对三个不同文件夹中的图像进行相似度匹配，并将匹配成功的三张图像（每个文件夹各一张）拼接成一张横向长图保存。以下是详细的功能解析：

核心功能

1. 图像匹配： • 从三个文件夹（yuantu原图、Effect_ox1效果图1、Effect_pf效果图2）中读取图片。

   • 通过计算图像的均方误差（MSE）衡量相似度，找到每个原图对应的最相似的两张效果图（分别来自两个效果图文件夹）。

   • 使用全局优化算法（迭代移除已匹配的图片）确保匹配的唯一性和最优性。

2. 图像拼接： • 将匹配成功的三张图片（原图 + 效果图1 + 效果图2）横向拼接成一张长图。

   • 拼接时保持所有图片高度一致，宽度按原始比例缩放。

3. 结果保存： • 将拼接后的图像保存到save_mse文件夹中，文件名按序号命名（如001.jpg）。

一、补充的5个核心方向

在掌握了算法面试中最常见的几大类题型（如动态规划、DFS/BFS、贪心、字符串、树）之后，还有一些非常重要的补充知识点也常常出现在高频面试题中。以下是五大进阶方向及对应的必刷题目推荐。

树（Tree）结构题目分类与详解

树（Tree） 是算法面试中非常核心的数据结构，广泛涉及遍历、递归、DFS/BFS、二叉搜索树（BST）、平衡树、字典树（Trie）等知识点。本文将对树类常见题型进行系统分类与经典题目解析，帮助你快速掌握解题思路。

字符串算法题目分类与详解

字符串（String） 是算法面试中占比极高的题型，涉及模式匹配、子串/子序列、哈希计数、回文、滑动窗口等多个核心知识点。本文将对字符串常见题型进行系统分类与经典题目解析，帮助你快速掌握解题思路。

贪心算法（Greedy Algorithm）系统分类与经典题型详解

贪心算法（Greedy Algorithm） 是一种在每一步选择中都采取当前状态下最优决策的算法思想，常用于解决最优化问题。其核心在于：局部最优解能否推导出全局最优解。

本文从基础概念到经典题型进行系统分类与解析，涵盖从入门到进阶的所有常见问题。

一、贪心算法的三大核心要素

1. ✅ 贪心选择性质：每一步的局部最优选择能导致全局最优解
2. 🔁 无后效性：当前的选择不会影响后续子问题的结构
3. ⚡ 高效性：时间复杂度通常为 $O(n)$ 或 $O(n \log n)$，优于动态规划

广度优先搜索（BFS）系统分类与经典题型详解

广度优先搜索（Breadth-First Search, BFS） 是一种基于队列实现的层次遍历算法，适用于最短路径、状态转移、连通性等问题。其核心思想是“层层扩展”，从起点出发，逐层访问所有可达节点。

本文从基础概念到经典题型进行系统分类与解析，涵盖从入门到进阶的所有常见问题。

一、BFS的三大核心要素

1. ✅ 队列（Queue）：存储待访问节点，保证先进先出（FIFO）的遍历顺序
2. 🧭 已访问标记（Visited）：避免重复访问（如哈希表、二维数组）
3. 🔁 层数统计（Level）：记录当前遍历的层数（用于最短路径问题）

深度优先搜索（DFS）系统分类与经典题型详解

深度优先搜索（Depth-First Search, DFS） 是算法中解决树/图遍历、路径搜索、排列组合等问题的核心方法之一。其核心思想是“一条路走到底”的搜索策略，通常通过递归或显式栈实现。

本文从基础概念到经典题型进行系统分类与解析，涵盖从入门到进阶的所有常见问题。

一、DFS的三大核心要素

1. 递归终止条件：何时结束当前分支的搜索

   示例：越界、找到目标、访问过

2. 当前层处理：对当前节点或状态的修改

   示例：标记已访问、加入路径

3. 向子问题递归：进入下一层搜索

   示例：遍历相邻节点、选择下一个数字

动态规划（DP）系统分类与经典题型详解

动态规划（Dynamic Programming, DP） 是算法中解决最优化问题的核心方法之一。其核心思想是将原问题分解为多个重叠子问题，并通过记忆化存储避免重复计算。

