yolov5train.py参数解析

时间: 2023-06-10 17:04:17 浏览: 64
Yolov5train.py 是一个用于训练 YOLOv5 模型的 Python 脚本。该脚本使用 argparse 库来创建一个命令行界面,以便用户可以灵活地指定模型的训练参数。Yolov5train.py 可以解析以下参数: 1. --img-size: 图像大小,用于调整训练图像的宽和高(默认值为640)。 2. --batch-size: 批处理大小,用于设置模型的每个批次的输入大小(默认为16)。 3. --epochs: 训练的轮数,表示要对数据集进行多少次迭代(默认为300)。 4. --data: 训练数据的位置路径,包括 train.txt 和 test.txt 文件(默认值为./data/coco128.yaml)。 5. --cfg: YOLOv5 模型的配置文件路径(默认为yolov5s.yaml)。 6. --weights: 预训练权重路径(默认为COCO 预训练权重)。 7. --cache-images: 是否缓存图像以及对应的处理结果(可选参数)。 8. --device: 使用的设备类型(可选参数,默认为cuda)。 9. --name: 训练过程中的实验名称(可选参数,默认为'exp')。 10. --bucket: 可选云端存储桶(可选参数)。 11. --hyp: 超参的配置文件路径(可选参数,默认为data/hyp.finetune.yaml)。 12. --rect: 是否使用矩形数据增强方式(可选参数)。 13. --resume: 是否从先前的检查点继续训练模型(可选参数)。 14. --project: 项目路径,用于指定日志/权重保存位置(可选参数)。 注意:以上参数并非全部,具体参数可参考脚本中的代码。

