camvid数据集介绍_语义分割的数据集
背景
语义分割指的是把图像中的每个像素都划分到某一个类别上。
实现算法上，有传统时代的grab cut、ML时代的TextonForest、DL时代的FCN 、SegNet 、Dilated Convolutions 、DeepLab (v1 & v2)、RefineNet 、PSPNet 、Large Kernel Matters 、DeepLab v3等。当然了，现在是DL碾压的时代。
本文描述了DL时代的一些语义分割的数据集，由gemfield团队整理。
数据集
Stanford Background Dataset
该数据集包含从现有公共数据集中选择的715个图像，具有大约320×240像素，包含label种类：天空，树，道路，草，水，建筑物，山脉和前景物体。对于各类object的图像数，官网无描述？几百张左右。
Sift Flow Dataset
包含2688张图片，33个labels。
Awning（棚） balcony（阳台） bird（鸟） boat（船） bridge（桥）Building（建筑） bus（公交车） car（轿车） cow（牛） crosswalk（人行横道）Desert（沙漠） door（门） fence（篱笆） field grass（草地）Moon mountain person plant（植物） pole（杆）River（河） road rock（岩石） sand（沙） sea（海）Sidewalk（人行道） sign sky（天空） staircase（楼梯） streetlight（路灯）Sun tree window
目测每一类都有百张左右，官网无描述？
Barcelona Dataset
building road sidewalk tree sky car wall person motorbike grass ground sea stand stair plant boat window bus door central rese bridge van fence trash crosswalk field sign umbrella bicycle truck sculpture poster balcony pole awning curb streetlight traffic light water column path head box blind bench bird handrail windshield wheel mountain parkingmete table text floor chair flag firehydrant pot lamp brand name roof dog headlight license plate bag tail light tower manhole paper air condition pipe chimney light face clock picture glass mirror leaf phone knob airplane animal apple basket bed book bookshelf bottle bowl branch brushes cabinet candle carpet cat ceiling cheetah closet cloud coffeemach cone counter top cpu crocodile cup curtain cushion deer dishwasher drawer duck elephant eye faucet fish flower foliage fork fridge frog furniture goat hand hippo jar keyboard knife land landscape laptop leopard lion lizard magazine mouse mousepad mug napkin object orange outlet painting pen pillow plate pumpkin river rock sand screen shelf sink snake snow socket sofa speaker spoon stove sun switch teapot television tiger towel vase wire worktop zebra
官网对每一类object的数量没有描述？
Coco数据集
COCO是一种大规模的物体检测，分割和字幕数据集。
330K张图片（>200K被标注） 150万个对象实例 80个object类别 91个stuff类别
MSRC Dataset （Microsoft Research in Cambridge）
MSRC Dataset V1：240个图像，可识别9个object class
Building grass tree cow horse sheep sky mountain aeroplane Water face car bicycle
请注意，在这个数据集中，没有足够的训练区域来学习马，水，山和绵羊的合理模型。
MSRC Dataset V2：591个图像，可识别23个object class：
Building grass tree cow horse sheep sky mountain Aeroplane water face car bicycle flower sign bird Book chair road cat dog body boat Horse和mountain样例不够，不建议考虑使用
LITS Liver Tumor Segmentation Dataset
医学上的，肝肿瘤
KITTI
自动驾驶场景下的计算机视觉算法评测数据集
原始数据集被分类为’Road’, ’City’, ’Residential’, ’Campus’ 和 ’Person’。
PASCAL-Context
训练和验证集包含10,103张图像，测试集包含9,637张图像。与PASCAL VOC类别一样
共有400+ 个labels.个类别的的实例数见：https://cs.stanford.edu/~roozbeh/pascal-context/
Data from Games Database
数据集由24966个密集标记的框架组成，分为10个部分以方便使用。 类标签与CamVid和CityScapes数据集兼容。
HumanParsing-Dataset（人解析）
Background hat hair sunglass upper-clothes Skirt pants。。。
Multi-HumanParsing-Dataset V2包含25403张图片，每张图片上至少有两个人。
除background外，一共有58个类别。
官网上有对所有58个类别的例举：https://lv-mhp.github.io/dataset
LIP（Look Into Person）
LIP数据集中的人体图像是从microsoft coco训练集和验证集中裁剪的。定义了19个人体部件或衣服标签，它们是帽子、头发、太阳镜、上衣、衣服、外套、袜子、裤子、手套、围巾、裙子、连体裤、脸、右臂、左臂、右腿、左腿、右脚、右脚鞋、左鞋，以及背景标签。数据集中共有50462张图像，其中包括19081张全身图像、13672张上身图像、403张下身图像、3386张头部丢失的图像、2778张后视图图像和21028张有遮挡的图像。
Mapillary Vistas Dataset（远景数据集）
25,000个高分辨率图像（分为18,000个用于训练，2,000个用于验证，5,000个用于测试）
152个物体类别，100个特定于实例的注释类别。一个多样化的街道级图像数据集，具有像素精确和特定于实例的人类注释，用于理解世界各地的街景。
Microsoft AirSim
自动驾驶平台
MIT Scene Parsing Benchmark
MIT场景解析基准（SceneParse150）为场景解析算法提供标准的训练和评估平台。 该基准测试的数据来自ADE20K数据集。
COCO 2017 Stuff Segmentation Challenge
COCO 2017 图像分割挑战赛
ADE20K
训练集：20210张 验证集：2000张
含有天空，水，草地。官网上列出了所有实例数超过250的objects：http://groups.csail.mit.edu/vision/datasets/ADE20K/
INRIA Annotations for Graz-02
用于分割person，car and bike，每一类的图片数量参考官网。
Daimler dataset
Daimler Pedestrian Benchmark Data Sets
用于分析行人行为的数据集
ISBI Challenge: Segmentation of neuronal structures in EM stacks
EM图像中的神经元结构分割
INRIA Annotations for Graz-02 (IG02)
用于分割person，car and bike，同INRIA Annotations for Graz-02
Pratheepan Dataset
human skin detection dataset 人类皮肤检测
FacePhoto：Total Images = 32
