这是一个ubuntu上学习cv遇到的一些常见问题的帮助和解决方法。
有些东西我会慢慢往上面加

创建新环境

参考
python创建虚拟环境（Anaconda，windows）

conda添加镜像源

安装模块

1）conda list 查看安装了哪些包
2）conda env list 或 conda info -e 查看当前存在哪些虚拟环境
3）conda update conda 检查更新当前conda
4）conda create -n env_name python=3.7 创建虚拟环境
5）source activate your_env_name 激活虚拟环境
6）source deactivate your_env_name 关闭虚拟环境
7）conda install -n your_env_name [package] 在your_env_name环境中安装package这个包
8）conda remove -n your_env_name(虚拟环境名称) –all 删除虚拟环境
conda环境复制：
1）激活环境（例如环境名为stylegan）
source activate stylegan
2）环境导出
conda env export > stylegan.yaml
3）安装复制环境(注意只能得到conda安装的包，pip安装的还需导出一次）
conda env create -f stylegan.yaml

在jupyter中使用新环境

参考
python创建虚拟环境（Anaconda，windows）

在pycharm中使用新环境

• 使用新环境写代码（类似于写代码的时候帮助你自动检测一些模块是否存在）
• ctrl+alt+s打开设置
• 点开project
• 点开python interpreter
• 在倒三角中选择环境
  
• 使用新环境运行代码（运行包括debug）
• 点击右上角的项目名称（如果没有就是灰色的叫add configuration)
• 点击弹窗（debug configuration)中的左上角 +
• 选择python
• 填写 script path(这就是你要跑的程序位置）
• parameters根据需要传入参数，类似于传入main函数的参数
• 选择环境
• 选择相对路径(working directory)

使用scp命令传输文件

scp是用于服务器直接互传文件用的，由于linux没有微信，需要知道对面的网络端口，主机名称密码，可以实现上传和下载。
scp -P111111 -r file ubuntu@111.11.11.111:file
使用scp命令传输文件

使用mobaxterm连接服务器

待补充

转数据集标注格式

如xml转json
如txt转json

待补充

anaconda上安装好用的插件

在anaconda prompt中输入如下代码，重启jupyter即可

pip install jupyter_contrib_nbextensions
jupyter contrib nbextension install --user

重启之后，在clusters右侧就会多一个按钮Configurable nbextensions
里面可以选择使用一些插件
代码补全：Hinterland无疑是最有用的插件之一
以下是一些很实用的插件
ExecuteTime - 显示执行时间，Code prettify - 格式化/美化代码

使用爬虫下载网站上的图片

待补充（准备做一个视频讲讲）

mmdetection学习方法，怎样入门cv (most important)

不得不知的 MMDetection 学习路线(个人经验版) - OpenMMLab的文章 - 知乎

先谈一谈怎么入门cv，考虑到深度学习用的主流是pytorch

• 1，学习python基础（包括数据类型’包含基础数据类型的常用函数‘，结构型语句，类与对象，文件处理，修饰器，正则化语句，一些重要模块的熟悉和使用‘opencv，numpy，torch，time，os，matplotlib，PIL.Image’）

• 2，很多人学习一些语言之后，总觉得自己学了很多但是什么也不会。这时候就需要上手一些内容，比如cv，需要从通用目标检测开始入手。这时候的学习路线就是代码+论文。从经典的文章入手（link），学习别人的思想和代码的写法。

• 3，现在，离入门只差一步了。看了不少论文，也知道了基本操作，那么自己如何亲手写一份目标检测的代码呢？其实一套目标检测的代码是相当繁琐的，读取数据dataloader，backbone，neck，head，loss，assigner，optimizer。可能之前的第二步，只是粗略地浏览了经典模型的代码。这里就需要仔细学习一套成熟的代码框架（因为每个作者有每个作者的写法和风格），来套用，和学习大多数模型，也对神经网络加强一个整体上的理解。这里推荐mmdetection框架，简直是perfect（https://github.com/open-mmlab/mmdetection）。一开始我学习这套框架也觉得无从下手，很复杂，实际上跟着文中的docs中的教程，可以用一个星期的时间很全面地学习到如何使用这套框架。利用这套框架，尝试在已有的模型中做出改进，你会发现这异常的方便。