相关推荐

引用\[1\]:前一篇博客已经对yolov5的一些前期准备和训练参数进行了整理,本篇博客将详细解读项目中的train.py内容,以帮助大家学习。\[1\]引用\[3\]:本文主要对ultralytics\yolov5的训练代码train.py的解析,对于yolov5的训练代码train.py的解析,以下注释与解析都是适用的。\[3\] 问题: yolov5 train.py6.0详解 回答: 对于yolov5的train.py代码的详细解析,可以参考前面提到的博客中的内容。在train.py中,主要包括了训练函数train()的实现以及一些相关的参数设置和功能。train()函数是用来进行模型的训练的核心函数,其中包括了数据加载、模型初始化、优化器设置、损失函数定义、训练循环等步骤。通过对train.py代码的解析,可以更好地理解yolov5的训练过程和相关的实现细节。\[1\]\[3\] #### 引用[.reference_title] - *1* *2* [yolov5代码解读--train.py](https://blog.csdn.net/weixin_43337201/article/details/109389044)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [YOLOV5训练代码train.py注释与解析](https://blog.csdn.net/Q1u1NG/article/details/107463417)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
### 回答1: yolov5 plots.py代码解析 yolov5 plots.py是YOLOv5的一个可视化工具,用于绘制训练过程中的损失函数、学习率、精度等指标的变化曲线。下面是对该代码的简要解析: 1. 导入必要的库 python import matplotlib.pyplot as plt import numpy as np 2. 定义绘图函数 python def plot_results(save_dir='runs/train', show=False): ... 该函数接受一个参数save_dir,表示保存训练结果的目录。如果show为True,则会在绘制完成后显示图像。 3. 读取训练结果 python results = np.load(f'{save_dir}/results.npy', allow_pickle=True) 该代码读取保存在save_dir目录下的results.npy文件,该文件包含了训练过程中的各种指标的变化情况。 4. 绘制损失函数曲线 python plt.plot(results[..., :2], linewidth=4) plt.xlabel('Batch') plt.ylabel('Loss') plt.legend(['Train', 'Val']) 该代码绘制了训练集和验证集的损失函数曲线,其中results[..., :2]表示取出results数组中的前两列数据,即训练集和验证集的损失函数值。 5. 绘制学习率曲线 python plt.plot(results[..., 2], linewidth=4) plt.xlabel('Batch') plt.ylabel('Learning rate') 该代码绘制了学习率的变化曲线,其中results[..., 2]表示取出results数组中的第三列数据,即学习率的值。 6. 绘制精度曲线 python plt.plot(results[..., 3:5], linewidth=4) plt.xlabel('Batch') plt.ylabel('Accuracy') plt.legend(['Train', 'Val']) 该代码绘制了训练集和验证集的精度曲线,其中results[..., 3:5]表示取出results数组中的第四列和第五列数据,即训练集和验证集的精度值。 7. 显示图像 python if show: plt.show() 如果show为True,则会在绘制完成后显示图像。 以上就是yolov5 plots.py代码的简要解析。 ### 回答2: YOLOv5是一个流行的目标检测框架,它具有高效、准确以及易于使用等优点。其中,plots.py是YOLOv5框架中的一个可视化模块,它可以绘制训练过程中的损失函数曲线、精度曲线和PR曲线等。下面,我将对plots.py代码进行分析。 首先,plots.py中引用了matplotlib库,这个库用于创建各种图表,包括直方图、饼图、条形图、折线图和散点图等。同时,代码还使用了numpy库来进行数值计算和数组处理。 接下来,代码中定义了一个绘制曲线的函数plot_results,该函数包含几个参数,包括results文件夹路径、保存图像的文件名、包含训练和验证结果的txt文件路径、训练和验证的epoch数目、标签信息等。这个函数具有非常好的灵活性,可以很方便地适应不同的数据集和模型。 然后,代码中定义了一个函数load_results,用于读取保存结果的txt文件,并将其转换为numpy数组格式。该函数返回结果数组和元信息信息(类别标签、数据集名称等)。 在绘制曲线的过程中,代码通过matplotlib的subplot模块将三个曲线绘制在同一个图表中。首先,绘制了训练和验证的loss曲线;然后,绘制了训练和验证的accuracy曲线;最后,绘制了precision-recall曲线。 需要注意的是,plots.py文件中的代码并不是一个完整的Python程序,而是一个函数集合,只有在与其他YOLOv5程序集成时才能够被调用。如果想要使用plots.py中的可视化功能,需要将该函数集成到YOLOv5的源代码中,并在训练和验证过程中调用相应的函数。 ### 回答3: YOLOv5是一个目标检测算法,而其中的plots.py代码是用于绘制检测结果的脚本。本文将对该代码进行详细的解析。 1. 导入所需要的库 python import os import os.path as osp import matplotlib.pyplot as plt from matplotlib.colors import hsv_to_rgb from PIL import Image, ExifTags import numpy as np import torch 其中,os,os.path以及PIL库用于读取图片,matplotlib.pyplot用于绘制图像,而numpy和torch库则分别用于图像和网络的处理。 2. 定义绘制函数 python def plot_one_box(x, img, color=None, label=None, line_thickness=None): """绘制检测结果框""" tl = line_thickness or round(0.002 * max(img.shape[0:2])) + 1 # line thickness c1, c2 = tuple(x[:2].astype(int)), tuple(x[2:4].astype(int)) cv2.rectangle(img, c1, c2, color, thickness=tl, lineType=cv2.LINE_AA) if label: tf = max(tl - 1, 1) # 字体厚度 t_size = cv2.getTextSize(label, 0, fontScale=tl / 3, thickness=tf)[0] c2 = c1[0] + t_size[0], c1[1] - t_size[1] - 3 cv2.rectangle(img, c1, c2, color, -1, cv2.LINE_AA) # filled # 写入标签文字 text_color = [255, 255, 255] cv2.putText(img, label, (c1[0], c1[1] - 2), 0, tl / 3, text_color, thickness=tf, lineType=cv2.LINE_AA) 该函数有五个参数: - x: 检测结果框的坐标。