opencv findcontours原理,opencv findcontours用法

　　Pytorch——计算机视觉工具包：torchvision torchvision独立于Pytorch，必须通过pip安装。

　　火炬视觉有三个主要部分：

　　模型：为深度学习提供经典的网络结构和训练模式，包括Alex Net、VGG系列、ResNet系列、Inception系列等。数据集：提供常用数据集的阅读。所有设计都继承torch.utils.data.Dataset，主要有MMIST、CIFAR10/100、ImageNet、COCO等。Transforms:提供常用的数据预处理操作，主要包括处理张量和PIL图像对象。1.modelsfromtrochvisionmortmodelsfromtrochimortnn #加载预训练模型。如果不存在，net 34=models . resnet 34(pre-training=tr rained)num _ classes=1000(resnet 34 . fc=nn . linear)512，10) 2。datasetsfromtrochvisionimportdatasetsfromtovisionimportransformstransform=t.com pose([T . resize]224)224 * 224图像从图像的中心(T.ToTensor)，将# Image图像转换为张量，[0，1]1]T . normalize]mean=[0=[0，1]指定归一化为T . normalize()dataset=datasets . mnist)的均值和方差，download=True，train=False，transform=transform(len)。

　　4.make_grid和save_img torchvision还有两个常用的函数：make_grid，可以将多个图像合并成一个网格。

　　另一个是save_img，可以将张量保存为图像。

　　froorchvisionimportdatasetfromtorchvisionimporttransformatstransform=t.com pose([T . resize(224)，# image zoom) ii t.centercrop(224)最短边为224像素，从# image的中心转换为224 * 224 image T . ToTensor，并将# Image转换为张量，然后选择[0，1]1]T . normalize]mean 1)指定归一化均值和方差()(dataset=datasets.mnist)，download=True，train=False，transmission=transmission(transmissionutils。data import data loader data loader=data loader)数据加载器，shuffle=true(fromtorvision。utilmportMake _ grid，save _ image数据ITER=ITER(数据加载器)img=make_grid) save_image(img， a.png )。

　　5.可视化工具希望在训练神经网络时，能更直观地了解损耗曲线、输入图像、输出图像、卷积核的参数分布等训练情况。这些信息有助于更好地监控网络训练过程，为参数优化提供方向和依据。

　　最简单的方法是打印，但是有打印数字信息的功能，不直观，看不到分布，图像，声音等。

　　本节重点介绍深度学习中常用的可视化工具Tensorboard和visdom。

　　5.1.Tensorboard需要安装Tensorstream和Tensorboard_logger。

　　pip 3 installtensorboard _ logger python-mvisdom . server

　　张量板1.8.0at http://桌面-u3r9MCE :6006

　　3358台式机-u3r9MCE :6006

　　而TensorboardX是为Pytorch开发的。

　　5.2.VISDOM的使用参考：https:

　　//ptorch.com/news/77.html

　　1)使用方法概括为以下步骤：

　　1)安装visdom pip3的cmd命令行安装visdom

　　2) cmd命令行启动服务器python -m visdom.server

　　3)浏览器访问：http://本地主机：8097

　　4)构建要在Python编辑器中可视化的代码：

　　例如：

　　import visdo import numpy as NP import torch as tvis=visdom . visdom()import visdom #创建新连接client # specify env=utest1 ，默认端口为8097，Is localhost x=t.arange (1，30，0.01) y=t.sin (x) vis.line (x=x，y=y，win= sinx ，opts={title: y=sin (x)})

　　2)Visdom可视化接口Visdom支持以下API。可视化支持由Plotly提供。

　　可视化散点图：2D或三维散点图可视化线：折线图可视化系统：系统图可视化系统：热图可视化系统：条形图可视化系统：柱状图可视化系统：柱状图可视化系统：箱线图可视化系统：曲面图可视化系统：等高线图可视化系统。颤：画一个二维矢量场vis . image:picture vis . text:text vis . mesh:grid graph vis . save:serialization state这些API的确切输入类型是不同的，虽然大多数API的输入包括一个张量X(保存数据)和一个可选的张量Y(保存标签或时间戳)。的所有绘图函数都接收一个可选参数win，该参数用于在特定窗口上绘制图片。每个绘图函数也返回当前绘图的win。还可以指定将导出的图形添加到哪个env。

