如果你的gdal版本是3.2.2及以上，那么只能：
from osgeo import gdal
ds = gdal.Open(data)
rows = ds.RasterYSize
cols = ds.RasterXSize
bandnum = ds.RasterCount
transform = ds.GetGeoTransform()
ds是一个对象，rows是影像的行，也是Y轴长度。对应的，cols则是影像的列，X轴的长度。bandnum代表影像的波段数。
transform是一个list，存储着栅格数据集的地理坐标信息。
#transform[0] /* top left x 左上角x坐标(经度)*/
#transform[1] /* w--e pixel resolution 东西方向上的像素分辨率*/
#transform[2] /* rotation, 0 if image is "north up" 如果北边朝上，地图的旋转角度*/
#transform[3] /* top left y 左上角y坐标（纬度）*/
#transform[4] ...
在半年前，我曾想过出一些关于编程、图像处理的视频教程。
在往常附上代码的以文本的形式，那如果要制作视频，那应该怎么制作呢？
我有认真思考过这个问题。
视频的本质就是多帧的图片叠加起来。
大致就是周星驰电影《苏乞儿》里那本武功秘籍，把书快速翻动，里面的小人就打一套功夫。
所以用python制作 一个类似 代码演示的视频，这是一件不难的事情。
写完了之后，我和朋友聊起这件事。
整体流程逻辑（大框架）代码主要分 4 个阶段：
① 初始化环境与加载字体
清空输出目录
找字体 → 成功用之，不成功就换 → 最后用默认
根据 Pygments 配色方案（dracula）获取各种 token 的颜色
② 按字符绘制代码，模拟打字动画核心逻辑：
代码内容 CODE_TO_ANIMATE → 清洗成干净的字符串
for char in clean_code： 每多一个字符，就重新画一张“当前代码”的截图
每生成一帧，文本要
用 PIL 绘制
按 token 上色（和 Python 语法高亮一样）
计算光标位置（像打字机一样挪动）
遇到换行 \n，会停顿一些帧（让动画更自然）
每一帧保 ...
这个现象，正是Python包管理设计中一个巧妙之处。简单来说，这主要归功于一种叫做“控制台脚本入口点”的机制。
当你 pip install xxx 的时候，实际上装了两个东西：
Python 包（库） 你在代码里 import xxx 用的就是它。
可执行脚本（命令行工具） 这类脚本会被 pip 自动丢到你的系统 PATH 里，所以你在终端能直接敲命令运行。
为什么能直接运行？比如你安装：
pip install jupyter
pip install gdal
然后你就能直接跑：
jupyter notebook
gdalinfo xxx.tif
原因是：
这些包的 setup.py / pyproject.toml 里写了 console_scripts
[project.scripts]
jupyter notebook = "jupyter:main"
意思是：安装后自动生成一个叫 jupyter notebook 的命令，执行时调用 jupyter.main()。
pip 会把这些生成的脚本放到：
Windows: Scripts/
Linux / Mac: ~/.l ...
程序员的世界里有一种非常神奇的生物——进度条。
它像是一个努力奔跑的小人，不断告诉你：“我在工作，我没有卡死，你放心。” 然而现实是： 许多进度条，其实根本不知道自己跑到了哪里。
没错，它们是假的。
01. 我遇到过真正的“纯假进度条”有一次我用 Java 调用同事写的 DLL（C++ 写的底层处理模块）。 需求很简单：
“要一个进度条，看着舒服点。”
问题来了——我根本拿不到 C++ 里循环的实时进度。
DLL 是个黑盒子。你只知道它开始了，但不知道它在哪个阶段、完成了多少、是不是卡了、是不是要挂了。
理论上可以让同事加一个回调函数，从 C++ 里主动往 Java 里推进度，但：
同事嫌麻烦
DLL 老代码不敢改
发布周期赶
风险大
所以最终我就只能……假装一切尽在掌控。
于是，Java 里写了一个“陪伴型进度条”：
DLL 开始 → 进度条从 0% 平滑升到 95%
DLL 返回结果 → 进度条从 95% 快速跳到 100%
DLL 卡住 → 条条继续动，程序假装没事
DLL 崩掉 → 用户最后只看到“哎呀，失败了”
进度条根本不知道 DLL 在干嘛，它只是尽到了一 ...