形式为[xmin, ymin, xmax, ymax]。 - img: 要绘制的图像。 - color: 检测结果框线条颜色。默认为None,表示随机生成颜色。 - label: 检测结果的标签。默认为None,表示不绘制标签文字。 - line_thickness: 检测结果框线条的厚度。默认为None,表示根据图片大小自动设置。 该函数首先根据传入的参数绘制检测结果框,并根据标签值计算标签框的大小和位置,最后在标签框内部写入标签文字。 3. 定义绘制函数 python def plot_results(img, results, names, classes, colors, line_thickness=None): """绘制检测结果""" # 获取图像长、宽、通道数 img_h, img_w, _ = img.shape # 获取侦测结果 for res in results.pred: if res is not None and len(res): # 提取结果框信息 det_cls = res[:, -1].astype(np.int32) det_conf = res[:, -2] det_bboxes = res[:, :-2].reshape(-1, 4) # 遍历计算并绘制结果框 for cls, bbox, conf in zip(det_cls, det_bboxes, det_conf): cls_name = classes[int(cls)] label = None if names else (cls_name + ' %.2f' % conf) color = colors[int(cls)] if colors is not None else None plot_one_box(bbox, img, color=color, label=label, line_thickness=line_thickness) 该函数有五个参数: - img: 要绘制的图像。 - results: 检测结果,包含侦测框、类别和置信度信息。 - names: 标签名称列表。 - classes: 类别名称列表。 - colors: 其它类别对应的颜色。 该函数根据传入的检测结果结果框信息,遍历计算并绘制所有的检测结果框。对于每个框,都可以根据它的类别、边框位置和置信度参数计算它的标签和颜色,并最终绘制该框到原始图像中。 4. 定义程序入口 python def main(): # 加载检测结果和图像 img = cv2.imread(opt.img, cv2.IMREAD_COLOR) results = torch.load(opt.result, map_location='cpu') # 在绘图上显示检测结果 plot_results(img, results, opt.names, opt.classes, opt.colors) plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)) # 保存绘制结果 if opt.save_path: plt.savefig(opt.save_path) else: plt.show() 该函数定义了程序的入口。程序首先根据传入的参数读取待绘制的检测结果和图像。然后,将检测结果绘制到图像上,并显示图像。最后根据save_path参数,决定是将图像保存到指定路径,还是直接显示在屏幕上。 综上所述,plots.py代码主要包含绘制检测结果框和绘制检测结果两个函数,以及程序入口main()函数。通过这些函数,我们可以方便地将YOLOv5检测算法的检测结果可视化并进行保存或显示。
yolov7train.py 是使用 YOLOv7 算法进行目标检测的训练脚本。下面对 yolov7train.py 的主要代码进行简单的解释: 1. 导入相关库 python import argparse import yaml import time import torch from torch.utils.data import DataLoader from torchvision import datasets from models.yolov7 import Model from utils.datasets import ImageFolder from utils.general import ( check_img_size, non_max_suppression, apply_classifier, scale_coords, xyxy2xywh, plot_one_box, strip_optimizer, set_logging) from utils.torch_utils import ( select_device, time_synchronized, load_classifier, model_info) 这里导入了 argparse 用于解析命令行参数,yaml 用于解析配置文件,time 用于记录时间,torch 用于神经网络训练,DataLoader 用于读取数据集,datasets 和 ImageFolder 用于加载数据集,Model 用于定义 YOLOv7 模型,各种工具函数用于辅助训练。 2. 定义命令行参数 python parser = argparse.ArgumentParser() parser.add_argument('--data', type=str, default='data.yaml', help='dataset.yaml path') parser.add_argument('--hyp', type=str, default='hyp.yaml', help='hyperparameters path') parser.add_argument('--epochs', type=int, default=300) parser.add_argument('--batch-size', type=int, default=16, help='total batch size for all GPUs') parser.add_argument('--img-size', nargs='+', type=int, default=[640, 640], help='[train, test] image sizes') parser.add_argument('--rect', action='store_true', help='rectangular training') parser.add_argument('--resume', nargs='?', const='yolov7.pt', default=False, help='resume most recent training') parser.add_argument('--nosave', action='store_true', help='only save final checkpoint') parser.add_argument('--notest', action='store_true', help='only test final epoch') parser.add_argument('--evolve', action='store_true', help='evolve hyperparameters') parser.add_argument('--bucket', type=str, default='', help='gsutil bucket') opt = parser.parse_args() 这里定义了许多命令行参数,包括数据集路径、超参数路径、训练轮数、批量大小、图片大小、是否使用矩形训练、是否从最近的检查点恢复训练、是否只保存最终的检查点、是否只测试最终的模型、是否进行超参数进化、gsutil 存储桶等。 