说明：下面都是俺常用的python小脚本，作为备份。(很多代码是网上现成的，但链接很多都找不到了，就这样吧)
Annotation:
- ✔️ *: Basic*
- ✏️ *: Attention*
- ❣️ *: Important*
No. | Description | Annotation
:--------: | :--------: | :--------:
code001 | 根据当前文件名批量复制 | ✔️
根据指定目录下文件，获取其他文件夹下相同名称文件，voc数据集中选择若干.jpg，从其他文件夹获取对应的.xml文件到新的文件夹
(scripts/code001/copyfile2.py) 获取文件夹下所有指定格式文件，复制到其他文件夹
(scripts/code001/copyfile3.py) yolo格式标注文件查找对应目标，将图像复制到指定文件夹
code002 | 两列表排序保持对应关系 | ✔️
两个列表元素排序后保持元素对应关系
code003 | 文件重命名 | ✔️
文件批量重命名脚本
code004 | 视频抽帧为图片 | ✔️ 图片整合成视频 |
读取视频.mp4，将其抽帧转换成单幅图像保存 读取图片序列，将其转换成视频保存
code005 | 随机复制文件 | ✔️
随机复制文件到指定文件夹
(scripts/code005/randomdelete.py)
按比例随机删除文件
code006 | CPU压力测试 | ✔️
code007 | cv2生成缩略图 | ✔️
code008 | json转txt格式 | ✔️
code009 | opencv剪切ROI | ✔️
code0010 | txt格式转xml | ✔️ xml格式转txt | ✔️
code0011 | 统计xml目标种类数量 | ✔️ | 统计txt目标种类数量 | ✔️ | 统计数据集GT大中小个数 | ✔️ 局限:统计真实标注框大小，仅有9696，3232等，针对640^2的图片，自己的的数据集要改统计框的尺寸
根据xml文件统计目标种类以及数量
code0012 | 计算xml目标信息 | ✔️
根据xml文件统计目标的平均长度、宽度、面积以及每一个目标在原图中的占比
code0013 | 修改xml文件中类别名称 | ✔️
包括修改xml节点内容
code0014 | 批量修改图像尺寸 | ✔️
code0015 | 批量生成空的xml文件 | ✔️
用于yolo的负样本生成
code0016 | Python批量创建文件夹 | ✔️
code0017 | Python批量创建txt | ✔️
code0018 | 标注原始图像 | ✔️
批量将标注数据在原始图片中画出来&保存xml以便微调 | yolo格式画框 | ✔️ | coco格式画框 | ✔️
code0019 | 测试生成bbox | ✔️
推理测试图像，得到xml文件，以便手动调整bbox for tolov5-6.0
code0020 | yolo中文标签 | ✔️
YOLOv5图像识别显示中文标签
code0021 | 计算gps两点坐标距离 | ✔️
code0022 | 常用queue队列脚本 | ✔️
包括常用 Queue脚本 \ deque双边队列脚本 \ 队列多线程Multithreading
code0023 | cv2写视频 | ✔️
opencv读取图片并保存成视频
code0024 | cv2视频格式转换 | ✔️
视频格式转换，例 avi --> mp4
code0025 | cv2读取海康视频流 | ✔️
code0026 | 带时间戳的相机连续拍照 | ✔️
带有微秒级时间戳的单、双目相机连续拍照程序
code0027 | 几种读取图片保存的方法 | ✔️
code0028 | 读txt温度矩阵转图像 | ✔️
根据从热红外设备读取的温度矩阵（保存为txt）将其转换为伪彩图像
code0029 | cv鼠标获取像素坐标 | ✔️
OpenCV 鼠标点击获取像素坐标并写入txt文件，用于可见光、热红外手动标定工作(提取特征点)
code0030 | 读取txt文件 | ✔️
python从txt文件中逐行读取数据
code0031 | cv图像特征的提取 | ✔️
使用opencv提取图像特征：AKAZE、ORB [Feature_extraction.py] 使用opencv对提取的特征进行筛选、匹配 [Filter_feature.py]
code0032 | 从rosbag读取图片 | ✔️
code0033 | IoU计算 | ✔️
1、计算两矩形框IoU & 计算两矩形框相交区域的坐标（重合区） 2、GIou计算 3、CIou计算 4、DIou计算
code0034 | ArUco二维码 | ✔️
使用aruco标记创建和检测
code0035 | 图像格式转换 | ✔️
code0036 | 自适应缩放图片 | ✔️
yolov5自适应缩放图片，32的倍数缩放，空缺部分自动填充--选自/ultralytics/yolov5
scripts/code0036/resize_img.py python等比例缩放图片
scripts/code0036/S2L_img.py python 将小图放入较大的白色或黑色背景图片
scripts/code0036/dilate.py opencv提取指定颜色区域及图像腐蚀、膨胀简单介绍
scripts/code0036/noise_img.py 对图像进行增强操作(旋转，缩放，剪切，平移，加噪声)
scripts/code0036/windows_img.py Python对图片进行滑动窗提取局部区域
scripts/code0036/plot_point.py Python在图片上绘制指定半径的圆
scripts/code0036/findContours.py Python图片查找轮廓、多边形拟合、最小外接矩形操作实例
scripts/code0036/frame_diff.py 帧差法得到运动背景图像(简单差分方法)
code0037 | yolov5代码详细解析 |
代码详细解析，引用自[CSDN--满船清梦压星河HK] https://blog.csdn.net/qq_38253797/category_11222727.html 其中代码被部分分解并进行测试 /scripts/test_code/..
