技巧 on Sheng Dong's website

自定义计算MMDetection目标检测模型的precision, recall, F1, AP, AR

Fri, 17 May 2024 23:29:36 +0800

使用自定义的类别和数据集训练了MMDetection的目标检测模型，需要汇报模型的precision, recall等等各项指标。在MMDetection的官网文档里只找到了生成混淆矩阵的代码，但似乎并不支持直接给出其他常见的评价指标（见Github项目的issue#6212和issue#8791。搜索一番后发现CSDN博客上有人分享了如何通过在tools/analysis_tools/confusion_matrix.py的main()函数末尾添加代码，从而得到precision, recall, F1, AP, AR。然而实际运行后发现其实有bug，并且原理上也有一些问题，所以进行了适当修改。总体思路是，先从混淆矩阵中计算出每个分类的真阳性样本量FP、假阳性样本量TP、假阴性样本量FN，然后按照公式计算各分类标签的precision和recall。需要注意的是，precision和recall的长度其实比分类数量多1。这是因为前面生成confusion matrix的时候，在已有分类的后边还加了一个“background”的标签。precision和recall的最后一位其实就是“background”的精确率和召回率，并且总是为零。从混淆矩阵里面也可以看出，background的真阳性比例一定是0%。在计算平均precision和recall的时候，我们不需要考虑这一个额外的分类。 MMDetection官方文档里的normalized confusion matrix，"background"分类的真阳性比例一定是0% 需要在main()函数末尾添加的代码为： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 TP = np.diag(confusion_matrix) FP = np.sum(confusion_matrix, axis=0) - TP FN = np.sum(confusion_matrix, axis=1) - TP precision = TP / (TP + FP) recall = TP / (TP + FN) average_precision = np.mean(precision[:-1]) average_recall = np.mean(recall[:-1]) f1 = 2* (average_precision * average_recall) / (average_precision + average_recall) print('\n===Averaging all classes===') print('AP:', average_precision) print('AR:', average_recall) print('F1:', f1) print('Classes', dataset.

拆机加硬盘，新电脑已是老油条了

Mon, 29 Apr 2024 01:36:50 +0800

凭借曾经在E志者学到的功夫，拆开笔记本并添加了一条固态硬盘(SSD)。

MMDetection目标检测入门笔记

Mon, 28 Aug 2023 11:11:41 +0800

本篇是MMDetection学习应用过程中的踩坑记录，随学习情况更新。

浅试Biorender

Thu, 06 Jul 2023 09:29:42 +0800

在写一篇综述论文的时候被推荐了BioRender这一作图工具，尝试了一下发现确实很好用，可以让生物领域的插图制作如有神助。

在Hugo + Papermod中添加Echartsjs

Sun, 12 Mar 2023 01:38:43 +0800

参照Echarts的官方入门文档，给Hugo框架的博客网站添加使用Echarts渲染的功能（主题为Papermod)。以后需要放图表的时候就不用再傻乎乎地截图了。

在Hugo + PaperMod主题下添加不蒜子网站统计

Thu, 01 Dec 2022 01:34:50 +0800

之前在使用Hexo平台 + NexT主题搭建博客的时候，自带不蒜子¹的网站访问统计。现在的这个主题下需要自行添加统计功能。最终还是决定使用不蒜子来实现，便于直接显示在网站页面上²。唯一的缺点就是目前没办法自定义初始值，所以域名更换后数据就从零开始了。

HugoBlog Test

Tue, 01 Nov 2022 15:31:58 +0800

This is a test page

本页面用于测试网站的显示格式，以及不同模块的渲染情况。

Sci-Hub + Python爬虫实现文献批量下载

Wed, 18 May 2022 19:27:46 +0000

操作思路

在Web of Science或者其他学术搜索引擎上查找所需要的文献，然后将全体检索结果的信息导出成Excel（包括作者、标题、出版年份、期刊、DOI号等等）
以DOI号为检索条件，到Sci-Hub下载文献，将这一过程写成爬虫进行批量处理
- 导出DOI号序列，写成循环来逐个爬取
- 以DOI号检索文献，进入下载页面，查找到保存按钮对应的元素，下载到本地
- 将下载的PDF文件按照自己的标准重命名
手动补全无法在Sci-Hub上得到的文献

Markdown-mermaid画流程图、甘特图和饼图

Sun, 20 Mar 2022 01:07:53 +0000

在很多支持Markdown语法的编辑器（例如Typora, 印象笔记）中，可以通过mermaid代码块的方式，实现流程图、时序图等图表的绘制。它是一种基于 Javascript 的图表和图表工具，提供标记启发的文本定义，以动态创建和修改图表。

以下是除了普通的graph流程图以外，常用的一些mermaid功能。