3. 加载数据集 python with open(opt.data) as f: data_dict = yaml.load(f, Loader=yaml.FullLoader) train_path = data_dict['train'] test_path = data_dict['test'] num_classes = data_dict['nc'] names = data_dict['names'] train_dataset = ImageFolder(train_path, img_size=opt.img_size[0], rect=opt.rect) test_dataset = ImageFolder(test_path, img_size=opt.img_size[1], rect=True) batch_size = opt.batch_size train_dataloader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True, num_workers=8, pin_memory=True, collate_fn=train_dataset.collate_fn) test_dataloader = DataLoader(test_dataset, batch_size=batch_size * 2, num_workers=8, pin_memory=True, collate_fn=test_dataset.collate_fn) 这里读取了数据集的配置文件,包括训练集、测试集、类别数和类别名称等信息。然后使用 ImageFolder 加载数据集,设置图片大小和是否使用矩形训练。最后使用 DataLoader 加载数据集,并设置批量大小、是否 shuffle、是否使用 pin_memory 等参数。 4. 定义 YOLOv7 模型 python model = Model(opt.hyp, num_classes, opt.img_size) model.nc = num_classes device = select_device(opt.device, batch_size=batch_size) model.to(device).train() criterion = model.loss optimizer = torch.optim.SGD(model.parameters(), lr=hyp['lr0'], momentum=hyp['momentum'], weight_decay=hyp['weight_decay']) scheduler = torch.optim.lr_scheduler.CosineAnnealingWarmRestarts(optimizer, T_0=1, T_mult=2) start_epoch = 0 best_fitness = 0.0 这里使用 Model 类定义了 YOLOv7 模型,并将其放到指定设备上进行训练。使用交叉熵损失函数作为模型的损失函数,使用 SGD 优化器进行训练,并使用余弦退火学习率调整策略。定义了起始轮数、最佳精度等变量。 5. 开始训练 python for epoch in range(start_epoch, opt.epochs): model.train() mloss = torch.zeros(4).to(device) # mean losses for i, (imgs, targets, paths, _) in enumerate(train_dataloader): ni = i + len(train_dataloader) * epoch # number integrated batches (since train start) imgs = imgs.to(device) targets = targets.to(device) loss, _, _ = model(imgs, targets) loss.backward() optimizer.step() optimizer.zero_grad() mloss = (mloss * i + loss.detach().cpu()) / (i + 1) # update mean losses # Print batch results if ni % 20 == 0: print(f'Epoch {epoch}/{opt.epochs - 1}, Batch {i}/{len(train_dataloader) - 1}, lr={optimizer.param_groups[0]["lr"]:.6f}, loss={mloss[0]:.4f}') # Update scheduler scheduler.step() # Update Best fitness with torch.no_grad(): fitness = model_fitness(model) if fitness > best_fitness: best_fitness = fitness # Save checkpoint if (not opt.nosave) or (epoch == opt.epochs - 1): ckpt = { 'epoch': epoch, 'best_fitness': best_fitness, 'state_dict': model.state_dict(), 'optimizer': optimizer.state_dict() } torch.save(ckpt, f'checkpoints/yolov7_epoch{epoch}.pt') # Test if not opt.notest: t = time_synchronized() model.eval() for j, (imgs, targets, paths, shapes) in enumerate(test_dataloader): if j == 0: pred = model(imgs.to(device)) pred = non_max_suppression(pred, conf_thres=0.001, iou_thres=0.6) else: break t1 = time_synchronized() if isinstance(pred, int) or isinstance(pred, tuple): print(f'Epoch {epoch}/{opt.epochs - 