FamilyPhoto：Total Images = 46
Clothing Co-Parsing (CCP) Dataset
分割（clothes）衣服
2,098张高分辨率街头时尚照片，共59个标签
Inria Aerial Image
航空影像图的分割
这些图像涵盖了不同的城市定居点，从人口密集的地区（例如旧金山的金融区）到高山城镇（例如，奥地利蒂罗尔的利恩茨），是对航拍图片中建筑物的分割。
ApolloScape
百度提供的场景解析数据集
开放数据集累计提供146,997帧图像数据，包含像素级标注和姿态信息，以及对应静态背景深度图像下载。
含有sky，共有34种objects
官网上有对所有object的详细描述：http://apolloscape.auto/scene.html
UrbanMapper3D
使用卫星图像和最近可用的3D高度数据产品来改进自动化建筑物检测的最新技术水平。
卫星图像中对建筑的分割，用于某比赛。
RoadDetector
卫星图形中对道路网络的分割，用于某比赛。
数据集读取
语义分割的数据标注格式主要有以下几种：
1，COCO的RLE或者polygon(这个其实是实例分割，主要是COCO太重要了，所以列在这里）
可以参考：COCO数据集的标注格式
2，png格式
png格式比较复杂，主流的代表有3种：P模式、grayscale模式、RGB模式；
2.1 P模式
Pascal VOC使用的是PIL的P模式，使用P模式将png图片读入：
>>> 其像素值正是0-20这21个类别，此外物体周围还有像素值为255的白色边缘。
P模式指的是palette模式，也就是调色板模式，也可以说是index模式；这种模式下，图片每个像素上存放的是index索引值，通常情况下对应的就是数据集的分类的index；但是这个index终归是要在调色板中进行索引啊，那么调色板信息在哪里呢？是的，调色板信息可以看成是一个数组，它就在png图片的header后面（在png图片的前面部分）：
#gemfield.png是P模式的图片
#该文件中的调色板信息是没有手工指定，是PIL库默认初始化的
gemfield@ai:/bigdata/gemfield$ hexdump gemfield.png
0000000 5089 474e 0a0d 0a1a 0000 0d00 4849 5244
0000010 0000 0001 0000 0001 0308 0000 6b00 58ac
#从这一行的0045中的00开始，进入调色板数组区域，每3字节一组颜色->
0000020 0054 0300 5000 544c 0045 0000 0101 0201
0000030 0202 0303 0403 0404 0505 0605 0606 0707
0000040 0807 0808 0909 0a09 0a0a 0b0b 0c0b 0c0c
0000050 0d0d 0e0d 0e0e 0f0f 100f 1010 1111 1211
0000060 1212 1313 1413 1414 1515 1615 1616 1717
0000070 1817 1818 1919 1a19 1a1a 1b1b 1c1b 1c1c
0000080 1d1d 1e1d 1e1e 1f1f 201f 2020 2121 2221
0000090 2222 2323 2423 2424 2525 2625 2626 2727
00000a0 2827 2828 2929 2a29 2a2a 2b2b 2c2b 2c2c
00000b0 2d2d 2e2d 2e2e 2f2f 302f 3030 3131 3231
00000c0 3232 3333 3433 3434 3535 3635 3636 3737
00000d0 3837 3838 3939 3a39 3a3a 3b3b 3c3b 3c3c
00000e0 3d3d 3e3d 3e3e 3f3f 403f 4040 4141 4241
00000f0 4242 4343 4443 4444 4545 4645 4646 4747
0000100 4847 4848 4949 4a49 4a4a 4b4b 4c4b 4c4c
0000110 4d4d 4e4d 4e4e 4f4f 504f 5050 5151 5251
0000120 5252 5353 5453 5454 5555 5655 5656 5757
0000130 5857 5858 5959 5a59 5a5a 5b5b 5c5b 5c5c
0000140 5d5d 5e5d 5e5e 5f5f 605f 6060 6161 6261
0000150 6262 6363 6463 6464 6565 6665 6666 6767
0000160 6867 6868 6969 6a69 6a6a 6b6b 6c6b 6c6c
0000170 6d6d 6e6d 6e6e 6f6f 706f 7070 7171 7271
0000180 7272 7373 7473 7474 7575 7675 7676 7777
0000190 7877 7878 7979 7a79 7a7a 7b7b 7c7b 7c7c
00001a0 7d7d 7e7d 7e7e 7f7f 807f 8080 8181 8281
00001b0 8282 8383 8483 8484 8585 8685 8686 8787
00001c0 8887 8888 8989 8a89 8a8a 8b8b 8c8b 8c8c
00001d0 8d8d 8e8d 8e8e 8f8f 908f 9090 9191 9291
00001e0 9292 9393 9493 9494 9595 9695 9696 9797
00001f0 9897 9898 9999 9a99 9a9a 9b9b 9c9b 9c9c
0000200 9d9d 9e9d 9e9e 9f9f a09f a0a0 a1a1 a2a1
0000210 a2a2 a3a3 a4a3 a4a4 a5a5 a6a5 a6a6 a7a7
0000220 a8a7 a8a8 a9a9 aaa9 aaaa abab acab acac
0000230 adad aead aeae afaf b0af b0b0 b1b1 b2b1
0000240 b2b2 b3b3 b4b3 b4b4 b5b5 b6b5 b6b6 b7b7
0000250 b8b7 b8b8 b9b9 bab9 baba bbbb bcbb bcbc
0000260 bdbd bebd bebe bfbf c0bf c0c0 c1c1 c2c1
0000270 c2c2 c3c3 c4c3 c4c4 c5c5 c6c5 c6c6 c7c7
0000280 c8c7 c8c8 c9c9 cac9 caca cbcb cccb cccc
0000290 cdcd cecd cece cfcf d0cf d0d0 d1d1 d2d1
00002a0 d2d2 d3d3 d4d3 d4d4 d5d5 d6d5 d6d6 d7d7
00002b0 d8d7 d8d8 d9d9 dad9 dada dbdb dcdb dcdc
00002c0 dddd dedd dede dfdf e0df e0e0 e1e1 e2e1
00002d0 e2e2 e3e3 e4e3 e4e4 e5e5 e6e5 e6e6 e7e7
00002e0 e8e7 e8e8 e9e9 eae9 eaea ebeb eceb ecec
00002f0 eded eeed eeee efef f0ef f0f0 f1f1 f2f1
0000300 f2f2 f3f3 f4f3 f4f4 f5f5 f6f5 f6f6 f7f7
0000310 f8f7 f8f8 f9f9 faf9 fafa fbfb fcfb fcfc
0000320 fdfd fefd fefe ffff e2ff 5db0 007d 0200
#从上面一行的ff结束调色板数组区域。。。
......如果要自己使用PIL库写P模式的图片的话，需要注入调色板信息，否则图片格式虽然对，但是显示的时候则不会有你期望的色彩；使用下面的方式注入调色板信息：
>>> from PIL import Image
>>> im = Image.open('gemfield.png')
>>> p = [0, 0, 0, 128, 0, 0, 0, 128, 0, 128, 128, 0, 0, 0, 128, 128, 0, 128, 0,
128, 128, 128, 128, 128, 64, 0, 0, 192, 0, 0, 64, 128, 0, 192, 128, 0, 64, 0, 128,192, 0, 128, 64, 128, 128, 192, 128, 128, 0, 64, 0, 128, 64, 0, 0, 192, 0, 128,
192, 0, 0, 64, 128, 128, 64, 128, 0, 192, 128, 128, 192, 128, 64, 64, 0, 192, 64,
0, 64, 192, 0, 192, 192, 0, 64, 64, 128, 192, 64, 128, 64, 192, 128, 192, 192, 128,