• 4，熟悉了mmdetecion之后，尝试把别人开源的网络——复现在mmdetection框架中，这会大大加强你对框架和模型的理解。

• 5，至此，恭喜你成功入门cv。

可视化训练结果

假设有一个标注文件，通过学习标注文件的标注方式，提取出了其中的信息。
其中包括图片中物体的bounding box和label信息，如何将其可视化到对应的图片上，便是本节的内容。
利用json文件可视化训练结果需要利用plt.gca()

from matplotlib.collections import PatchCollection
from matplotlib.patches import Polygon
import os
from PIL import Image
import matplotlib.pyplot as plt
import numpy as np

#以下代码是为了演示，故而标注框使用的shape为4*1，实际上可以是4*n
bboxes=np.array([[100,200,700,800]])#x1,y1,x2,y2#为了使用gca，需要定义画布，需要考虑到原图尺寸，比如按如下定义可使得画面为1920*1080
#如果要求保持一致的宽高，可以使用cv2模块读取图片，输出shape，保证figsize*dpi = shape即可
#此处的dpi代表图片的清晰度，也可以说是缩放比，在绘图时影响明显
#但是此处仅仅是把已有的图片放在画布上，因而不会影响清晰度。
plt.figure(figsize=(19.2,10.8), dpi=100,frameon=False)#subplots_adjust可以控制绘制区域，如下的参数使得图片充满整个区域（不留白）
#默认left=0.125,r=0.9,t=0.9,b=0.1说明直接绘图保存会导致图片边界存在留白
plt.subplots_adjust(top=1, bottom=0, right=1, left=0)#所有的绘图本质上都是在gca上进行的包括plt.plot
ax=plt.gca()
ax.axis('off')#下面的部分实现了标注画在图上，如果自用的话，draw_bboxes不需要做修改，只需要保证输入维度正确
#ax.text实现了标注框打上类别注释，100，200为图片的<相对left-top坐标>（注意不是top-left）
#'label_text'可以输入你先输入的文字，可以使用python3的字符串的一些自带功能如f'{label_text}'使其更简洁
#下面的函数实现了draw_labels方法，可以套用，此处直接使用ax.text只是为了演示
draw_bboxes(ax,bboxes)
ax.text(100,200,'label_text',bbox={'facecolor': 'black','alpha': 0.8,'pad': 0.7,'edgecolor': 'none'},color='g',fontsize=8,verticalalignment='top',horizontalalignment='left')#可以替换为任何一个图像（注意box不要超过图片尺寸）
plt.imshow(Image.open("e:/1.jpg"))
plt.savefig('e:/2.jpg')

下面的代码演示了dpi对于图片质量的影响

#测试dpi对图片的影响
x=np.arange(0.1,5,0.1)
y=x+1/x
figsize=[(15,7.5),(12,6),(8,4),(6,3)]
dpi=[80,100,150,200]#验证dpi对于绘制的图片是否有影响（答案是有影响）
for i in range(4):plt.figure(figsize=figsize[i], dpi=dpi[i],frameon=False)
#     plt.subplots_adjust(top=1, bottom=0, right=1, left=0)ax=plt.gca()ax.axis('off')plt.plot(x,y)plt.savefig(f'e:/matplot/{i}.jpg')#验证dpi对于直接读取的图片的放缩是否有影响（答案是无影响）
im=plt.imread('e:/matplot/3.jpg')
for i in range(4):plt.figure(figsize=figsize[i], dpi=dpi[i],frameon=False)plt.subplots_adjust(top=1, bottom=0, right=1, left=0)ax=plt.gca()ax.axis('off')plt.imshow(im)plt.savefig(f'e:/matplot/{i}{i}.jpg')