　　(这里的窗口是指前面提到的窗格)。

　　链接到这个部分：https://blog.csdn.net/u012436149/article/details/69389610

　　import visdo import numpy as NP import torch as t # vis=visdom . visdom()#创建新的连接client # specify env=utest1 ，默认端口是8097，Is host localhost vis=visdom . visdom(env=u test1 )x=t . arange(1，30，0.01) y=t.sin (x) vis.line (x=x，y=y，win= sinx ，Opts={title: y=sin(x)numpy ()) #可视化一个随机的彩色图片vis.image (t.randn (3，64，64)。numpy Win=random2)#可视化36个随机彩色图片，6个Vis。每行中的图像(T. randn (36，3，64，64)。Numpy()，nrow=6，win= random3 ，opts={title: random _ imgs ) #在范围(0，10)内追加ii的数据：# y=x x=t . tensor([ii])y=xvis . line(x=x，y=y，win= plural ，Update= append if ii0 elsenone)# Update trace添加新的一行x=t.orange (0，9，0.1)y=(x * * 2)/9vis . Update trace(x=x

　　让我们逐一分析这几行代码：

　　-vis=visdom。Visdom(env=utest1 )，用于构建客户端。除了指定env之外，客户端还可以指定主机和端口等参数。-vis作为一个客户端对象，可以使用常见的画图函数，包括：-line:类似于Matlab中的plot 操作，用来记录一些标量的变化，如损耗、精度等。-image:可视化图片，可以是输入图片，GAN生成的图片，也可以是卷积核的信息-text:用于记录日志等文本信息，支持html格式-histgram:可视化分布，主要查看数据和参数的分布情况-scatter:绘制散点图-bar:绘制直方图-pie:绘制饼图-更多操作请参考visdom的github主页。这里主要介绍深度学习中常见的线条、图像、文本操作。

Visdom同时支持PyTorch的tensor和Numpy的ndarray两种数据结构，但不支持Python的int、float等类型

每次传入时都需先将数据转成ndarray或tensor

　　Win:用于指定窗格的名称。如果没有指定，visdom将自动分配一个新的窗格。如果两个操作指定的win名称相同，新操作将覆盖当前窗格的内容，因此建议为每个操作重新指定win。Opts:选项，接收字典。常见选项包括title、xlabel、ylabel、width等。主要用于设置窗格的显示格式。如前所述，每一次操作都会覆盖之前的值，但往往我们需要在训练网络的过程中不断更新值，比如丢失的值。此时，我们需要指定参数update=append ,以避免覆盖之前的值。除了使用update参数，还可以使用vis.updateTrace方法来更新图形，但是updateTrace不仅可以添加独立于指定窗格上现有数据的跟踪，还可以像update=append 一样在同一跟踪上追加数据。

　　图像的绘制功能可以分为以下两类：图像接收2D或3D矢量，HWHW或3HW3HW，前者是黑白图像，后者是彩色图像。Images接收一个四维向量NCHWNCHW，CC可以是1也可以是3，分别代表黑白和彩色图像。可以实现类似torchvision中make_grid的功能，将多张图片拼接在一起。图像也可以接收二维或三维向量，其功能与图像一致。#想象一张随机的黑白图片与图像(t.randn (64，64))。numpy ()) #可视化一个随机的彩色图片vis.image (t.randn (3，64，64)。numpy()，win= random2) #可视化36张随机彩色图片，6 Vis。连续的图像(T. Randn (36，3，64，64)。Numpy()，nrow=6，win= random3 ，opts={title: random _ imgs})对比超深网DiracNet的ResNet: PyTorch实现：

　　https://blog . csdn . net/uwr 44 uouqcnsuqb 60 ZK 2/article/details/78536813