COCO 数据集的数据集：COCO 数据集的介绍、下载、使用的详细策略 - COCO 数据集的使用方法

推荐阅读

• [PyTorch 与深度学习] 4、PyTorch 的数据集和数据加载器详细使用教程

• [简要介绍用于机器学习的 sklearn 基础知识】 - 💫3.划分数据集

• 正负偏差变量 即 d2+、d2- 分别表示决策值中超出和未达到目标值的部分。而 di+、di- 均大于 0 刚性约束和目标约束（柔性目标约束有偏差） 在多目标规划中，>=/<= 在刚性约束中保持不变。当需要将约束条件转换为柔性约束条件时，需要将 >=/<= 更改为 =（因为已经有 d2+、d2- 用来表示正负偏差），并附加上 (+dii-di+) 注意这里是 +di、-di+！之所以是 +di，-di+，是因为需要将目标还原为最接近的原始刚性约束条件 优先级因素和权重因素 对多个目标进行优先排序和优先排序 目标规划的目标函数 是所有偏差变量的加权和。值得注意的是，这个加权和都取最小值。而 di+ 和 dii- 并不一定要出现在每个不同的需求层次中。具体分析需要具体问题具体分析 下面是一个例子： 题目中说设备 B 既要求充分利用，又要求尽可能不加班，那么列出的时间计量表达式即为：min z = P3 (d3- + d3 +) 使用 + 而不是 -d3 + 的原因是：正负偏差不可能同时存在，必须有 di+di=0 （因为判定值不可能同时大于目标值和小于目标值），而前面是 min，所以只要取 + 并让 di+ 和 dii- 都为正值即可。因此，得出以下规则： 最后，给出示例和相应的解法： 问题：某企业生产 A 和 B 两种产品，需要使用 A、B、C 三种设备。下表显示了与工时和设备使用限制有关的产品利润率。问该企业应如何组织生产以实现下列目标？ (1) 力争利润目标不低于 1 500 美元； (2) 考虑到市场需求，A、B 两种产品的生产比例应尽量保持在 1：2； (3）设备 A 是贵重设备，严禁超时使用； (4）设备 C 可以适当加班，但要控制；设备 B 要求充分利用，但尽量不加班。 从重要性来看，设备 B 的重要性是设备 C 的三倍。 建立相应的目标规划模型并求解。 解：设企业生产 A、B 两种产品的件数分别为 x1、x2，并建立相应的目标计划模型： 以下为顺序求解法，利用 LINGO 求解： 1 级目标： 模型。 设置。 variable/1..2/:x;! s_con_num/1...4/:g,dplus,dminus;！所需软约束数量（g=dplus=dminus 数量）及相关参数； s_con(s_con_num);！ s_con(s_con_num,variable):c;！软约束系数； 结束集 数据。 g=1500 0 16 15. c=200 300 2 -1 4 0 0 5; 结束数据 min=dminus(1);！第一个目标函数；！对应于 min=z 的第一小部分；！ 2*x(1)+2*x(2)<12;!硬约束 @for(s_con_num(i):@sum(variable(j):c(i,j)*x(j))+dminus(i)-dplus(i)=g(i)); ！使用设置完成的数据构建软约束表达式； ！ !软约束表达式 @for(variable:@gin(x)); ！将变量约束为整数； ! 结束 此时，第一级目标的最优值为 0，第一级偏差为 0： 第二级目标： !求 dminus(1)=0，然后求解第二级目标。 模型。 设置。 变量/1..2/:x;！设置：变量/1..2/:x; ！ s_con_num/1...4/:g,dplus,dminus;！软约束数量及相关参数； s_con(s_con_num(s_con_num));！ s_con(s_con_num,variable):c;! 软约束系数; s_con(s_con_num,variable):c;！ 结束集 数据。 g=1500 0 16 15; c=200 300 2 -1 4 0 0 5; 结束数据 min=dminus(2)+dplus(2);！第二个目标函数 2*x(1)+2*x(2)<12;!硬约束 @for(s_con_num(i):@sum(variable(j):c(i,j)*x(j))+dminus(i)-dplus(i)=g(i)); ！ 软约束表达式；！ dminus(1)=0; ！第一个目标结果 @for(variable:@gin(x)); ！ 结束 此时，第二个目标的最优值为 0，偏差为 0： 第三目标 !求 dminus(2)=0，然后求解第三个目标。 模型。 设置。 变量/1..2/:x;！设置：变量/1..2/:x; ！ s_con_num/1...4/:g,dplus,dminus;！软约束数量及相关参数； s_con(s_con_num(s_con_num));！ s_con(s_con_num,variable):c;! 软约束系数; s_con(s_con_num,variable):c;！ 结束集 数据。 g=1500 0 16 15; c=200 300 2 -1 4 0 0 5; 结束数据 min=3*dminus(3)+3*dplus(3)+dminus(4);！第三个目标函数。 2*x(1)+2*x(2)<12;!硬约束 @for(s_con_num(i):@sum(variable(j):c(i,j)*x(j))+dminus(i)-dplus(i)=g(i)); ！ 软约束表达式；！ dminus(1)=0; ！第一个目标约束条件； ！ dminus(2)+dplus(2)=0; ！第二个目标约束条件 @for(variable:@gin(x));！ 结束 最终结果为 x1=2，x2=4，dplus(1)=100，最优利润为