1}, test_loss={mloss[0]:.4f}, test_mAP={0.0}') else: pred = pred[0].cpu() iou_thres = 0.5 niou = [iou_thres] * num_classes ap, p, r = ap_per_class(pred, targets, shapes, iou_thres=niou) mp, mr, map50, f1, _, _ = stats(ap, p, r, gt=targets) print(f'Epoch {epoch}/{opt.epochs - 1}, test_loss={mloss[0]:.4f}, test_mAP={map50:.2f} ({mr*100:.1f}/{mp*100:.1f})') # Plot images if epoch == 0 and j == 0: for i, det in enumerate(pred): # detections per image img = cv2.imread(paths[i]) # BGR img = plot_results(img, det, class_names=names) cv2.imwrite(f'runs/test{i}.jpg', img) if i == 3: break 这里进行了多个 epoch 的训练。在每个 epoch 中,对于每个批量的数据,先将数据移动到指定设备上,然后计算模型的损失函数,并进行反向传播和梯度下降。在每个 epoch 结束时,更新学习率调整策略和最佳精度,保存当前的检查点。如果 opt.notest 为 False,则进行测试,并输出测试结果。最后,如果是第一个 epoch,则绘制部分图像用于可视化。
train.py是YOLOv5中的训练脚本,主要用于训练模型。以下是train.py的主要分析: 1. 导入必要的库和模块,包括torch、numpy、argparse、yaml、time等。 2. 定义了一系列的函数,如get_latest_run()、check_dataset()、check_img_size()、check_git_status()、check_requirements()等,这些函数用于检查模型训练需要的各种条件是否满足,如检查最新的运行目录、检查数据集、检查图片大小、检查git状态等。 3. 定义了一个类YOLOv5Trainer,该类继承了torch.nn.Module类,用于定义模型。该类中的大部分方法和属性都是和模型训练相关的,如train()方法用于训练模型,get_lr()方法用于获取当前的学习率等。 4. 定义了一个函数train(hyp, data_cfg, cfg, weights, device),该函数用于训练模型。该函数首先会使用check_requirements()函数检查模型训练需要的各种条件是否满足,然后加载模型配置文件、数据集配置文件和超参数配置文件等。接着,使用YOLOv5Trainer类定义模型,并根据权重文件初始化模型参数。然后,使用torch.utils.data.DataLoader读取数据集,并使用torch.optim.Adam优化器进行模型训练。在训练过程中,会记录训练损失、验证损失、学习率、训练时间等信息,并将其保存到日志文件中。最后,保存训练好的模型参数文件。 5. 定义了一个main()函数,该函数使用argparse模块解析命令行参数,并调用train()函数进行模型训练。如果模型训练成功,则输出训练结束的提示信息。 总之,train.py脚本主要用于训练YOLOv5模型,其中包括加载数据集、定义模型、设置超参数、设置优化器、训练模型、记录训练日志、保存模型参数等步骤。
train.py是YOLOv5项目中的一个关键文件,用于训练模型。在train.py中,有几个重要的函数和配置信息。 首先是parse_opt函数,该函数用于解析命令行参数,包括模型的配置文件、数据集的路径、训练参数等等。\[3\] 接下来是main函数,该函数用于打印关键词和安装环境,判断是否进行断点训练和分布式训练,以及是否进行进化训练/遗传算法调参。\[3\] train函数是训练模型的核心函数,其中包含了一系列的配置信息和操作。首先是基本配置信息,包括模型的选择、损失函数的选择、训练的epoch数等等。然后是模型的加载和断点训练的设置,可以从之前的训练中继续训练模型。接着是冻结训练和冻结层设置,可以选择是否冻结部分层进行训练。还有图片大小和batch size的设置,以及优化器的选择和分组优化设置。此外,还包括学习率的设置、指数移动平均(EMA)的使用、归一化和单机多卡训练的配置。数据加载和anchor调整也是train函数中的一部分。最后,train函数包括了训练的配置,如多尺度训练和热身训练,以及训练结束后的打印信息和结果保存。\[3\] 除了上述函数外,还有run函数用于运行整个训练过程。全部代码都有详细的注释和使用教程,方便用户理解和使用。\[3\] 综上所述,train.py是YOLOv5项目中用于训练模型的关键文件,其中包含了各种配置信息和函数,用于控制训练过程和保存结果。\[3\] #### 引用[.reference_title] - *1* *2* [yolov5代码解读--train.py](https://blog.csdn.net/weixin_43337201/article/details/109389044)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [yolov5——train.py代码【注释、详解、使用教程】](https://blog.csdn.net/CharmsLUO/article/details/123542598)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
yolov5的训练过程主要由train.py脚本文件完成。train.py首先会读取配置文件,包括训练参数和模型结构的设置。接下来,在run()函数中,train.py解析命令行参数,加载模型和数据集,并开始进行训练。具体来说,train.py的功能包括读取配置文件、构建模型结构、数据加载和预处理、训练和验证过程以及模型保存和日志输出。 在读取配置文件方面,train.py使用argparse库读取配置文件中的训练参数,如batch_size、epoch、learning_rate等,以及模型配置文件和权重文件的路径。 构建模型结构方面,train.py定义了create_model函数,根据模型配置文件中的参数构建模型结构。在构建模型结构时,train.py会加载预训练的权重文件,如果没有预训练的权重文件,则会随机初始化权重。 数据加载和预处理方面,train.py定义了create_dataloader函数,用于加载训练数据和测试数据,并对其进行预处理。预处理过程包括图像尺寸调整、图像增强、标签转换等操作。 训练和验证过程方面,train.py定义了train函数,用于进行模型的训练和验证。训练过程中,train.py对训练数据进行多次迭代,每个迭代周期称为一个epoch。在每个epoch结束时,train.py会对模型在验证集上的表现进行评估,并输出相应的指标,如平均精度(mAP)、召回率(recall)等。 模型保存和日志输出方面,train.py会定期保存训练过程中得到的最佳模型权重,并将训练和验证过程中的各种指标输出到日志文件中。在训练结束后,train.py还会输出最终的测试指标,并保存最终的模型权重文件。