0, 0, 64, 128, 0, 64, 0, 128, 64, 128, 128, 64, 0, 0, 192, 128, 0, 192, 0, 128, 192,
128, 128, 192, 64, 0, 64, 192, 0, 64, 64, 128, 64, 192, 128, 64, 64, 0, 192, 192, 0,
192, 64, 128, 192, 192, 128, 192, 0, 64, 64, 128, 64, 64, 0, 192, 64, 128, 192, 64, 0,
64, 192, 128, 64, 192, 0, 192, 192, 128, 192, 192, 64, 64, 64, 192, 64, 64, 64, 192,64, 192, 192, 64, 64, 64, 192, 192, 64, 192, 64, 192, 192, 192, 192, 192, 32, 0, 0,
160, 0, 0, 32, 128, 0, 160, 128, 0, 32, 0, 128, 160, 0, 128, 32, 128, 128, 160, 128,
128, 96, 0, 0, 224, 0, 0, 96, 128, 0, 224, 128, 0, 96, 0, 128, 224, 0, 128, 96, 128,
128, 224, 128, 128, 32, 64, 0, 160, 64, 0, 32, 192, 0, 160, 192, 0, 32, 64, 128, 160,
64, 128, 32, 192, 128, 160, 192, 128, 96, 64, 0, 224, 64, 0, 96, 192, 0, 224, 192, 0,
96, 64, 128, 224, 64, 128, 96, 192, 128, 224, 192, 128, 32, 0, 64, 160, 0, 64, 32, 128,
64, 160, 128, 64, 32, 0, 192, 160, 0, 192, 32, 128, 192, 160, 128, 192, 96, 0, 64, 224,0, 64, 96, 128, 64, 224, 128, 64, 96, 0, 192, 224, 0, 192, 96, 128, 192, 224, 128, 192,
32, 64, 64, 160, 64, 64, 32, 192, 64, 160, 192, 64, 32, 64, 192, 160, 64, 192, 32, 192,
192, 160, 192, 192, 96, 64, 64, 224, 64, 64, 96, 192, 64, 224, 192, 64, 96, 64, 192, 224,
64, 192, 96, 192, 192, 224, 192, 192, 0, 32, 0, 128, 32, 0, 0, 160, 0, 128, 160, 0, 0, 32,
128, 128, 32, 128, 0, 160, 128, 128, 160, 128, 64, 32, 0, 192, 32, 0, 64, 160, 0, 192, 160,
0, 64, 32, 128, 192, 32, 128, 64, 160, 128, 192, 160, 128, 0, 96, 0, 128, 96, 0, 0, 224, 0,
128, 224, 0, 0, 96, 128, 128, 96, 128, 0, 224, 128, 128, 224, 128, 64, 96, 0, 192, 96, 0, 64,
224, 0, 192, 224, 0, 64, 96, 128, 192, 96, 128, 64, 224, 128, 192, 224, 128, 0, 32, 64, 128,
32, 64, 0, 160, 64, 128, 160, 64, 0, 32, 192, 128, 32, 192, 0, 160, 192, 128, 160, 192, 64,
32, 64, 192, 32, 64, 64, 160, 64, 192, 160, 64, 64, 32, 192, 192, 32, 192, 64, 160, 192, 192,
160, 192, 0, 96, 64, 128, 96, 64, 0, 224, 64, 128, 224, 64, 0, 96, 192, 128, 96, 192, 0, 224,
192, 128, 224, 192, 64, 96, 64, 192, 96, 64, 64, 224, 64, 192, 224, 64, 64, 96, 192, 192, 96,
192, 64, 224, 192, 192, 224, 192, 32, 32, 0, 160, 32, 0, 32, 160, 0, 160, 160, 0, 32, 32, 128,
160, 32, 128, 32, 160, 128, 160, 160, 128, 96, 32, 0, 224, 32, 0, 96, 160, 0, 224, 160, 0, 96,
32, 128, 224, 32, 128, 96, 160, 128, 224, 160, 128, 32, 96, 0, 160, 96, 0, 32, 224, 0, 160, 224,
0, 32, 96, 128, 160, 96, 128, 32, 224, 128, 160, 224, 128, 96, 96, 0, 224, 96, 0, 96, 224, 0,
224, 224, 0, 96, 96, 128, 224, 96, 128, 96, 224, 128, 224, 224, 128, 32, 32, 64, 160, 32, 64,
32, 160, 64, 160, 160, 64, 32, 32, 192, 160, 32, 192, 32, 160, 192, 160, 160, 192, 96, 32, 64,
224, 32, 64, 96, 160, 64, 224, 160, 64, 96, 32, 192, 224, 32, 192, 96, 160, 192, 224, 160, 192,
32, 96, 64, 160, 96, 64, 32, 224, 64, 160, 224, 64, 32, 96, 192, 160, 96, 192, 32, 224, 192,
160, 224, 192, 96, 96, 64, 224, 96, 64, 96, 224, 64, 224, 224, 64, 96, 96, 192, 224, 96, 192,
96, 224, 192, 224, 224, 192]
>>>
>>> im.putpalette(p)因此，P模式的图片用图片软件打开直接可以看，对人类是友好的。
2.2 RGB模式
ADE20K数据集的label也是png格式，但它是RGB模式。RGB模式相当于在每个对应的像素上直接存放的就是RGB的数值（可能会在RGB中选2个通道作为语义分割的分类，选1个通道作为实例分割的区分），需要转换成Pascal VOC的格式才能对接主流的项目，或者更改项目的dataloader来对接这个数据集。
看看file命令的输出也会意识到这一点：
gemfield@ai:/bigdata2/dataset/ADE20K/ADE20K_2016_07_26/images/training/s/sky$ file ADE_train_00016353_seg.png
ADE_train_00016353_seg.png: PNG image data, 450 x 450, 8-bit/color RGB, non-interlacedgemfield@ai:/bigdata/gemfield/dataset/VOCdevkit/VOC2012/SegmentationClass$ file 2009_000421.png
2009_000421.png: PNG image data, 500 x 375, 8-bit colormap, non-interlaced2.3 grayscale模式
ADEChallengeData2016的数据集就使用的是这种模式，这种模式其实就是披着png的外衣，格式等同于下面的txt格式或者mat文件格式。
3，txt格式
这种格式很直截了当，比方说一个图片为256x256，则txt里有256行256列，这个256x256的二维矩阵的每一个元素的值一般是0到N，N为分类数，表示对应的图片中的那个像素属于哪一个分类；
4，mat文件格式
这种格式是matlab数据存储的格式，可以使用http://scipy.io来读取：
import scipy.io#mat is python dict type
mat = scipy.io.loadmat('tallbuilding_urban1210.mat')>>> for k in mat:
... print(k)
...
S
__version__
names
__header__
__globals__
>>>
>>>
>>> mat['S'].shape
(256, 256)
>>>
>>> mat['names'].shape
(1, 33)
>>>
>>> for i in mat['names'][0]:
... print(i)
...
