Using the mean and std of Imagenet is a common practice. They are calculated based on millions of images. If you want to train from scratch on your own dataset, you can calculate the new mean and std. Otherwise, using the Imagenet pretrianed model with its own mean and std is recommended.
这是因为使用了使用ImageNet的均值和标准差。使用Imagenet的均值和标准差是一种常见的做法。它们是根据数百万张图像计算得出的。如果要在自己的数据集上从头开始训练，则可以计算新的均值和标准差。否则，建议使用Imagenet预设模型及其平均值和标准差。
Using the mean and std of Imagenet is a common practice. They are calculated based on millions of images. If you want to train from scratch on your own dataset, you can calculate the new mean and std. Otherwise, us
1、零均值
零均值是数据预处理最为常用的方法。即将每一维原始数据减去这一维数据的均值，将结果替代原始的数据。预处理的结果是每一维数据的均值是0。
X -= np.
mean
(X,axis = 0)
2、归一化（normalization）
归一化就是将原始数据归一到相同的尺度，有两种归一化的方法:
1)先对每一维数据进行零均值，然后除以每一维数据的标准差。
X -= np.
mean
...
Q：
图像预处理
部分在resize后还会
使用
均值：image_
mean
=[
0.485
,
0.456
,
0.406
]，标准差：image_
std
=[
0.229
,
0.224
,
0.225
]进行归一化，为什么
使用
这几个值？
A：image_
mean
=[
0.485
,
0.456
,
0.406
]、image_
std
=[
0.229
,
0.224
,
0.225
]是Imagenet数据集的均值和标准差，
使用
Imagenet的均值和标准是一种常见的做法。如果你想在你自己的数据集上从头开始训练，你可以计算新的平均值和标准。否则，建议
使用
Ima
使用
Imagenet的均值和标准差是一种常见的做法。它们是根据数百万张图像计算得出的。如果要在自己的数据集上从头开始训练，则可以计算新的均值和标准差。否则，建议
使用
Imagenet预设模型及其平均值和标准差。
对于我们特定数据集，如遥感图像或者医学图像不采用该处理方式。
这是因为
使用
了
使用
ImageNet的均值和标准差。
使用
Imagenet的均值和标准差是一种常见的做法。它们是根据数百万张图像计算得出的。如果要在自己的数据集上从头开始训练，则可以计算新的均值和标准差。否则，建议
使用
Imagenet预设模型及其平均值和标准差。
使用
Imagenet的平均值和标准是一种常见的做法。它们是根据数百万张图片计算出来的。如果你想从头开始训练你自己的数据集，你可以计算新的平均值和
std
.否则，
使用
Imagenet预训练模型自己的平均值。
Transfer Learning Tutorial
==========================
**Author**: `Sasank Chilamkurthy <https://chsasank.github.io>`_
In this tutorial, you will learn how to train y...
这里写自定义目录标题
使用
Transformer 进行目标检测（含代码）介绍架构CNN主干The Transformer对象查询
使用
PyTorch 实现简单的 DETR二分匹配损失（可选）
使用
DETR 进行对象检测设置对象检测管道绘制结果
使用
Transformer 进行目标检测（含代码）
用于对象检测的 Facebook 检测转换器 (DETR) 的完整指南。
英文版原文转载自https://medium.com/swlh/object-detection-with-transformers-437
image = image.astype(np.float32) / 255.0
# 对图像进行标准化
mean
= np.array([
0.485
,
0.456
,
0.406
])
std
= np.array([
0.229
,
0.224
,
0.225
])
image = (image -
mean
) /
std
# 将图像的通道顺序从 BGR 转换为 RGB
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
# 将图像的维度从 (H, W, C) 转换为 (C, H, W)
image = np.transpose(image, (2, 0, 1))
# 将图像转换为 PyTorch Tensor 类型
image = torch.from_numpy(image)
return image
其中，`image` 是输入的图像，`
mean
` 和 `
std
` 是预处理归一化的均值和标准差。这段代码将图像转换为浮点数类型，并将像素值标准化到指定的范围内，然后将图像的通道顺序从 BGR 转换为 RGB，并将图像的维度从 (H, W, C) 转换为 (C, H, W)，最后将图像转换为 PyTorch Tensor 类型。
