Python初学者指南:7天快速掌握

需积分: 3 2 下载量 166 浏览量 更新于2024-07-18 1 收藏 742KB PDF 举报
"《Palpable Python Beat It In 7 Days》是一本入门级的Python教程,适合初学者阅读。虽然书中的英语较为简单,但可能会影响阅读速度,不适合期望深度学习Python的读者。本书涵盖了Python的基础知识,包括Python解释器的使用、Python的基本数据类型如数字、字符串和列表,以及编程基础如条件语句、循环结构、函数定义等。此外,还涉及了数据结构如元组、集合、字典等,以及编码风格和匿名函数等进阶概念。" 这本书主要介绍了以下几个Python编程的关键知识点: 1. **Python解释器的使用**:讲解如何启动Python解释器,包括传递参数、交互模式的使用,以及解释器与环境的关系,特别是源代码的编码方式。 2. **基本运算**:用Python作为计算器,介绍数字的运算,同时引入了字符串的使用,包括字符串的性质和操作。 3. **列表**:详细讨论了列表这一重要的数据结构,包括列表的创建、修改、索引和切片操作,以及列表作为队列和栈的使用。 4. **编程基础**:深入讲解了条件语句(if语句)、循环结构(for和while循环),以及range()函数、break和continue语句在循环控制中的作用。还介绍了pass语句用于占位和定义无操作的代码块。 5. **函数**:详细介绍了如何定义函数,包括默认参数值、命名参数、可变参数列表,以及如何分离不同类型的参数列表。还提到了匿名函数(lambda函数)的使用,以及函数的文档字符串和注解。 6. **数据结构扩展**:对列表的补充,如列表推导式和嵌套列表推导式,增强了列表的使用灵活性。此外,还介绍了不可变序列——元组,无序且不重复的集合,以及键值对组成的字典,这些是Python中常用的数据结构。 7. **编码风格**:书中插入了一段关于Python编程风格的指导,这对于编写整洁易读的代码至关重要。 虽然这本书被评价为入门级,适合快速浏览,但对于完全的初学者来说,它仍然提供了一个初步了解Python语法和核心概念的框架。然而,要真正掌握Python编程,还需要更多的实践和深入学习其他更全面的教材。
2024-09-06 上传
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R