[u'awning']
[u'balcony']
[u'bird']
[u'boat']
[u'bridge']
[u'building']
[u'bus']
[u'car']
[u'cow']
[u'crosswalk']
[u'desert']
[u'door']
[u'fence']
[u'field']
[u'grass']
[u'moon']
[u'mountain']
[u'person']
[u'plant']
[u'pole']
[u'river']
[u'road']
[u'rock']
[u'sand']
[u'sea']
[u'sidewalk']
[u'sign']
[u'sky']
[u'staircase']
[u'streetlight']
[u'sun']
[u'tree']
[u'window']一些算法实现
semantic-segmentation-pytorch
#clone project
gemfield@skyweb:/home/gemfield/github/# git clone https://github.com/CSAILVision/semantic-segmentation-pytorch#下载ADE20K数据集
bash download_ADE20K.sh#训练，注意，这个项目必须使用multi gpus，否则你会遇到错误
gemfield@skyweb:/home/gemfield/github/semantic-segmentation-pytorch# python3 train.py --num_gpus 4
Input arguments:
weights_decoder
padding_constant 8
list_val ./data/validation.odgt
beta1 0.9
arch_decoder ppm_deepsup
lr_decoder 0.02
ckpt ./ckpt
weight_decay 0.0001
lr_pow 0.9
num_epoch 20
fc_dim 2048
start_epoch 1
fix_bn 0
num_gpus 4
imgMaxSize 1000
lr_encoder 0.02
segm_downsampling_rate 8
disp_iter 20
arch_encoder resnet50dilated
id baseline
epoch_iters 5000
deep_sup_scale 0.4
list_train ./data/train.odgt
num_class 150
root_dataset ./data/
random_flip True
workers 16
optim SGD
batch_size_per_gpu 2
seed 304
weights_encoder
imgSize [300, 375, 450, 525, 600]
Model ID: baseline-resnet50dilated-ppm_deepsup-ngpus4-batchSize8-imgMaxSize1000-paddingConst8-segmDownsampleRate8-LR_encoder0.02-LR_decoder0.02-epoch20
# samples: 20210
1 Epoch = 5000 iters
Unexpected end of /proc/mounts line `overlay / overlay rw,relatime,lowerdir=/var/lib/docker/overlay2/l/EPUCJ5YS56B2EIAKRB2OI23DJG:/var/lib/docker/overlay2/l/TK4HNZFB37R2PI3DSOZM27QO5P:/var/lib/docker/overlay2/l/UECUDJLPQV56GEPBM27IKIB7U7:/var/lib/docker/overlay2/l/BYP3KOMKF7QGPGQYTKRULQMXAH:/var/lib/docker/overlay2/l/FBDDOYNOYKM5KZXKPUNHQHRYVP:/var/lib/docker/overlay2/l/O74KLIBSE27UBEH3X2H2R3PBAF:/var/lib/docker/overlay2/l/DWJLNVVRB6HLSYXIQMBRTAAQME:/var/lib/docker/overlay2/l/K3KZPWVDCX22Q5VFEDSOK4AC2Y:/var/lib/docker/overlay2/l/7ZNOVGJUVFTG4'
Epoch: [1][0/5000], Time: 13.54, Data: 0.22, lr_encoder: 0.020000, lr_decoder: 0.020000, Accuracy: 0.29, Loss: 7.914350Epoch: [1][20/5000], Time: 3.69, Data: 0.12, lr_encoder: 0.019997, lr_decoder: 0.019997, Accuracy: 31.99, Loss: 5.207924
Epoch: [1][40/5000], Time: 3.20, Data: 0.11, lr_encoder: 0.019993, lr_decoder: 0.019993, Accuracy: 36.15, Loss: 4.550761
Epoch: [1][60/5000], Time: 3.04, Data: 0.11, lr_encoder: 0.019989, lr_decoder: 0.019989, Accuracy: 38.60, Loss: 4.246425
Epoch: [1][80/5000], Time: 2.99, Data: 0.11, lr_encoder: 0.019986, lr_decoder: 0.019986, Accuracy: 39.35, Loss: 4.115996
Epoch: [1][100/5000], Time: 2.99, Data: 0.11, lr_encoder: 0.019982, lr_decoder: 0.019982, Accuracy: 40.71, Loss: 4.001512
Epoch: [1][120/5000], Time: 2.98, Data: 0.11, lr_encoder: 0.019979, lr_decoder: 0.019979, Accuracy: 41.31, Loss: 3.917756
Epoch: [1][140/5000], Time: 2.98, Data: 0.11, lr_encoder: 0.019975, lr_decoder: 0.019975, Accuracy: 42.46, Loss: 3.801038
Epoch: [1][160/5000], Time: 2.99, Data: 0.11, lr_encoder: 0.019971, lr_decoder: 0.019971, Accuracy: 43.28, Loss: 3.724424
......
Epoch: [1][420/5000], Time: 2.96, Data: 0.11, lr_encoder: 0.019925, lr_decoder: 0.019925, Accuracy: 48.41, Loss: 3.239377
Epoch: [1][440/5000], Time: 2.97, Data: 0.11, lr_encoder: 0.019921, lr_decoder: 0.019921, Accuracy: 48.91, Loss: 3.205016
......
Epoch: [1][1000/5000], Time: 2.97, Data: 0.11, lr_encoder: 0.019820, lr_decoder: 0.019820, Accuracy: 54.68, Loss: 2.774183
Epoch: [1][1020/5000], Time: 2.97, Data: 0.11, lr_encoder: 0.019816, lr_decoder: 0.019816, Accuracy: 54.75, Loss: 2.769125
Epoch: [1][1040/5000], Time: 2.97, Data: 0.11, lr_encoder: 0.019813, lr_decoder: 0.019813, Accuracy: 54.94, Loss: 2.756475
......
Epoch: [1][3380/5000], Time: 2.95, Data: 0.11, lr_encoder: 0.019391, lr_decoder: 0.019391, Accuracy: 61.36, Loss: 2.276570
Epoch: [1][3400/5000], Time: 2.95, Data: 0.11, lr_encoder: 0.019387, lr_decoder: 0.019387, Accuracy: 61.39, Loss: 2.274549
Epoch: [1][3420/5000], Time: 2.95, Data: 0.11, lr_encoder: 0.019384, lr_decoder: 0.019384, Accuracy: 61.43, Loss: 2.272028
Epoch: [1][3440/5000], Time: 2.95, Data: 0.11, lr_encoder: 0.019380, lr_decoder: 0.019380, Accuracy: 61.48, Loss: 2.269013
......
Epoch: [1][4900/5000], Time: 2.94, Data: 0.11, lr_encoder: 0.019116, lr_decoder: 0.019116, Accuracy: 63.73, Loss: 2.119519
Epoch: [1][4920/5000], Time: 2.94, Data: 0.11, lr_encoder: 0.019112, lr_decoder: 0.019112, Accuracy: 63.75, Loss: 2.118082
Epoch: [1][4940/5000], Time: 2.94, Data: 0.11, lr_encoder: 0.019109, lr_decoder: 0.019109, Accuracy: 63.78, Loss: 2.116459
Epoch: [1][4960/5000], Time: 2.94, Data: 0.11, lr_encoder: 0.019105, lr_decoder: 0.019105, Accuracy: 63.78, Loss: 2.116231
Epoch: [1][4980/5000], Time: 2.94, Data: 0.11, lr_encoder: 0.019102, lr_decoder: 0.019102, Accuracy: 63.80, Loss: 2.114727
Saving checkpoints...
