Effective Python note(2) 类与继承： 尽量用辅助类来维护程序的状态，而不要用字典和元组 ​ 在Python编程中，当需要在程序中维护状态时，应该优先考虑使用自定义的辅助类（辅助类是指那些主要用于封装数据和行为的类），而不是依赖于内置的字典（dict）或元组（tuple）类型。这是因为随着程序的复杂性增加，使用字典和元组可能会导致代码难以理解和维护 主要考虑两点： 代

Effective Python note(1) Pythonic： PEP8 的一些重要规范： 每行字符数不超过79 长表达式换行时，首行后每行额外缩进4个空格 文件中函数与类间用两个空行分隔 同一类内各方法间用一个空行隔开 函数、变量及属性命名使用小写字母并以下划线相连，如 lowercase_underscore 受保护实例属性以单下划线开头，例如 _leading_undersco

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-grad-cam 特征可视化： 简介： Pytorch-grad-cam是一个用于PyTorch的库，它提供了多种类激活映射（Class Activation Mapping, CAM）方法，用于可视化卷积神经网络（CNN）的特征。这些方法可以帮助我们理解模型在进行预测时关注的输入图像的哪些区域。pytorch-grad-cam库支持多种CAM方法，包括但不限于： GradC

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