匹配指定范围内的字符，例如 [a-z] 匹配任意小写字母，[0-9] 匹配任意数字 [!...]：匹配不在指定范围内的字符 gl

Pytorch多GPU并行 ​ 在PyTorch中，多GPU并行确实可以分为数据并行（Data Parallelism）和模型并行（Model Parallelism），这两种并行策略针对不同的并行化需求 数据并行（Data Parallelism）： 数据并行是最常见的并行策略，它通过将数据集分割成多个小batch，然后在多个GPU上并行处理这些部分。每个GPU上运行相同的模型副本，独立地计

Segformer 论文详解： ​ 在SegFormer提出时，transformer已经开始在图像领域展露头角。在此之前，SETR最早将transformer结构引入到了语义分割任务中。SETR采用ViT作为backbone，并结合多个CNN decoder来放大特征分辨率。但是SETR具有两个局限性： 没有利用 multi-scale 特征 具有非常高的计算消耗 为了解决上述问题，pyr

Segformer 代码结构分析 MMSegmentation 算法库的整体框架 ​ MMSegmentation 是 OpenMMLab 开源的基于 PyTorch 实现的功能强大的语义分割工具箱，MMSegmentation 的主要特性如下： 丰富的语义分割模型： 已支持 11 种主干网络和 34 种算法，例如常用模型 FCN， PSPNet 和 DeepLabV3；Transforme

Python 进度条模块 ​ 过年水一篇 ​ Python 中有几个流行的进度条模块，它们可以帮助在执行长时间运行的任务时提供进度反馈。一些常用的进度条模块有 tqdm，progress，alive-pprogress，PySimpleGUI 等。本篇文章主要整理一下 tqdm 的使用方法： tqdm(range(i)) 使用： 123456import timefrom tqdm impor

Pytorch 的 hook 机制： 简介： 在PyTorch中，hook机制是一种强大的工具，它允许开发者在不修改模型原始结构的情况下，插入自定义函数来访问、记录或修改模型运行过程中的中间层输出（forward pass）和梯度（backward pass）。 具体来说，在torch.nn.Module及其包含的torch.Tensor对象上可以注册hook。通过调用.register_fo

图像分割评价指标 图像分割的（包括语义分割，实例分割，以及全景分割），它们的评价指标都是一样的。常用的图像分割指标有： 像素准确率（Pixel Accuracy，PA） 类别像素准确率（Class Pixel Accuray，CPA） 类别平均像素准确率（Mean Pixel Accuracy，MPA） 交并比（Intersection over Union，IoU） *平均交并比（Mean

Python魔术方法 ​ 在Python中，所有以双下划线__包起来的方法，统称为Magic Method（魔术方法），它是一种的特殊方法，普通方法需要调用，而魔术方法不需要调用就可以自动执行。 ​ 魔术方法在类或对象的某些事件出发后会自动执行，让类具有神奇的“魔力”。如果希望根据自己的程序定制自己特殊功能的类，那么就需要对这些方法进行重写。 ​ 魔术方法有上百种，只有很小的一部分我们才会使用，

Python装饰器用法： 闭包 ​ 首先要了解一个概念，闭包一句话说就是，在函数中再嵌套一个函数，并且引用外部函数的变量，这就是一个闭包了： 函数装饰器 ​ 装饰器就是一个闭包，装饰器是闭包的一种应用。python装饰器就是接受待装饰的函数的函数，用于拓展原来函数功能的一种函数（给函数加上装饰），这个函数的特殊之处在于它的返回值也是一个函数，使用python装饰器的好处就是在不用更改原函数的

F.grid_sample 计算细节 ​ 该采样函数的接口声明如下： 1torch.nn.functional.grid_sample(input, grid, mode=‘bilinear’, padding_mode=‘zeros’, align_corners=None) 函数内部先回将根据特征图 input 的大小将坐标规范化到 (−1,1)(-1, 1)(−1,1)，规范化坐标如下图所