本文从基础概念到经典题型进行系统分类与解析，涵盖从入门到进阶的所有常见问题。

基本推理

仓库：https://huggingface.co/google/siglip-so400m-patch14-384

下载仓库：

展开代码
./hfd.sh google/siglip-so400m-patch14-384 --local-dir ./google/siglip-so400m-patch14-384

懒得装环境，直接docker：

展开代码
docker run -it \
--gpus '"device=0"' \
-v ./google/siglip-so400m-patch14-384:/google/siglip-so400m-patch14-384 \
-p 8033:8033 \
--shm-size 32g \
kevinchina/deeplearning:llamafactory20250311-3 bash

【训练】Qwen2.5VL 多机多卡 Grounding Box定位（1）：http://101.126.150.28:7878/post/2067

【训练】Qwen2.5VL 多机多卡 Grounding Box定位（2）：http://101.126.150.28:7878/post/2094

之前的相关文章：

【深度学习】LLaMA-Factory微调sft Qwen2-VL进行印章识别

https://www.dong-blog.fun/post/1661

使用LLaMA-Factory微调sft Qwen2-VL-7B-Instruct

https://www.dong-blog.fun/post/1762

构建最新的LLaMA-Factory镜像

https://www.dong-blog.fun/post/1799

关于Grounding 如何不偏移的问题解决

看了一些帖子：

• https://github.com/QwenLM/Qwen2.5-VL/issues/1094
• https://github.com/QwenLM/Qwen2.5-VL/issues/950
• https://github.com/QwenLM/Qwen2.5-VL/issues/900
• https://github.com/QwenLM/Qwen2.5-VL/issues/866
• https://github.com/QwenLM/Qwen2.5-VL/issues/721
• https://github.com/QwenLM/Qwen2.5-VL/issues/584
• https://github.com/QwenLM/Qwen2.5-VL/issues/830
• https://github.com/QwenLM/Qwen2.5-VL/issues/773

所以有一些关于 Qwen2.5VL Grounding 的结论：

• 官方微调用的是这样的格式，所以在prompt中也无需特殊的格式/

json
展开代码
[
    {"bbox_2d": [x1, y1, x2, y2], "label": "obj_name/description"},
    {"bbox_2d": [x1, y1, x2, y2], "label": "obj_name/description"},
    {"bbox_2d": [x1, y1, x2, y2], "label": "obj_name/description"},
]

• 官方还是这么做了，因为底层对28的切割性质，所以要这么做，不然真会偏一点： 在 Qwen2.5-VL 中，我们首先调整输入图像的大小，以确保其宽高为 28*n，然后使用调整后图像上的绝对坐标作为最终目标。

• 使用 (左, 上), (右, 下) 坐标，不用归一化到0-1000.

• 您好，根据您的描述，我怀疑问题出在 Qwen2-VL 和 Qwen2.5-VL 中 bbox 坐标的处理方式不同。具体来说，我们在 Qwen2.5-VL-7B 中现在使用的是绝对坐标，而不是 Qwen2-VL 中使用的相对坐标（后者被缩放到 [0,1000]）。 例如，在 Qwen2-VL 中，640x640 图像中 [0, 0, 320, 320] 的边界框用 (0, 0), (500, 500) 表示。但在 Qwen2.5-VL 中，我们直接使用 [0, 0, 320, 320] 或 (0,0),(320,320)。此外，如果在图像增强过程中将图像尺寸调整为 1280x1280，则坐标现在应相应地扩展为 [0, 0, 640, 640]。

  由于 Qwen2.5-VL 使用绝对坐标进行训练，我建议在微调时也使用相同的绝对坐标系。如果您出于某种原因坚持使用相对坐标，可以延长训练时间，看看偏差问题是否会随着训练时间的延长而消失。

  供大家参考，详细坐标流程如下：

  调整图像大小，使高度和宽度为 28*n resized_w, resized_h = smart_resize(img_w, img_h) 相应地改变绝对坐标 new_bbox = bbox / np.array([img_w, img_h, img_w, img_h]) * np.array([resized_w, resized_h, resized_w, resized_h])) 如果使用绝对坐标后仍然观察到明显的 grounding 偏差，则另一个可能的问题在于图像的大小。如果图像非常大或非常小（例如，> 4k 4k 或 < 320 320），则模型很可能会输出有偏差的 bbox 结果。

• 新版本的transformers才没有rope问题，安装： pip install git+https://github.com/huggingface/transformers