3 main(opt) 4 File ".\train.py", line 529, in main 5 train(opt.hyp, opt, device, callbacks) 6 File ".\train.py", line 112, in train 7 data_dict = data_dict or check_dataset(data) # check if None 8 File "F:\yolov5\yolov5-master\utils\general.py", line 518, in check_dataset 9 data = yaml_load(data) # dictionary 10 File "F:\yolov5\yolov5-master\utils\general.py", line 603, in yaml_load 11 return yaml.safe_load(f) 12 File "D:\minconda\envs\demo_py3.8\lib\site-packages\yaml\__init__.py", line 125, in safe_load 13 return load(stream, SafeLoader) 14 File "D:\minconda\envs\demo_py3.8\lib\site-packages\yaml\__init__.py", line 81, in load 15 return loader.get_single_data() 16 File "D:\minconda\envs\demo_py3.8\lib\site-packages\yaml\constructor.py", line 49, in get_single_data 17 node = self.get_single_node() 18 File "D:\minconda\envs\demo_py3.8\lib\site-packages\yaml\composer.py", line 36, in get_single_node 19 document = self.compose_document() 20 File "D:\minconda\envs\demo_py3.8\lib\site-packages\yaml\composer.py", line 55, in compose_document 21 node = self.compose_node(None, None) 22 File "D:\minconda\envs\demo_py3.8\lib\site-packages\yaml\composer.py", line 84, in compose_node 23 node = self.compose_mapping_node(anchor) 24 File "D:\minconda\envs\demo_py3.8\lib\site-packages\yaml\composer.py", line 127, in compose_mapping_node 25 while not self.check_event(MappingEndEvent): 26 File "D:\minconda\envs\demo_py3.8\lib\site-packages\yaml\parser.py", line 98, in check_event 27 self.current_event = self.state() 28 File "D:\minconda\envs\demo_py3.8\lib\site-packages\yaml\parser.py", line 428, in parse_block_mapping_key 29 if self.check_token(KeyToken): 30 File "D:\minconda\envs\demo_py3.8\lib\site-packages\yaml\scanner.py", line 115, in check_token 31 while self.need_more_tokens(): 32 File "D:\minconda\envs\demo_py3.8\lib\site-packages\yaml\scanner.py", line 152, in need_more_tokens 33 self.stale_possible_simple_keys() 34 File "D:\minconda\envs\demo_py3.8\lib\site-packages\yaml\scanner.py", line 291, in stale_possible_simple_keys 35 raise ScannerError("while scanning a simple key", key.mark, 36 yaml.scanner.ScannerError: while scanning a simple key 37 in ".\data\coco_chv.yaml", line 18, column 1 38 could not find expected ':' 39 in ".\data\coco_chv.yaml", line 22, column 1