获取文件路径 得到path1路径下的所有文件的路径 /code0037/test_code/img2label_paths.py 根据path1路径获取path2下所有文件的路径
检查label 用于检查每一张图片和每一张label文件是否完好
检查文件是否存在 检查相关文件路径是否可以找到该文件，若无返回None，找到则返回本地匹配到的第一个文件名，若为网络文件则下载
切图像 将bbox坐标限定在图像尺寸内，防止出界 and 将坐标coords(x1y1x2y2)从img1_shape尺寸缩放到img0_shape尺寸 and xyxy2xywh xywh2xyxy and xywhn2xyxy、xyxy2xywhn、xyn2xy xywhn2xyxy是将xywh(normalized) -> x1y1x2y2；xyxy2xywhn是将x1y1x2y2 -> xywh(normalized)；xyn2xy是将xy(normalized) -> xy
计算测试数据集mAP | ✔️ 注： 在yolo文件夹下创建./data_test 并创建/Annotations_manual/ 放置xml /JPEGImages_manual/ 放置图像 /predictions_manual/ /cachedir_manual/ /class_txt_manual/ 在cfg_mAP.py中修改配置(测试图片等) 运行detect_eval_class_txt.py，获得测试图片的cls_ap.pkl 运行mAP_line.py获得每个类别的mAP曲线
yolo自带val.py计算mAP | ✔️ 运行val.py获取mAP
code0038 | 判断点是否在多边形内 | ✔️ 判断一个点是否在多边形区域内 [计算点到直线的距离](scripts/code0038/(point2line.py) | 判断两线是否相交
code0039 | opencv提取指定颜色 | ✔️
寻找图像中指定颜色（绿色），并将其抠出来或计算指定颜色的像素总数
code0040 | 利用python多进程程或多线程的方式获取数据 | ✔️
code0041 | python获取linux系统信息 | ✔️
code0042 | json数据字段过滤 | ✔️
code0043 | 多属性排序funtools | ✔️
code0044 | Python 中循环语句速度对比 | ✔️
code0045 | Python 列表的交集、并集、差集 | ✔️
code0046 | 超时处理函数timeout | ✔️
scripts/code0046/timeout2.py （推荐） 设置一个超时函数 如果某个程序执行超时 就会触发超时处理函数_timeout_handler 返回超时异常信息
code0047 | 打印或logging保存输出加颜色（好看） | ✔️
将输出的开头和结尾加上颜色，使命令行输出显示会更加好看
code0048 | 强制停止线程 | ✔️
code0049 | 切分图像并保留xml标记 | ✔️
按步长切分图像，并保留每幅切分后图像含有的xml标记；问题：部分重叠区域目标bbox的xml会丢失。
code0050 | 监控python脚本是否运行 | ✔️ | shell监控python脚本是否运行 | ✔️
monitoring.py使用python监控某py脚本是否运行 monitoring.sh使用shell监控某py脚本是否运行,否则后台启动脚本
code0051 | py设置logging | ✔️
创建loggings类，多py脚本可创建log实例，保存至同一.log文件
code0052 | yolov5自动标注数据 | ✔️
linux环境下使用已有模型自动化标注新数据，生成xml文件
参考使用https://github.com/WangRongsheng/KDAT/tree/main/autoLabel
code0053 | copy_paste数据增强 | ✔️ 针对小目标的数据增强，随机复制小目标到训练图像里 | 数据增强反转图像及label | ✔️ | 数据增强简单增强亮度对比度 | ✔️
code0054 | 语义分割评判指标计算 | ✔️
参考：https://blog.csdn.net/sinat_29047129/article/details/103642140
code0055 | 统计文件夹下各源代码文件行数 | ✔️
结果保存至.txt文件
code0056 | 常用装饰器 | ✔️ 装饰器：计算函数运行时长；记录函数输入输出数据 func_timeout和retrying | ✔️ 实现函数超时重试 & 函数异常重试 使用包func_timeout & retrying
code0057 | python socket | ✔️
socket服务端、客户端，两方均实现断开重连
code0058 | threading | ✔️
