今天读到一篇2017年的综述文章，虽然至今有7年之久，但这篇文章的一些内容值得参考、思考。
一、查看cuda版本
在命令行中输入nvidia-smi
nvidia-smi
得到cuda版本为12.4，主要关注该版本是否大于10.2即可。
二、安装torch、torchvision、torchaudio三个组件
以python3.11为例，当然其他版本也适用。
经验：
安装cuda12.4（又写作cu124）版本对应的三个组件，是比较稳妥的
国内源容易在安装时自动替换为cpu版本，因此从pytorch官网下载较稳妥
建议使用pip安装，conda安装很可能会安装为cpu版本
下面为具体步骤：
（1）打开网址：https://download.pytorch.org/whl/
首先选择torch，ctrl + F 搜索 [cu124-cp311-cp311-win] 这里cu124 是我们下载的 CUDA 12.4 版本，cp311-cp311 是说我们的 Python 版本是 3.11。如果要安装python3.12那将cp3.11改为cp3.12即可。
单击即可下载。
我们继续查找该版本对应的torchvision 和torchaudio版本。
在之前的网址 ...
SAM2（Segment Anything 2）是 Meta 推出的一款新模型，旨在分割图像中的任何内容，而不局限于特定的类别或领域。该模型的独特之处在于其训练数据规模：1100 万张图像和 110 亿个掩码。这种广泛的训练使 SAM2 成为训练新图像分割任务的强大起点。
您可能会问，如果 SAM 可以分割任何东西，为什么我们还需要重新训练它？答案是 SAM 非常擅长处理常见物体，但在罕见或特定领域的任务上表现不佳。但是，即使在 SAM 给出的结果不足的情况下，仍然可以通过在新数据上对其进行微调来显著提高模型的能力。在许多情况下，这将比从头开始训练模型需要更少的训练数据并获得更好的结果。本教程演示了如何在仅 60 行代码（不包括注释和导入）中对新数据上的 SAM2 进行微调。
完整的训练脚本可以在以下位置找到：
https://github.com/sagieppel/fine-tune-train_segment_anything_2_in_60_lines_of_code/blob/main/TRAIN.py?source=post_page-----928dd29a63b3--- ...
https://readmedium.com/zh/create-geo-spatial-visualization-using-manim-2d179b2c21b9
使用 Manim 创建动态地理空间可视化开始之前，我们需要安装两个主要软件包。以下是软件包名称和安装文件：
Manim
Geopandas
现在，让我们收集一些数据来进行可视化，我将以 2017 年美国各州人口数据为例，但你也可以使用任何数据。
import geopandas as gpd
import matplotlib.pyplot as plt
from manim import *
us_population_2017 = gpd.read_file("https://services.arcgis.com/P3ePLMYs2RVChkJx/arcgis/rest/services/USA_States_Generalized/FeatureServer/0/query?outFields=*&where=1%3D1&f=geojson")
us_population_2017.head() ...
最新的SAM2分割大模型（Segment Anything Model 2）是由Meta开发的一个先进的图像和视频分割模型。相比于第一代SAM模型，SAM2在多个方面实现了显著的改进。
下面记录一下我是怎么安装sam的，在这个过程中遇到的问题及解决方案。我已经安装好了conda。
要求系统安装有 Python ≥ 3.10、PyTorch ≥ 2.3.1 和与PyTorch 安装相匹配的torchvision。
步骤下载sam2的文件，要么是git下载，要么在github下载zip
我是直接在github下载的，因为这台电脑没有安装git，也懒得安装。
下载好之后，对这个压缩进行解压，激活项目环境。
使用conda建立一个python版本大于3.10的虚拟环境。sam2要求python版本大于等于3.10.0
不然会报错：
ERROR: Package 'sam-2' requires a different Python: 3.9.19 not in '>=3.10.0'
所以我们建立一个3.11版本的python虚拟环境就好。
conda create --name sam ...