最新推荐

输入输出方法及常用的接口电路资料PPT学习教案.pptx

输入输出方法及常用的接口电路资料PPT学习教案.pptx

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire

Office 365常规运维操作简介

# 1. Office 365概述 ## 1.1 Office 365简介 Office 365是由微软提供的云端应用服务,为用户提供办公软件和生产力工具的订阅服务。用户可以通过互联网在任何设备上使用Office应用程序,并享受文件存储、邮件服务、在线会议等功能。 ## 1.2 Office 365的优势 - **灵活性**:用户可以根据实际需求选择不同的订阅计划,灵活扩展或缩减服务。 - **便捷性**:无需安装繁琐的软件,随时随地通过互联网访问Office应用程序和文件。 - **协作性**:多人可同时编辑文档、实时共享文件,提高团队协作效率。 - **安全性**:微软提供安全可靠

如何查看linux上安装的mysql的账号和密码

你可以通过以下步骤查看 Linux 上安装的 MySQL 的账号和密码: 1. 进入 MySQL 安装目录,一般是 /usr/local/mysql/bin。 2. 使用以下命令登录 MySQL: ``` ./mysql -u root -p ``` 其中,-u 表示要使用的用户名,这里使用的是 root;-p 表示需要输入密码才能登录。 3. 输入密码并登录。 4. 进入 MySQL 的信息库(mysql): ``` use mysql; ``` 5. 查看 MySQL 中的用户表(user): ``` se

最新电力电容器及其配套设备行业安全生产设备设施及隐患排查治理.docx

2021年 各行业安全生产教育培训

"互动学习:行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动,互动学习以行动为中心的强化学习学会互动,互动学习,以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授:智囊团论文联合主任菲利普·普雷教授,大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授,Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士,Deepmind对于那些及时看到自己错误的人...3谢谢你首先,我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔,"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲,你知道在这篇论文的(许多)错误中,你是我可以依

5G新空口技术:NR(New Radio)简介

# 1. 5G技术概述 ## 1.1 5G技术的发展历程 5G技术作为第五代移动通信技术,经历了从需求提出、标准制定到商用推广的漫长历程。早在2012年,各国就开始探讨5G技术的发展和应用,随后在2015年ITU正式确定5G技术的三项技术指标:高速率、低时延和大连接。在2019年,全球开始迎来了5G商用的浪潮,5G技术从理论研究逐步走向实际应用。 ## 1.2 5G技术的应用场景和优势 5G技术以其高速率、大容量和低时延的特点,为诸多行业带来了革命性的变革。在工业领域,通过5G技术的应用,可以实现工业自动化、智能制造等场景;在医疗领域,5G技术可以支持远程手术、远程诊断等应用;在智能交通领

python使用music21库解析midi格式文件后,将解析到的pitch音符整体升、降调怎么做?

在music21库中,可以使用transpose()方法来对音符进行升降调。具体来说,可以先解析MIDI文件,然后获取所有的音符对象,并将它们传入transpose()方法中,同时指定升降调的半音数。例如,将所有音符整体升一个半音可以使用以下代码: ```python from music21 import * # 解析MIDI文件 midi = converter.parse('example.mid') # 获取所有的音符对象 notes = midi.flat.notes # 将所有音符整体升一个半音 notes.transpose(1, inPlace=True) # 保存修

第3章概率、概率分布与抽样分布.pptx

第3章概率、概率分布与抽样分布.pptx

关系数据表示学习

关系数据卢多维奇·多斯桑托斯引用此版本:卢多维奇·多斯桑托斯。关系数据的表示学习机器学习[cs.LG]。皮埃尔和玛丽·居里大学-巴黎第六大学,2017年。英语。NNT:2017PA066480。电话:01803188HAL ID:电话:01803188https://theses.hal.science/tel-01803188提交日期:2018年HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaireUNIVERSITY PIERRE和 MARIE CURIE计算机科学、电信和电子学博士学院(巴黎)巴黎6号计算机科学实验室D八角形T HESIS关系数据表示学习作者:Ludovic DOS SAntos主管:Patrick GALLINARI联合主管:本杰明·P·伊沃瓦斯基为满足计算机科学博士学位的要求而提交的论文评审团成员:先生蒂埃里·A·退休记者先生尤尼斯·B·恩