Epoch: [2][0/5000], Time: 1.43, Data: 0.00, lr_encoder: 0.019098, lr_decoder: 0.019098, Accuracy: 55.89, Loss: 2.537975
Epoch: [2][20/5000], Time: 2.84, Data: 0.10, lr_encoder: 0.019094, lr_decoder: 0.019094, Accuracy: 69.77, Loss: 1.727590
Epoch: [2][40/5000], Time: 2.88, Data: 0.10, lr_encoder: 0.019091, lr_decoder: 0.019091, Accuracy: 68.81, Loss: 1.786401
Epoch: [2][60/5000], Time: 2.95, Data: 0.10, lr_encoder: 0.019087, lr_decoder: 0.019087, Accuracy: 68.45, Loss: 1.799721
......
Epoch: [2][1360/5000], Time: 2.97, Data: 0.11, lr_encoder: 0.018852, lr_decoder: 0.018852, Accuracy: 70.75, Loss: 1.662803
Epoch: [2][1380/5000], Time: 2.97, Data: 0.11, lr_encoder: 0.018848, lr_decoder: 0.018848, Accuracy: 70.74, Loss: 1.662384
Epoch: [2][1400/5000], Time: 2.97, Data: 0.11, lr_encoder: 0.018844, lr_decoder: 0.018844, Accuracy: 70.74, Loss: 1.661786
Epoch: [2][1420/5000], Time: 2.97, Data: 0.11, lr_encoder: 0.018841, lr_decoder: 0.018841, Accuracy: 70.77, Loss: 1.659776
Epoch: [2][1440/5000], Time: 2.97, Data: 0.11, lr_encoder: 0.018837, lr_decoder: 0.018837, Accuracy: 70.78, Loss: 1.659779
......
Epoch: [2][4920/5000], Time: 2.95, Data: 0.11, lr_encoder: 0.018205, lr_decoder: 0.018205, Accuracy: 72.08, Loss: 1.578305
Epoch: [2][4940/5000], Time: 2.95, Data: 0.11, lr_encoder: 0.018202, lr_decoder: 0.018202, Accuracy: 72.09, Loss: 1.577838
Epoch: [2][4960/5000], Time: 2.95, Data: 0.11, lr_encoder: 0.018198, lr_decoder: 0.018198, Accuracy: 72.10, Loss: 1.577406
Epoch: [2][4980/5000], Time: 2.95, Data: 0.11, lr_encoder: 0.018194, lr_decoder: 0.018194, Accuracy: 72.11, Loss: 1.577146
Saving checkpoints...
Epoch: [3][0/5000], Time: 3.37, Data: 0.00, lr_encoder: 0.018191, lr_decoder: 0.018191, Accuracy: 85.19, Loss: 1.070056
Epoch: [3][20/5000], Time: 3.14, Data: 0.11, lr_encoder: 0.018187, lr_decoder: 0.018187, Accuracy: 72.73, Loss: 1.527696
Epoch: [3][40/5000], Time: 3.08, Data: 0.11, lr_encoder: 0.018184, lr_decoder: 0.018184, Accuracy: 73.96, Loss: 1.460679
Epoch: [3][60/5000], Time: 3.01, Data: 0.11, lr_encoder: 0.018180, lr_decoder: 0.018180, Accuracy: 73.45, Loss: 1.478827
......
Epoch: [3][4940/5000], Time: 2.93, Data: 0.11, lr_encoder: 0.017290, lr_decoder: 0.017290, Accuracy: 75.06, Loss: 1.404855
Epoch: [3][4960/5000], Time: 2.93, Data: 0.11, lr_encoder: 0.017286, lr_decoder: 0.017286, Accuracy: 75.06, Loss: 1.405186
Epoch: [3][4980/5000], Time: 2.93, Data: 0.11, lr_encoder: 0.017282, lr_decoder: 0.017282, Accuracy: 75.06, Loss: 1.404594
Saving checkpoints...
Epoch: [4][0/5000], Time: 1.78, Data: 0.00, lr_encoder: 0.017279, lr_decoder: 0.017279, Accuracy: 84.19, Loss: 0.967333
Epoch: [4][20/5000], Time: 2.86, Data: 0.10, lr_encoder: 0.017275, lr_decoder: 0.017275, Accuracy: 76.91, Loss: 1.278598
Epoch: [4][40/5000], Time: 2.95, Data: 0.10, lr_encoder: 0.017271, lr_decoder: 0.017271, Accuracy: 77.28, Loss: 1.278876
Epoch: [4][60/5000], Time: 2.99, Data: 0.11, lr_encoder: 0.017268, lr_decoder: 0.017268, Accuracy: 76.14, Loss: 1.314496
......
Epoch: [4][1940/5000], Time: 2.94, Data: 0.11, lr_encoder: 0.016923, lr_decoder: 0.016923, Accuracy: 76.73, Loss: 1.314272
Epoch: [4][1960/5000], Time: 2.94, Data: 0.11, lr_encoder: 0.016920, lr_decoder: 0.016920, Accuracy: 76.72, Loss: 1.314943
Epoch: [4][1980/5000], Time: 2.94, Data: 0.11, lr_encoder: 0.016916, lr_decoder: 0.016916, Accuracy: 76.73, Loss: 1.314677
......DeepLab v3+的实现：pytorch-deeplab-xception
#clone project
gemfield@sky:/home/gemfield/github/# git clone https://github.com/jfzhang95/pytorch-deeplab-xception#准备好pascal voc数据集
gemfield@sky:/home/gemfield/github/pytorch-deeplab-xception# cat mypath.py
class Path(object):@staticmethoddef db_root_dir(dataset):if dataset == 'pascal':return '/home/gemfield/datasets/VOCdevkit/VOC2012/' # folder that contains VOCdevkit/.
......#训练
gemfield@sky:/home/gemfield/github/pytorch-deeplab-xception# python3 train.py --backbone resnet --lr 0.007 --workers 4 --epochs 10 --batch-size 32 --gpu-ids 0,1,2,3 --checkname deeplab-resnet --eval-interval 1 --dataset pascal
Namespace(backbone='resnet', base_size=513, batch_size=32, checkname='deeplab-resnet', crop_size=513, cuda=True, dataset='pascal', epochs=10, eval_interval=1, freeze_bn=False, ft=False, gpu_ids=[0, 1, 2, 3], loss_type='ce', lr=0.007, lr_scheduler='poly', momentum=0.9, nesterov=False, no_cuda=False, no_val=False, out_stride=16, resume=None, seed=1, start_epoch=0, sync_bn=True, test_batch_size=32, use_balanced_weights=False, use_sbd=False, weight_decay=0.0005, workers=4)
Number of images in train: 12000
Number of images in val: 1078
Using poly LR Scheduler!
Starting Epoch: 0
Total Epoches: 100%| | 0/375 [00:00<?, ?it/s]
=>Epoches 0, learning rate = 0.0070, previous best = 0.0000
Train loss: 0.006: 100%|###################################################################################################################################| 375/375 [28:18<00:00, 4.50s/it]
[Epoch: 0, numImages: 12000]
Loss: 2.351
Test loss: 0.006: 100%|######################################################################################################################################| 34/34 [01:54<00:00, 3.01s/it]
Validation:
[Epoch: 0, numImages: 1078]
Acc:0.9597080196165629, Acc_class:0.9577062235138765, mIoU:0.8992881267840838, fwIoU: 0.924346695146962
Loss: 0.220
......如若内容造成侵权/违法违规/事实不符，请联系编程学习网邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
相关文章
- [语义分割]训练deeplabv3(一):建立自己的数据集
[deeplabv3]:https://github.com/tensorflow/models/tree/master/research/deeplab [labelme]:https://github.com/wkentaro/labelme 简介 本博客主要介绍了,deeplabv3训练前的自己数据集准备工作: 即将用labelme标记的自己的语义分割数据集转化为deeplabv3训练支持的tfreco…...
