1.制作MXNET数据集
2.（三十八）通俗易懂理解——MXNet如何生成.lst文件和.rec文件
3.GTX 1080 + macOS10.13.2 + MXNet

制作MXNET数据集

       在MXNet框架中，码架读取图像主要采用两种方法：一种是码架处理.rec格式文件，类似于Caffe框架中的码架LMDB，优点在于文件稳定，码架移植性强，码架但在空间占用和数据增删灵活性上存在不足。码架铅笔小说源码下载另一种方式是码架结合.lst文件与图像，首先在生成.rec文件过程中会同步创建.lst文件，码架即图像路径与标签对应列表，码架以此灵活控制训练集与测试集变化，码架但对图像格式要求严格，码架且在图像路径变更或删除时可能无法找到对应图像。码架MXNet提供im2rec.py文件来生成.lst和.rec文件，码架源码可从官方GitHub下载，码架具体参数解释详尽，码架使用时只需指定.lst文件位置、图像文件夹及数据前缀。

       使用im2rec.py文件生成.lst和.rec文件的步骤如下：

       1. 首先，使用命令行运行im2rec.py，手机视频源码下载参数包括输出.lst文件位置、文件夹路径和数据前缀，例如：python im2rec.py --list /home/mark7/Downloads/data /home/mark7/Downloads/test_images。这将生成对应.lst文件，格式为：路径与标签的对应列表。

       2. 其次，使用已生成的.lst文件和文件夹路径，运行另一条命令生成.rec文件，如：python im2rec.py /home/mark7/Downloads/data /home/mark7/Downloads/test_images，八爪鱼源码这将完成.rec文件的生成。

       在自定义数据集时，需自行制作.lst文件。一种常用工具是labelme，其生成的标签文件可通过Python的json处理模块读取，获取标注数据。MXNet要求lst文件格式固定，需参照官方文档理解具体意义。在处理标注数据后，主力趋势雷达源码可自动生成lst文件，如使用python处理后的json文件内容制作lst文件，再使用im2rec.py生成.rec文件。最终，通过调用MXNet函数，即可利用自定义的rec、lst和inx文件进行模型训练。

（三十八）通俗易懂理解——MXNet如何生成.lst文件和.rec文件

       在MXNet中进行图像项目的处理时，图像读取方法有两路：一是读取excel文件源码通过.rec格式，虽然文件稳定可移植，但文件较大占用空间；二是利用.lst文件与图像结合，lst文件记录路径和标签，便于数据管理，但对图像格式要求高，且对文件路径的完整性敏感。对于分类和目标检测，流程略有差异。

       首先，从文件结构开始，需在根目录下建立文件夹，如im2rec源码、空的mxrec存放打包文件，以及hot_dog、not_hot_dog等子文件夹。针对分类任务，执行im2rec.py工具，通过参数如`--list`生成lst文件，`--recursive`遍历子目录，`--train_ratio`设置训练与测试的比例，以及指定文件前缀和文件夹路径。打包完成后，就生成了lst和相应的rec、idx文件。

       目标检测略有不同，不能直接使用im2rec，如VOC数据集，其xml文件包含了的标注信息。制作lst文件时，需要从xml中提取锚框坐标、id、名称和尺寸等信息，以'\t'分隔。然后，遵循分类的打包流程，将这些信息与图像一起打包成rec文件。

       总结来说，MXNet通过lst和rec文件的配合，提供了灵活和稳定的数据管理方式，但需要注意文件格式的兼容性和路径完整性，具体操作根据任务类型（分类或目标检测）进行适当的调整。

GTX + macOS..2 + MXNet

       æœ€åˆæ‰“ç®—ä¹° Ti，发现 Ti+拓展坞的组合比Gigabyte AORUS GTX Gaming Box贵很多，犹豫再三，还是购买了，妥妥地够用。

        Gigabyte AORUS GTX 官方驱动不支持macOS。我的系统是macOS..4，查过很多资料后，发现解决方案比较麻烦，需要使用macOS ..3的kext，如下图：

        最终还是将系统从..4降到了..2。严格按照 步骤 安装：

       å®‰è£…成功后在Graphics/Displays和NVIDIA Driver Manager可查到外置显卡的信息：

        目前无法通过pip安装GPU版本的MXNet，只能通过 源码 )安装：

       å®‰è£…好CUDA9.1后，测试GPU：

        安装好cuDNN7.0.5，构建MXNet，最后采用基于MXNet的测试用例验证一下包：

        安装过程中需要注意的是：

        用install_name_tool将lib指向修改为正确的即可：