对于大的遥感影像文件，在QGIS或ArcGIS中，都可以通过建金字塔的方式，提供其加载速度。通常情况，将遥感影像加载到ArcGIS中，软件会提示是否构建金字塔，同意构建金字塔后，影像的对应文件夹下会生成一个ovr类型的影像金字塔文件，提高影像加载速度。
什么是遥感影像金字塔文件呢？如何通过代码建立金字塔文件呢？
什么是影像金字塔在GDAL中，金字塔（Pyramids）是一种用于栅格数据的方法，它通过创建原始影像数据的缩略图来加快显示和分析速度。每个金字塔层级都是原始影像的一个较小版本，具有更少的像素和较低的分辨率。
金字塔的主要用途包括：
快速浏览：在查看大尺寸影像时，金字塔允许用户快速浏览而不需要加载整个高分辨率影像。
地理空间分析：在进行某些地理空间分析时，可能不需要最高分辨率的数据，金字塔可以提供足够用的数据而减少计算量。
改善性能：使用金字塔可以改善地图渲染和地理信息系统（GIS）软件的性能。
对于未经压缩的栅格数据，.ovr 文件大小约为原始栅格数据集大小的 8%。
实现可以用GDAL中的gdaladdo方法，内建金字塔，或者建外部金字塔。
内建金字塔gdaladdo ...
之前写过分块进行16位转8位的程序。今天使用一景大影像进行处理，发现程序报错了。
原因是，影像太大了,numpy一下子不能读取到矩阵的百分之二最小值和百分之98最大值。报错的代码如下：
global_min = np.percentile(array_data, 2)
global_max = np.percentile(array_data, 98)
改进numpy.percentile() 是一个非常通用且强大的函数，但它可能不是性能最优的选择，尤其是在处理大数据集时。
使用 numpy.partition() 代替，numpy.percentile()
def fast_percentile(arr, percentile):
# 将百分位转换为索引位置
k = int((percentile / 100.0) * arr.size)
# 使用 partition 函数来找到第k小的元素
part = np.partition(arr.flatten(), k)[:k]
return part[-1]
chunk_array = nump ...
一开始使用以下语句打包：
pyinstaller -F simplify.py
运行打包后的exe闪退，报错信息如下：
Traceback (most recent call last):
File "vector_simplify.py", line 673, in <module>
vector2simplify(a, b, c)
File "vector_simplify.py", line 643, in vector2simplify
find_intersections(shape_path, common_line)
File "vector_simplify.py", line 145, in find_intersections
gdf = gpd.read_file(shp_path)
File "geopandas\io\file.py", line 255, in _read_file
File "geopandas\io\file.py", line 114, in _check_engine
Impor ...
记录一下如何进行2000坐标系转化为wgs84坐标系的过程。
在处理矢量数据转换的过程中，有几个关键步骤确保了数据的有效性和可用性。
首先，在转换之前，通过检查并创建目标保存目录，保证了正确的目录结构，这对于避免转换失败或产生错误输出至关重要。
接着，通过osr.SpatialReference对象定义目标坐标系，并使用ImportFromEPSG()方法设置EPSG代码，确保了转换后的数据能够在地理信息系统中正确显示。
此外，通过selectFields参数可以选择性地保留某些字段，而geometryType参数则定义了输出文件中的几何类型，这些选项使用户可以根据具体需求定制输出文件。
重投影选项reproject=True指示GDAL/OGR进行坐标系转换，这对于整合不同坐标系下的数据至关重要。
最后，通过dim参数可以控制输出数据的维度，例如仅保留X和Y坐标，这对于某些特定应用场景是必要的。这些步骤共同构成了一个完整的矢量数据转换流程，确保了数据的准确性和实用性。
具体代码如下：
from osgeo import ogr, gdal
from osgeo import osr ...
本文主要介绍图像特征点匹配众多方法中的sift算法。这是几年前写的代码，现在再回看发现很多内容我不记得了，记忆被删除了一样。但是，当时记录好了，也把代码、数据备份了，现在一边运行、一边查资料，很快就把这段代码捡起来了。话不多说，直接进入今天主题。
航片拼接、点云生成、SFM不可绕过的是特征点匹配。而特征点匹配中最经典、有效、稳定的方法是sift算法。我们有必要去学习一下这个sift算法。
下面是一个利用python语言调用opencv中的算法的示例。
输入图像1：
输入图像2：
具体代码如下：
# -*- coding: utf-8 -*-
# @Time : 2021/3/10 20:11
import numpy as np
import cv2
'''
sift practice code 1
'''
class SIFT():
def img_sift(self, file1, file2):
sift = cv2.xfeatures2d.SIFT_create()
img1 = cv2.imread(file1)
...