2024/4/21 1:23:38 - 解决“OSError: [WinError 126] 找不到指定的模块”的问题 Win10
针对情景： Win10下运行py工程报错，最后一行为“OSError: [WinError 126] 找不到指定的模块”倒数第二端为Shapely相关函数的语句（如下图）PS：其他情景用该方法未必有效 问题原因： 由上图可见，倒…...
2024/4/20 13:22:59 - ImportError: DLL load failed: 页面文件太小，无法完成操作。
python代码训练神经网络时，报错：“ImportError: DLL load failed: 页面文件太小，无法完成操作。” 出现这个问题可能有两种情况。 ①不止在运行一个项目，另一个项目的python程序也在运行，关掉就可以了。 ②windows操作…...
2024/4/20 20:44:45 - ImportError: Could not find the DLL(s) 'msvcp140_1.dll'. 跑tensorflow时报错
解决思路是缺失dll文件，安装这个文件就可以。试过去网站下载dll，还是不行。有人说用腾讯电脑管家的dll文件修复功能，也不行。最后在这个网站找到了。 https://support.microsoft.com/zh-cn/help/2977003/the-latest-supported-visual-c-down…...
2024/4/20 20:44:43 - 列表取片操作易错点（list indices must be integers or slices, not tuple原因及解决方法）
list indices must be integers or slices, not tuple原因及解决方法 场景： 在对列表进行取数据时报错，报错代码： TypeError: list indices must be integers or slices, not tuple翻译： 列表索引必须是整数（取某一个…...
2024/4/20 20:44:42 - 【终极！！！】cannot connect to X server, couldnt connect to display
目前遇到了两种报这个错的情况： 情况一：本地在外网，通过SSH登录到内网服务器。运行代码， 报错： （1）cannot connect to X server （2）_tkinter.TclError: couldnt conn…...
2024/4/24 12:26:21 - VGG训练报错:Errors may have originated from an input operation.
利用自己做的数据集训练VGG时,出现报错信息: Errors may have originated from an input operation. Input Source operations connected to node conv0/Conv1/Conv2D: IteratorGetNext (defined at train_resnet.py:95) Input Source operations connected to node conv0/Co…...
2024/4/20 20:44:41 - 报错：module ffmpeg has no attribute input 解决方法
1、检查是否安装正确的包 kkroening/ffmpeg-python: Python bindings for FFmpeg - with complex filtering support (github.com) 这是官网，该包正确名称为ffmpeg-python，易与ffmpeg、python-ffmpeg混淆；使用以下命令进行重新安装…...
2024/4/23 0:51:03 - CodeMonkey流水账：字符串格式化or不格式化
需要记录/打印的文本内容中有格式化字符串 比如记录一句SQL里面有类似： someField like ‘ABC%’。 writeLog("someField like ABC%");下面的函数就会报错。 public static void writeLog(LogType type, String format, Object... args) throws TNUExce…...
2024/4/20 20:44:38 - tensorflowGPU版出现Failed to load the native TensorFlow问题
只要按 https://stackoverflow.com/questions/43942185/failed-to-load-the-native-tensorflow-runtime-python-3-5-2中所描述的安装一遍就可以解决了...
2024/4/20 20:44:37 - GitHub 上有哪些适合新手跟进的优质项目？
点击上方“迈微电子研发社”，选择“星标★”公众号 重磅干货，第一时间送达 看过我文章的社友们都知道，你再不使用GitHub，都不敢跟别人说自己是CS专业的。所以，它的重要性也就不再多言了，今天就分享给大家如…...
2024/4/20 20:44:36 - vue在npm run dev运行项目时出现npm ERR! code ELIFECYCLE问题解决方案
今天准备开始一个新项目，于是用vue-cli创建了一个项目，可是当npm run dev时报错： 解决方法： 第一步：npm uninstall webpack-dev-server 第二步：npm install webpack-dev-server2.9.1 第三步：npm…...
2024/4/20 20:44:35 - 拜见罗宾逊一家
Meet The Robinsons 我没有选那个 因为那个会让我起疙瘩 Then I didnt choose that one because it was gonna give me pimples, 于是我挑了另外一个比较恐怖的 so I choosed another scary one 因为根据我多年参加 万圣节前夕的经验 because, for all those years that I w…...
2024/4/20 20:44:34 - 普通话水平测试脸型软件,你明明长得挺漂亮，为什么拍照总是不上镜？
被叫天仙这么多年，完全担得起这个称号！但是作为一个明星，出道这么多年怎么可能没有一两张黑图呢(没错，黑照都是产于自己的微博)!这蜜汁角度。。。这魔幻打光。。。还有这堪比座机的画质。。。其实不只是天仙，Miya身边很…...
2024/4/20 20:44:33 - 爱情指数测试脸型软件,叶罗丽测试：选一个完美的脸型，测你想成为谁的初恋女友？我是D...
选一个完美的脸型A、B、C、D、答案揭晓：(此测试仅供娱乐！所有图片来源于网络)A、你想成为校草的初恋女友。你是一个注重细节的女孩。你所做的每件事都要考虑周全，决不轻率行事。你又聪明又漂亮。你是学校里最有名的花。每个男孩心里都喜欢你。…...
2024/4/21 1:23:36 - UI测试脸型软件,App脸型美化剖析|UI-影视-其他|观点|freshoil - 原创文章 - 站酷 (ZCOOL)...
本文基于市面上多款App的美颜效果，做了一个对比分析，整理出一个可以指导美颜调教的参考规范。研究的几个要点如下：1.通过对 某陌、某音、某Y、某他相机、某天P图的效果对比分析2.本次只针对默认效果做对比(某Y无默认则选择自然)3.统一使用前置…...
2024/4/21 22:09:51 - OutputCache 配置用cookie
2019独角兽企业重金招聘Python工程师标准>>> <%@ OutputCache CacheProfile="CacheConfig"%> CacheProfile在web.config里指定 system.web配置节下 duration，varyByParam必须的，varyByParam根据urlget参数缓存，多个参数间用，分隔 varyByCus…...
2024/4/21 1:23:34 - CPU性能测试脸型软件,UserBenchmark(电脑性能测试软件) V2.9.1.0 官方版
UserBenchmark 是一款简单易上手的专业电脑性能测试软件，可以在最短的时间内帮助用户完成整个电脑系统的检测任务，程序支持对电脑系统、硬盘、USB设备、CPU和显卡组件等进行检测。【功能介绍】1、速度测试：UserBenchmark官方版可以帮助您测试…...