• caffe 随附说明（八）--使用 caffe 训练 FCN 的 pascalcontext-fcn32s 模型（pascal-context 数据集）

• [姿势估计] 实践记录：使用 Dlib 和 mediapipe 进行人脸姿势估计 - 本文重点介绍方法 2）：方法 1：基于深度学习的方法：。 基于深度学习的方法：基于深度学习的方法利用深度学习模型，如卷积神经网络（CNN）或递归神经网络（RNN），直接从人脸图像中学习姿势估计。这些方法能够学习更复杂的特征表征，并在大规模数据集上取得优异的性能。方法二：基于二维校准信息估计三维姿态信息（计算机视觉 PnP 问题）。 特征点定位：人脸姿态估计的第一步是通过特征点定位来检测和定位人脸的关键点，如眼睛、鼻子和嘴巴。这些关键点提供了人脸的局部结构信息，可用于后续的姿势估计。 旋转表示：常见的旋转表示方法包括欧拉角和旋转矩阵。欧拉角通过三个旋转角度（通常是俯仰、偏航和滚动）描述头部的旋转姿态。旋转矩阵是一个 3x3 矩阵，表示头部从一个坐标系到另一个坐标系的变换。 三维模型重建：根据特征点的定位结果，三维人脸模型可用于姿势估计。通过将人脸的二维图像映射到三维模型上，可以估算出人脸的旋转和平移信息。这就需要建立人脸的三维模型，然后通过优化方法将模型与特征点对齐，从而获得姿势估计结果。 特征点定位 特征点定位是用于检测人脸关键部位的五官基础部分，还有其他更多的特征点表示方法，大家可以参考我上一篇文章中介绍的特征点检测方案实践：人脸校正二次定位操作来解决人脸校正的问题，客户在检测关键点的代码上略有修改，坐标转换部分客户见上图 def get_face_info(image). img_copy = image.copy image.flags.writeable = False image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = face_detection.process(image) # 在图像上绘制人脸检测注释。 image.flags.writeable = True image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) box_info, facial = None, None if results.detections： for detection in results. for detection in results.detections: mp_drawing.Drawing.detection = 无 mp_drawing.draw_detection(image, detection) 面部 = detection.location_data.relative_keypoints 返回面部 在上述代码中，返回的数据是五官（6 个关键点的坐标），这是用 mediapipe 库实现的，下面我们可以尝试用另一个库：dlib 来实现。 使用 dlib 使用 Dlib 库在 Python 中实现人脸关键点检测的步骤如下： 确保已安装 Dlib 库，可使用以下命令： pip install dlib 导入必要的库： 加载 Dlib 的人脸检测器和关键点检测器模型： 读取图像并将其灰度化： 使用人脸检测器检测图像中的人脸： 对检测到的人脸进行遍历，并使用关键点检测器检测人脸关键点： 显示绘制了关键点的图像： 以下代码将参数 landmarks_part 添加到要返回的关键点坐标中。

• STB 数据集的使用

• 计算嵌套数据集的优势介绍 - 4.3 数据集的使用

• NeurIPS 2022 | 首个标有详细解释的多模态科学问答数据集，利用思维链的深度学习模型推理 (1)

• NeurIPS 2022 | 首个标有详细解释的多模态科学问答数据集，利用思维链进行深度学习模型推理 (2)

• FE 的 ML：在国内平台上使用 [数据分析 + 数据处理] 算法对上海 2020 年 6 月房价数据集 [12+1] 进行特征工程处理（史上最全，建议收藏） - 附录