python多线程操作, 具体内容见Py3CookBook.md --> 第十二章：并发编程
实现使用wait()方法释放锁，并阻塞程序直到其他线程调用notify()或者notify_all()方法唤醒，然后wait()方法重新获取锁， 类似于event.wait()方式，但看起来更高级。
code0059 | flac | ✔️
ncm格式音乐转flac格式；改路径，flac文件会直接生成在改路径下
code0060 | find circle | ✔️
opencv方法寻找圆形
code0061 | find EulerAngles | ✔️
code0062 | find QR code | ✔️
使用opencv，通过检测轮廓方式定位qrcode并抠出码
code0063 | MaxPooling2D | ✔️
使用np,复现torch中的maxpooling函数; 卷积后，池化后尺寸计算公式： (图像尺寸-卷积核尺寸 + 2*填充值)/步长+1
code0064 | backprogram numpy | ✔️
1、利用numpy实现神经网络,前向反向传播，mnist数据。bp_mnist/fc_mnist.py https://zhuanlan.zhihu.com/p/86593676
2、纯numpy实现CNN模块（LeNet5）
(scripts/code0064/numpy-realizes-CNN-master/) |
https://zhuanlan.zhihu.com/p/296592264
3、(scripts/code0064/mnist_cnn.py) 通过使用numpy来搭建一个基础的包含卷积层、池化层、全连接层和Softmax层的卷积神经网络，并选择relu作为我们的激活函数，选择多分类交叉熵损失函数，最后使用了mnist数据集进行了训练和测试。
4、(scripts/code0064/conv.py) 实现numpy卷积
5、（scripts/code0064/python_conv.py） 原生python实现卷积神经网络
https://blog.csdn.net/qq_43409114/article/details/105187448?spm=1001.2014.3001.5502 解析反向传播算法 https://zhuanlan.zhihu.com/p/447113449 前向传播（forward）和反向传播（backward）
code0065 | BatchNormalization numpy | ✔️
numpy实现 BN
code0066 | NMS numpy | ✔️
1、将所有的boxes按照置信度从小到大排序，然后从boxes中删除置信度最大的box 2、将剩下的boxes与置信度最大的box，分别计算iou，去掉iou大于阈值(iou_threshold)的boxes 3、重复1，2直到索引为空
https://zhuanlan.zhihu.com/p/80902998 CUDA版本
anchor 如何映射回原图 (scripts/code0066/anchor.py)
code0067 | focal loss &常见损失函数 | ✔️
numpy 实现cross entropy loss 和 focal loss 和常见损失函数
Logistic Regression:
使用Python实现一个逻辑回归模型，并使用梯度下降来最小化交叉熵损失函数(使用sigmoid激活) (scripts/code0067/logistic_Regression.py)
code0068 | bilinear interpolation | ✔️
实现图像双线性插值
code0069 | 常见激活函数 | ✔️
Sigmiod、Tanh、Relu、PReLU、Swish、Mish
code0070 | 编辑距离计算 | ✔️
python计算两文本编辑距离，其内包含去除字符串标点和英文的方法
Python比较文本相似度的7种方法 https://blog.csdn.net/SpinMeRound/article/details/107465022
code0071 | K-means py实现 | ✔️
及yolo中使用的k-means方法聚类anchor尺寸
code0072 | 中值滤波 py实现 | ✔️
numpy实现中值、均值滤波，高斯滤波
1、均值滤波：
通过取像素周围邻域内的像素值的平均值来替换该像素的值，从而达到平滑图像的效果
2、高斯滤波器：
将中心像素周围的像素按照高斯分布加权平均进行平滑化。这样的（二维）权值通常被称为卷积核（kernel）或者滤波器（filter）
但是，由于图像的长宽可能不是滤波器大小的整数倍，因此我们需要在图像的边缘补0 。这种方法称作Zero Padding
权值g（卷积核）要进行归一化操作