2024/4/21 1:23:33 - 教师职业能力测试脸型软件,教师的职业形象-20210325080624.docx-原创力文档
This model paper was revised by LINDA on December 15, 2012.This model paper was revised by LINDA on December 15, 2012.教师的职业形象教师的职业形象教师的职业形象，是学生和家长对具体教师的印象和评价，是教师在品质、学识、才能、情趣、礼仪等…...
2024/4/21 1:23:32 - 教你各种脸型怎么选发型
很多女生都渴望自己能够拥有一个完美的形象，不管是与男朋友约会、职场、还是在与朋友的普通聚会中。可是，毕竟不是人人都像杂志封面的明星一样拥有完美的身材和脸型。怎样靠后天的打扮来提升你的形象呢?判断你的脸型和头型：要能准确的对自己…...
2024/4/21 1:23:31
最新文章
- 边缘计算在视频监控领域的应用
一、边缘计算在视频监控领域的应用 运用边缘计算解决视频监控问题，可以带来许多优势。以下是一些具体的应用示例： 实时分析与处理：在视频监控系统中，边缘计算盒子可以实时处理和分析视频流，实现对监控画面的智能识别…...
2024/4/27 14:07:46 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言，在此感激不尽。 权重和梯度的更新公式如下： w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/3/20 10:50:27 - composer常见错误解决
在Java中，常见的问题和解决方法包括： 内存不足错误：Java应用程序在运行时可能会遇到内存不足的错误。可以通过增加JVM的堆内存大小来解决，可以通过设置-Xms和-Xmx参数来指定初始堆大小和最大堆大小。 java -Xms2G -Xmx4G YourAppl…...
2024/4/23 6:26:03 - 汽车疲劳测试试验平台技术要求（北重厂家）
汽车疲劳测试试验平台技术要求通常包括以下几个方面： 车辆加载能力：测试平台需要具备足够的承载能力，能够同时测试多种车型和不同重量的车辆。 动力系统：测试平台需要具备稳定可靠的动力系统，能够提供足够的力和速度来…...
2024/4/23 6:25:16 - 【外汇早评】美通胀数据走低，美元调整
原标题：【外汇早评】美通胀数据走低，美元调整昨日美国方面公布了新一期的核心PCE物价指数数据，同比增长1.6%，低于前值和预期值的1.7%，距离美联储的通胀目标2%继续走低，通胀压力较低，且此前美国一季度GDP初值中的消费部分下滑明显，因此市场对美联储后续更可能降息的政策…...
2024/4/26 18:09:39 - 【原油贵金属周评】原油多头拥挤，价格调整
原标题：【原油贵金属周评】原油多头拥挤，价格调整本周国际劳动节，我们喜迎四天假期，但是整个金融市场确实流动性充沛，大事频发，各个商品波动剧烈。美国方面，在本周四凌晨公布5月份的利率决议和新闻发布会，维持联邦基金利率在2.25%-2.50%不变，符合市场预期。同时美联储…...
2024/4/26 20:12:18 - 【外汇周评】靓丽非农不及疲软通胀影响
原标题：【外汇周评】靓丽非农不及疲软通胀影响在刚结束的周五，美国方面公布了新一期的非农就业数据，大幅好于前值和预期，新增就业重新回到20万以上。具体数据： 美国4月非农就业人口变动 26.3万人，预期 19万人，前值 19.6万人。 美国4月失业率 3.6%，预期 3.8%，前值 3…...
2024/4/26 23:05:52 - 【原油贵金属早评】库存继续增加，油价收跌
原标题：【原油贵金属早评】库存继续增加，油价收跌周三清晨公布美国当周API原油库存数据，上周原油库存增加281万桶至4.692亿桶，增幅超过预期的74.4万桶。且有消息人士称，沙特阿美据悉将于6月向亚洲炼油厂额外出售更多原油，印度炼油商预计将每日获得至多20万桶的额外原油供…...
2024/4/27 4:00:35 - 【外汇早评】日本央行会议纪要不改日元强势
原标题：【外汇早评】日本央行会议纪要不改日元强势近两日日元大幅走强与近期市场风险情绪上升，避险资金回流日元有关，也与前一段时间的美日贸易谈判给日本缓冲期，日本方面对汇率问题也避免继续贬值有关。虽然今日早间日本央行公布的利率会议纪要仍然是支持宽松政策，但这符…...
2024/4/25 18:39:22 - 【原油贵金属早评】欧佩克稳定市场，填补伊朗问题的影响
原标题：【原油贵金属早评】欧佩克稳定市场，填补伊朗问题的影响近日伊朗局势升温，导致市场担忧影响原油供给，油价试图反弹。此时OPEC表态稳定市场。据消息人士透露，沙特6月石油出口料将低于700万桶/日，沙特已经收到石油消费国提出的6月份扩大出口的“适度要求”，沙特将满…...
2024/4/25 18:39:22 - 【外汇早评】美欲与伊朗重谈协议
原标题：【外汇早评】美欲与伊朗重谈协议美国对伊朗的制裁遭到伊朗的抗议，昨日伊朗方面提出将部分退出伊核协议。而此行为又遭到欧洲方面对伊朗的谴责和警告，伊朗外长昨日回应称，欧洲国家履行它们的义务，伊核协议就能保证存续。据传闻伊朗的导弹已经对准了以色列和美国的航…...
2024/4/26 21:56:58 - 【原油贵金属早评】波动率飙升，市场情绪动荡
原标题：【原油贵金属早评】波动率飙升，市场情绪动荡因中美贸易谈判不安情绪影响，金融市场各资产品种出现明显的波动。随着美国与中方开启第十一轮谈判之际，美国按照既定计划向中国2000亿商品征收25%的关税，市场情绪有所平复，已经开始接受这一事实。虽然波动率-恐慌指数VI…...
2024/4/27 9:01:45 - 【原油贵金属周评】伊朗局势升温，黄金多头跃跃欲试
原标题：【原油贵金属周评】伊朗局势升温，黄金多头跃跃欲试美国和伊朗的局势继续升温，市场风险情绪上升，避险黄金有向上突破阻力的迹象。原油方面稍显平稳，近期美国和OPEC加大供给及市场需求回落的影响，伊朗局势并未推升油价走强。近期中美贸易谈判摩擦再度升级，美国对中…...
2024/4/26 16:00:35 - 【原油贵金属早评】市场情绪继续恶化，黄金上破
原标题：【原油贵金属早评】市场情绪继续恶化，黄金上破周初中国针对于美国加征关税的进行的反制措施引发市场情绪的大幅波动，人民币汇率出现大幅的贬值动能，金融市场受到非常明显的冲击。尤其是波动率起来之后，对于股市的表现尤其不安。隔夜美国股市出现明显的下行走势，这…...
2024/4/25 18:39:16 - 【外汇早评】美伊僵持，风险情绪继续升温
原标题：【外汇早评】美伊僵持，风险情绪继续升温昨日沙特两艘油轮再次发生爆炸事件，导致波斯湾局势进一步恶化，市场担忧美伊可能会出现摩擦生火，避险品种获得支撑，黄金和日元大幅走强。美指受中美贸易问题影响而在低位震荡。继5月12日，四艘商船在阿联酋领海附近的阿曼湾、…...
