目标
在本教程中,您将学习如何:
- 使用 OpenCV 函数 cv::boundingRect
- 使用 OpenCV 函数 cv::minEnclosingCircle
理论
法典 C++爪哇岛蟒
本教程代码如下所示。您也可以从这里下载
#include“opencv2/imgcodecs.hpp”
#include “opencv2/highgui.hpp”
#include“opencv2/imgproc.hpp”
#include < iostream>
使用命名空间 CV;
使用命名空间 std;
垫子src_gray;
int thresh = 100;
RNGrng(12345);
无效 thresh_callback(int, void* );
int main( int argc, char** argv )
{
CommandLineParser 解析器( argc, argv, “{@input |东西:.jpg |输入图像}” );
Mat src = imread( samples::findFile( parser.get[>( “@input” ) ) );
if( src.空() )
{
cout << “无法打开或找到图像!”<<结束;
cout << “usage: ” << argv[0] << “ <输入图像>” << endl;
返回 -1;
}
cvtColor( src, src_gray, COLOR_BGR2GRAY );
blur( src_gray, src_gray, Size(3,3) );
const char* source_window = “源”;
namedWindow( source_window );
imshow( source_window, src );
常量整数 max_thresh = 255;
createTrackbar( “Canny thresh:”, source_window, &thresh, max_thresh, thresh_callback );
thresh_callback( 0, 0 );
等待键();
返回 0;
}
无效 thresh_callback(int, void* )
{
垫子canny_output;
Canny( src_gray, canny_output, thresh, thresh*2 );
vector<vector >轮廓;
findContours( canny_output, contours, RETR_TREE, CHAIN_APPROX_SIMPLE );
vector<vector > contours_poly( contours.size() );
vector
vectorcenters( contours.size() );
vectorradius( contours.size() );
for( size_t i = 0; i < contours.size(); i++ )
{
approxPolyDP( contours[i], contours_poly[i], 3, true );
boundRect[i] = boundingRect( contours_poly[i] );
minEnclosingCircle( contours_poly[i], centers[i], radius[i] );
}
垫子绘图 = Mat::zeros( canny_output.size(), CV_8UC3 );
for( size_t i = 0; i< contours.size(); i++ )
{
标量颜色 = 标量( rng.uniform(0, 256), rng.uniform(0,256), rng.uniform(0,256) );
drawContours( 绘图, contours_poly, (int)i, color );
rectangle( 绘图, boundRect[i].tl(), boundRect[i].br(), color, 2 );
圆( 绘图, 中心[i], (int)半径[i], 颜色, 2 );
}
imshow( “轮廓”, 绘图 );
}
解释 C++爪哇岛蟒
主要功能相当简单,从注释中可以看出,我们执行以下操作:
- 打开图像,将其转换为灰度并模糊以消除噪点。
CommandLineParser 解析器( argc, argv, “{@input |东西:.jpg |输入图像}” );
Mat src = imread( samples::findFile( parser.get<String>( “@input” ) ) );
如果( src.empty() )
{
cout << “无法打开或找到图像!”<<结束;
cout << “usage: ” << argv[0] << “ <输入图像>” << endl;
返回 -1;
}
cvtColor( src, src_gray, COLOR_BGR2GRAY );
blur( src_gray, src_gray, Size(3,3) );
- 创建一个标题为“源”的窗口,并在其中显示源文件。
const char* source_window = “源”;
namedWindow( source_window );
imshow( source_window, src );
- 在 上创建一个跟踪栏,并为其分配一个回调函数。一般来说,回调函数用于对某种信号做出反应,在我们的例子中,它是跟踪栏的状态变化。显式一次性调用是与“源”窗口同时显示“轮廓”窗口所必需的。
source_window``thresh_callback
常量整数 max_thresh = 255;
createTrackbar( “Canny thresh:”, source_window, &thresh, max_thresh, thresh_callback );
thresh_callback( 0, 0 );
回调函数可以完成所有有趣的工作。
- 使用 cv::Canny 检测图像中的边缘。
垫子canny_output;
Canny( src_gray, canny_output, thresh, thresh*2 );
- 查找等值线并将其保存到向量和 中。
contour``hierarchy
vector<vector >轮廓;
findContours( canny_output, contours, RETR_TREE, CHAIN_APPROX_SIMPLE );
- 对于每个找到的等值线,我们现在以精度 ±3 对多边形应用近似值,并声明曲线必须闭合。之后,我们为每个多边形找到一个边界矩形并将其保存到 。最后,我们为每个多边形找到一个最小的封闭圆,并将其保存到 和 向量中。
boundRect``center``radius
vector<vector > contours_poly( contours.size() );
vector
vectorcenters( contours.size() );
vectorradius( contours.size() );
for( size_t i = 0; i < contours.size(); i++ )
{
approxPolyDP( contours[i], contours_poly[i], 3, true );
boundRect[i] = boundingRect( contours_poly[i] );
minEnclosingCircle( contours_poly[i], centers[i], radius[i] );
}
我们找到了我们需要的一切,我们所要做的就是画画。
- 创建无符号 8 位字符的新 Mat,并用零填充。它将包含我们将要制作的所有图纸(直面和圆形)。
垫子图 = Mat::zeros( canny_output.size(), CV_8UC3 );
- 对于每个轮廓:选择一种随机颜色,用它绘制轮廓、边界矩形和最小的封闭圆。
for( size_t i = 0; i< contours.size(); i++ )
{
标量颜色 = 标量( rng.uniform(0, 256), rng.uniform(0,256), rng.uniform(0,256) );
drawContours( 绘图, contours_poly, (int)i, color );
rectangle( 绘图, boundRect[i].tl(), boundRect[i].br(), color, 2 );
圆( 绘图, 中心[i], (int)半径[i], 颜色, 2 );
}
- 显示结果:创建一个新窗口“轮廓”,并在其上显示我们添加到图纸中的所有内容。
imshow( “轮廓”, 绘图 );
结果
在这里:
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取==🆓