最近写遥感的东西比较少，今天写一写如何将wgs84影像直接转换为cgcs2000影像，我们直接上代码就好了。
说白了这东西没什么技术含量，都是调用gdal写好的接口，以后我们再讨论一下wgs84的tif和cgcs2000的tif本质上有什么区别，这块我后面再好好研究一下。
至于wgs84影像直接转换为cgcs2000影像的代码，我直接放后面。此外，我还想再唠上一唠。
诸如遥感数据处理的东西，其实是没有技术含量的，本质上都是调用gdal的东西，你把gdal的各个接口弄明白了就掌握这个数据处理的技能，唯手熟尔。真正有难度的是算法、加速处理速度。我其实很久不做数据数据处理的东西了，因为我有足够的代码积累，我建立了一个代码库，需要哪个模块，我直接搜索。
当然，这些代码库，随着这两年的公众号的文章更新，早已被我耗尽。不然我去年不可能做到高强度的更新。
我自认为部分的技术文章还是写的有一点水平的，哈哈我这种黄婆卖瓜自卖自夸行为真不要脸。
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time : 2025/10/26 21:30
# @Fil ...
在AI项目中，训练好模型只是第一步，下一步是部署到其他的环境中！ 但PyTorch模型（.pth）在手机/服务器上跑不动？别急！ONNX格式来救场。
为什么必须转ONNX？3大痛点
问题
后果
ONNX解决
框架依赖
PyTorch跑不动TensorFlow环境
跨框架通用，到处跑！
部署慢
手机/边缘设备卡顿
体积小50%，速度快2倍
不稳定
不同硬件报错
标准化，一次转换到处用
除这三点之外，个人认为，我需要pth模型文件转换为ONNX文件的最大需求是：隐藏神经网络模型的细节，不需要把python源代码交付出去，这样做相当于简单伪装，很多事情都是防君子不防小人。
超简单3步转换法Step 1：准备模型# 加载你的.pth模型
model = YourModel() # 替换成你的模型类
checkpoint = torch.load('your_model.pth')
model.load_state_dict(checkpoint) # 加载权重
model.eval() # 评估模式
Step 2：创建假输入# 根据你的输入尺寸创建（比如 ...
普通人买新电脑一定要有一个心理价格预算，选电脑配件就按照这个预算去买。
一台新的台式电脑，最贵的就是显卡。在预算有限的前提下，普通人选显卡买英伟达的5060就够了。
很多东西都是一分钱一分货，显卡更是如此，等级森严。你不能把5060和5090比，毕竟价格不一样。同样的，你不能用2000元的安卓机和6000元的苹果机比，要比也是用6000元的安卓机和6000元的苹果机进行性能对比。
十月初，我趁着放假回老家，自购了一些电脑配件，花几个小时自装电脑。这算是我的第二台 台式电脑。
我不是装机老杆子，我是装机小白，装配新台式机的一大需求是，帮助我处理一些视频任务，并且要求新电脑要稳定，一年不关机的那种。
我的预算是5000元到7000元，我不要颜值，只要求稳定。
实际上，我的总花费不止6284元，因为我加购了一块4T的机械硬盘。
那么，电脑八大件我是怎么选的？
首先是 硬盘，硬盘我是 1tb 固态 + 4tb的机械，这配置够用5年。
内存条是2x16G，暂时够用。内存条是很难坏的，可当传家宝。
散热器稍微选个好点的，200元差不多了。毕竟我要长时间不关机。
而cpu和板子，我选的ADM的9 ...
python
未读方法1：克隆环境并删除旧环境这是最常用且安全的方法，适用于所有Conda版本：
克隆旧环境到新名称：
conda create --name new_name --clone old_name
这会创建一个名为new_name的新环境，内容与old_name环境完全相同
验证新环境：
conda info --envs
删除旧环境：
conda remove --name old_name --all
确保先退出旧环境(conda deactivate)再执行删除操作
方法2：使用conda rename命令从Conda 4.14版本开始，可以使用更简洁的命令：
conda rename -n old_name new_name
这个命令实际上是方法1的简化版，内部仍然使用克隆和删除的组合方式
验证修改结果无论使用哪种方法，修改完成后都应验证：
conda info --envs
以上方法中，方法1（克隆+删除）是最推荐的，因为它安全可靠且适用于所有情况
深度学习图像处理一般分为三个步骤：标签制作、模型训练、推理预测。
现在我准备做是目标检测，使用的框架是yolov8。
使用yolov8并不是代表落后，而是yolov8足够实用，你们当然可以使用最新的yolov26，在这一点上是无所谓的。
由于目标检测的篇幅很长，我打算分块写。所以今天的主题是标签制作。
别急哈，我们一步步来。
那么我们得先知道什么是yolov8标签格式。这时候问下大模型，快速过一哈。
以下是 YOLOv8 标签格式的详细说明：
1. 标签文件格式
文件扩展名：.txt
命名规则：标签文件的名称需要与对应的图像文件名一致（扩展名除外）。例如，图像文件为 image1.jpg，则标签文件为 image1.txt。
文件内容：每行表示图像中的一个目标对象，格式如下：
text
<class_id> <x_center> <y_center> <width> <height>
：目标类别的索引（从 0 开始的整数，基于数据集中的类别顺序）。
：边界框中心点的 x 坐标（归一化，范围 [0, 1]，相对于图像宽度） ...