高斯掩膜的求解与位置(x,y)无关，因为在计算过程中x,y被抵消掉了,所以求一个kerne模板即可
code0073 | 增广数据，复制-粘贴 | ✔️
https://blog.csdn.net/zengwubbb/article/details/113061776 https://blog.csdn.net/oyezhou/article/details/111696577 数据集增广，适用于小目标，对抠图下来的小目标随机粘贴至图像并保存其bbbox
code0074 | md文件中查找修改内容 | ✔️
code0075 | 手撕 transformer | ✔️
code0076 | v7 onnx推理 | ✔️ v7 onnx推理 MNS
带NMS的没测过
code0077 | yolo计算模型参数量 | ✔️
yolo计算模型参数量和算力
code0078 | yolo数据集格式转coco format | ✔️
yolo数据集txt格式label转成coco使用的json格式。 1、split_train_val，将yolo数据分成train val（默认2:8） 2、change_diff_class，根据要求改labels 3、txt2json，生成train val的json 4、concate_json，合并不同数据集的json
code0079 | 凸四边形IOU计算 | ✔️ https://www.hbblog.cn/OCR%E7%9B%B8%E5%85%B3/%E4%BB%BB%E6%84%8F%E5%87%B8%E5%9B%9B%E8%BE%B9%E5%BD%A2iou%E7%9A%84%E8%AE%A1%E7%AE%97/
1.py 旋转矩形的坐标转换 2.py 判断线段相交 可见code0038 3.py 判断点是否在凸多边形内部 可见code0038 4.py 凸包算法 5.py 计算多边形面积 convex_quadrilaterals_iou.py 凸四边形IOU计算
code0080 | 手撕resnet | ✔️
code0081 | 计算两矩阵欧式距离 | ✔️
其中
code0082 | 线性卷积、互相关、自相关 Python实现 | ✔️
code0083 | 手撕adam、adamW | ✔️
code0084 | 手撕分组注意力 groupAttention | ✔️
Grouped Query Attention 是一种注意力机制，它在自然语言处理（NLP）中被用来增强模型对输入序列的理解能力。这种机制通常在Transformer模型的变体中使用，通过将查询（queries）、键（keys）和值（values）进行分组，可以提高模型的效率和性能。 在实现Grouped Query Attention时，我们通常会遵循以下步骤：
初始化参数：定义模型中的参数，包括用于分组的参数和用于计算注意力分数的参数。
准备输入数据：将输入序列分割成多个组，每个组包含一定数量的元素。这可以通过预先定义的规则或者根据输入数据的特点来完成。
计算注意力分数：对于每个组，计算查询与键之间的点积，然后应用softmax函数来获取注意力权重。
应用注意力权重：将注意力权重应用到对应的值上，然后将所有组的结果合并起来。
输出结果：最后，输出经过注意力机制处理后的序列。
code0085 | 手撕 SVD 奇异值分解 | ✔️
奇异值分解（Singular Value Decomposition，SVD）是线性代数中一种重要的矩阵分解方法。在很多应用领域，如信号处理、统计学、机器学习等，SVD都有着广泛的应用。对于一个 $m×n$ 的矩阵 A，SVD可以表示为：$A=U\sum V^T$ 其中：
- U 是一个 m×m 的单位正交矩阵（即
$U^TU=I$ ）。 - Σ 是一个 m×n 的对角矩阵，其对角线上的元素称为奇异值，是 A 的非负实数。
- V 是一个 n×n 的单位正交矩阵（即
$VV^T=I$ ）。
下面是手动实现SVD的步骤：
- 计算矩阵 A 的协方差矩阵
$A^TA$ 。 - 求解
$A^TA$ 的特征值和特征向量。 - 根据特征值计算奇异值，它们是特征值的平方根。
- 计算矩阵 V，它是
$A^TA$ 特征向量组成的矩阵。 - 计算矩阵 U，它是 AV（这里 V 是经过适当的转置以匹配奇异值的顺序）。
code0086 | 手撕 SVM 支持向量机 | ✔️
SVM用于分类和回归分析。核心思想是找到一个超平面，以最大化不同类别之间的边界（或称为间隔）来对数据进行分类。
首先，定义SVM的目标函数和优化问题。SVM的训练过程可以通过解决一个凸二次规划问题来实现，其目标是最大化间隔的同时最小化分类错误。这个问题可以通过拉格朗日乘子法转换为对偶问题，并使用序列最小优化（Sequential Minimal Optimization，SMO）算法或者梯度下降等方法求解。
code0087 | 最近邻|双线性插值 | ✔️