使用LIME算法将模型预测结果的可解释性可视化。LIME表示与模型无关的局部可解释性，可以解释任何模型。LIME的思想是以输入样本为中心，在其附近的空间中进行随机采样，每个采样通过原模型得到新的输出，这样得到一系列的输入和对应的输出，LIME用一个简单的、可解释的模型（比如线性回归模型）来拟合这个映射关系，得到每个输入维度的权重，以此来解释模型。   https://paddlex.readt

目录 1. 数据集解压 2.检查数据集的图片是否均可读取 3. 查看数据集的类别信息

文章目录 一、PaddleX介绍二、数据集准备三、Faster RCNN目标检测 一、PaddleX介绍 PaddleX简介：PaddleX是飞桨全流程开发工具，集飞桨核心框架、模型库、工具及组件等深度学习开发所需全部能力于一身，打通深度学习开发全流程，并提供简明易懂的Python API，方便用户根据实际生产需求进行直接调用或二次开发，为开发者提供飞桨全流程开发的最佳实践。目前

PaddleX实现垃圾分类 B站教程地址 https://www.bilibili.com/video/BV18b4y1J7a6/ PaddleX的安装 pip install paddlex==2.1.0 -i https://mirror.baidu.com/pypi/simple 因为PaddleX依赖于pycocotools，如果报错： Microsoft Visual C+

首先下载paddlex（网页）的本地软件，下载链接如下： paddlex 下载完成后进行安装 打开后选择开发者模式，开发者模式主要是和VScode进行集成 本章节主要介绍在开发者模式下可以查看和编辑的文件及其作用，关于在线VSCode本身的使用，请参考官方文档。 下面详细说明workspace中的文件，目录结构如下图: ├── base #

时间序列是按照时间发生的先后顺序进行排列的数据点序列，简称时序。时间序列预测即运用历史的多维数据进行统计分析，推测出事物未来的发展趋势。时间序列预测是最常见的时序问题之一，在很多行业都有其应用，且通常时序预测效果对业务有着重大影响。例如： 零售企业： 预测产品销量，可以为企业备货、配送、运营策略的制定提供有效依据，显著降本增效；电网公司： 预测发电量与用电量，可以使电网的调度更加合理化，发挥最大

AI技术加速数字化进程，从制造、交通、能源等基础行业，到医疗、城市、零售、家居等与人们日常生活息息相关的行业，AI技术推动了数字化变革，也不断赋能于千行百业，但产业落地实践中依然面临着数据、算法等诸多困难。为了帮助大家更好地应对实际行业场景中的问题，飞桨团队推出PaddleX精选产业实用模型的一站式开发软件平台，目前已正式上线AI Studio星河社区，并发布了Windows本地端版本，助力人工智

在主流的python nms解决方案基础上改了两个bug，还改了输入让它适应paddlex的输出（当然也可以不改）。 paddlex目标检测模型部署后推理，结果是个大列表，里面包字典，字典长这样，bbox里面是[x,y,w,h] {'category_id': 1,'category': 'face','bbox': [118.9930648803711,33.9634895324707,

首先paddlex的网址链接是：飞桨AI Studio星河社区-人工智能学习与实训社区 (baidu.com) 进入paddlex以后的界面如下所示： 首先说明paddlex的作用是： PaddleX是PaddlePaddle深度学习框架的一个扩展库，专注于为深度学习任务提供强大的图像处理和增强功能，以及完整的深度学习开发套件。 PaddleX具有的功能涵盖了计算机视觉领域的众多方面，