2024/4/25 18:39:16 - 【原油贵金属早评】贸易冲突导致需求低迷，油价弱势
原标题：【原油贵金属早评】贸易冲突导致需求低迷，油价弱势近日虽然伊朗局势升温，中东地区几起油船被袭击事件影响，但油价并未走高，而是出于调整结构中。由于市场预期局势失控的可能性较低，而中美贸易问题导致的全球经济衰退风险更大，需求会持续低迷，因此油价调整压力较…...
2024/4/26 19:03:37 - 氧生福地 玩美北湖（上）——为时光守候两千年
原标题：氧生福地 玩美北湖（上）——为时光守候两千年一次说走就走的旅行，只有一张高铁票的距离～ 所以，湖南郴州，我来了～ 从广州南站出发，一个半小时就到达郴州西站了。在动车上，同时改票的南风兄和我居然被分到了一个车厢，所以一路非常愉快地聊了过来。 挺好，最起…...
2024/4/26 22:01:59 - 氧生福地 玩美北湖（中）——永春梯田里的美与鲜
原标题：氧生福地 玩美北湖（中）——永春梯田里的美与鲜一觉醒来，因为大家太爱“美”照，在柳毅山庄去寻找龙女而错过了早餐时间。近十点，向导坏坏还是带着饥肠辘辘的我们去吃郴州最富有盛名的“鱼头粉”。说这是“十二分推荐”，到郴州必吃的美食之一。 哇塞！那个味美香甜…...
2024/4/25 18:39:14 - 氧生福地 玩美北湖（下）——奔跑吧骚年！
原标题：氧生福地 玩美北湖（下）——奔跑吧骚年！让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 让我们红尘做伴 活得潇潇洒洒 策马奔腾共享人世繁华 对酒当歌唱出心中喜悦 轰轰烈烈把握青春年华 啊……啊……啊 两…...
2024/4/26 23:04:58 - 扒开伪装医用面膜，翻六倍价格宰客，小姐姐注意了！
原标题：扒开伪装医用面膜，翻六倍价格宰客，小姐姐注意了！扒开伪装医用面膜，翻六倍价格宰客！当行业里的某一品项火爆了，就会有很多商家蹭热度，装逼忽悠，最近火爆朋友圈的医用面膜，被沾上了污点，到底怎么回事呢？ “比普通面膜安全、效果好！痘痘、痘印、敏感肌都能用…...
2024/4/25 2:10:52 - 「发现」铁皮石斛仙草之神奇功效用于医用面膜
原标题：「发现」铁皮石斛仙草之神奇功效用于医用面膜丽彦妆铁皮石斛医用面膜|石斛多糖无菌修护补水贴19大优势： 1、铁皮石斛：自唐宋以来，一直被列为皇室贡品，铁皮石斛生于海拔1600米的悬崖峭壁之上，繁殖力差，产量极低，所以古代仅供皇室、贵族享用 2、铁皮石斛自古民间…...
2024/4/25 18:39:00 - 丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者
原标题：丽彦妆\医用面膜\冷敷贴轻奢医学护肤引导者【公司简介】 广州华彬企业隶属香港华彬集团有限公司，专注美业21年，其旗下品牌： 「圣茵美」私密荷尔蒙抗衰，产后修复 「圣仪轩」私密荷尔蒙抗衰，产后修复 「花茵莳」私密荷尔蒙抗衰，产后修复 「丽彦妆」专注医学护…...
2024/4/26 19:46:12 - 广州械字号面膜生产厂家OEM/ODM4项须知！
原标题：广州械字号面膜生产厂家OEM/ODM4项须知！广州械字号面膜生产厂家OEM/ODM流程及注意事项解读： 械字号医用面膜，其实在我国并没有严格的定义，通常我们说的医美面膜指的应该是一种「医用敷料」，也就是说，医用面膜其实算作「医疗器械」的一种，又称「医用冷敷贴」。 …...
2024/4/27 11:43:08 - 械字号医用眼膜缓解用眼过度到底有无作用？
原标题：械字号医用眼膜缓解用眼过度到底有无作用？医用眼膜/械字号眼膜/医用冷敷眼贴 凝胶层为亲水高分子材料，含70%以上的水分。体表皮肤温度传导到本产品的凝胶层，热量被凝胶内水分子吸收，通过水分的蒸发带走大量的热量，可迅速地降低体表皮肤局部温度，减轻局部皮肤的灼…...
2024/4/27 8:32:30 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示，配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下：1、长按电脑电源键直至关机，然后再按一次电源健重启电脑，按F8健进入安全模式2、安全模式下进入Windows系统桌面后，按住“winR”打开运行窗口，输入“services.msc”打开服务设置3、在服务界面，选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE，请勿更改元素数目。
%读入6幅图像（每一幅图像的大小是564*564） f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面，在等待界面中我们需要等待操作结束才能关机，虽然这比较麻烦，但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows，请勿关闭计算机”的提示，要过很久才能进入系统，有的用户甚至几个小时也无法进入，下面就教大家这个问题的解决方法。第一种方法：我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题，电脑时发现开机屏幕显现“正在配置Windows Update，请勿关机”(如下图所示)，而且还需求等大约5分钟才干进入系统。这是怎样回事呢？一切都是正常操作的，为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示，没过几秒后电脑自动重启，每次开机都这样无法进入系统，此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一：开机按下F8，在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况，就是电脑提示正在准备windows请勿关闭计算机，碰到这样的问题该怎么解决呢，现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法：1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后，每次关机的时候桌面上都会显示一个“配置Windows Update的界面，提示请勿关闭计算机”，每次停留好几分钟才能正常关机，导致什么情况引起的呢？出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着，别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚，只能是考虑备份数据后重装系统了。解决来方案一：管理员运行cmd：net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办？
原标题：电脑提示“配置Windows Update请勿关闭计算机”怎么办？win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢？一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ，然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ，然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容，让我们赶快一起来看一下吧！关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间：2020-04-20 22:24:19 浏览次数：729次 区域： 南阳 > 卧龙 列举网提醒您：为保障您的权益，请不要提前支付任何费用！ 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于：钉钉，外勤365，红圈通，企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”，长时间没反应，无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了，具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面，长时间没反应，无法进入系统。这个问题原来帮其他同学也解决过，网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办？...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法，并在最后教给你1种保护系统安全的好方法，一起来看看！电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中，添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败，正在还原更改，请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候，开启电脑发现电脑显示：配置windows更新失败，正在还原更改，请勿关闭计算机。。.这要怎么办呢？下面小编就带着大家一起看看吧！如果能够正常进入系统，建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机，电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机，电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容，让我们赶快一起来看一下吧！配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题，就是我们的win7系统在关机的时候，总是喜欢显示“准备配置windows，请勿关机”这样的一个页面，没有什么大碍，但是如果一直等着的话就要两个小时甚至更久都关不了机，非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时，一般是您正对windows进行升级，但是这个要是长时间没有反应，我们不能再傻等下去了。可能是电脑出了别的问题了，来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败，还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况，当我们打开电脑之后，发现一直停留在一个界面：“配置Windows Update失败，还原更改请勿关闭计算机”，等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57