下面的两个函数来自mmdetection，分别为draw_bboxes和draw_labels方法。学会使用他们可以使得画图更加方便和简介。

def draw_bboxes(ax, bboxes, color='g', alpha=0.8, thickness=2):"""Draw bounding boxes on the axes.Args:ax (matplotlib.Axes): The input axes.bboxes (ndarray): The input bounding boxes with the shapeof (n, 4).color (list[tuple] | matplotlib.color): the colors for eachbounding boxes.alpha (float): Transparency of bounding boxes. Default: 0.8.thickness (int): Thickness of lines. Default: 2.Returns:matplotlib.Axes: The result axes."""polygons = []for i, bbox in enumerate(bboxes):bbox_int = bbox.astype(np.int32)poly = [[bbox_int[0], bbox_int[1]], [bbox_int[0], bbox_int[3]],[bbox_int[2], bbox_int[3]], [bbox_int[2], bbox_int[1]]]np_poly = np.array(poly).reshape((4, 2))polygons.append(Polygon(np_poly))p = PatchCollection(polygons,facecolor='none',edgecolors=color,linewidths=thickness,alpha=alpha)ax.add_collection(p)return axdef draw_labels(ax,labels,positions,scores=None,class_names=None,color='w',font_size=8,scales=None,horizontal_alignment='left'):"""Draw labels on the axes.Args:ax (matplotlib.Axes): The input axes.labels (ndarray): The labels with the shape of (n, ).positions (ndarray): The positions to draw each labels.scores (ndarray): The scores for each labels.class_names (list[str]): The class names.color (list[tuple] | matplotlib.color): The colors for labels.font_size (int): Font size of texts. Default: 8.scales (list[float]): Scales of texts. Default: None.horizontal_alignment (str): The horizontal alignment method oftexts. Default: 'left'.Returns:matplotlib.Axes: The result axes."""for i, (pos, label) in enumerate(zip(positions, labels)):label_text = class_names[label] if class_names is not None else f'class {label}'if scores is not None:label_text += f'|{scores[i]:.02f}'text_color = color[i] if isinstance(color, list) else colorfont_size_mask = font_size if scales is None else font_size * scales[i]ax.text(pos[0],pos[1],f'{label_text}',bbox={'facecolor': 'black','alpha': 0.8,'pad': 0.7,'edgecolor': 'none'},color=text_color,fontsize=font_size_mask,verticalalignment='top',horizontalalignment=horizontal_alignment)return ax

pycharm的使用手册

选择Interpreter

运行设置

到了断点中间结果不出现怎么办？

Preference --> python debugger --> Gevent compatible

debug功能介绍

知乎上面搜pycharm debug有非常详细的介绍

ubuntu常用命令和常见问题

常用软件

（上网搜都能找到，记得下载ubuntu版本）
Rhythmbox音乐播放器（休闲）
pycharm（工作）
edge（工作+休闲）

常用命令

创建名为filename的文件夹
mkdir filename

删除文件
rm filename

删除文件夹
rm -r file

滚轮灵敏度
killall imwheel
sudo vim ~/.imwheelrc
imwheel

移动文件（夹）(也可用于重命名）
mv fromfile tofile

scp -r -P11111 DOTA1-split-1024 ubuntu@111:disk2/dataset

scp从远程复制到本地(类似上，把后两个参数调换位置）
scp remote@remote_ip:/home/root/others/music /home/space/music/1.mp3

查看当前文件夹下文件夹数量
ls -l|grep “^d”| wc -l

查看当前文件夹下文件数量
ls -lR|grep “^-”| wc -l

文件夹权限问题
chmod -R 777 file

常见问题

文件管理器卡死
找到ubuntu系统监视器，杀死nautilus进程。类似的，pycharm、卡死，杀死java进程。、

ssh无法连接
针对“错误:Network error: Connection refused”的问题，一般是因为Ubuntu刚刚安装好系统，系统中缺乏openssh-server这个包，只需要在Ubuntu中输入安装命令：sudoapt-get install openssh-server，便可以安装了。

使用ls 显示当前目录下的文件时，ubuntu中绿色代表可执行文件，蓝色代表文件夹（被阴影盖住的表示777权限），红色表示压缩文件，黄色表示设备文件，浅蓝色表示链接文件，白色代表普通文件。

df-h查看空间

github连不上，需要科学上网

常用网站

https://github.com/open-mmlab/mmdetection/blob/master/docs/zh_cn/article.md

写给新生

老师会要求大家写周报，但是我们每一个人心中都有每一天的目标！只有每一天有目标，一周才不会颓废。Organize your day!