Boys_Wu的博客

一 说明由于工作需要,在Nvidia AGX Xavier上使用Tengine-Lite引擎进行模型的推理使用.Tengine-Lite是什么?Tengine 由 OPEN AI LAB 主导开发，该项目实现了深度学习神经网络模型在嵌入式设备上的快速、高效部署需求。为实现在众多 AIoT 应用中的跨平台部署，本项目基于原有 Tengine 项目使用 C 语言进行重构，针对嵌入式设备资源有限的特点进行了深度框架裁剪。同时采用了完全分离的前后端设计，有利于 CPU、GPU、NPU 等异构计算单元的快速移植

1.项目数据集介绍：COCO数据集：COCO数据集JSON文件格式，主要有以下五个键字段：<class ‘dict’>:{ "info": info, # dict "licenses": [license], # list ，内部是dict "images": [image], # list ，内部是dict "annotations": [annotation], # list ，内部是dict "categories": # list

说明：为了用BDD100K数据集训练YOLOV5模型，首先需要将BDD100K数据集格式转成YOLOV5支持的输入格式。转换代码如下：一、BDD100K转YOLO格式#!/usr/bin/env python3# -*- coding: utf-8 -*-import reimport osimport jsondef search_file(data_dir, pattern=r'\.jpg$'): root_dir = os.path.abspath(data_dir)

# 执行转化命令python2 Video2ROSbag.py lane_video3.mp4 tingwei_camera.bag # 循环播放图片，并重命名成自己需要的话题名rosbag play -l TLout.bag camera/image_raw:=image_raw0 代码，python2版本import time, sys, osfrom ros import rosbagimport roslib, rospyroslib.load_manifest('sen

测试代码如下：功能：读取视频，缩小处理后再存为另一个视频。#include <opencv2/opencv.hpp>#include <opencv2/highgui/highgui_c.h> // 适用于定义namedWindow 显示框#include<iostream>using namespace cv;using namespace std;int main(){ VideoCapture cam("/home/wsy/data/lane

系统：ubuntu18.04，~/.bashrc环境文件1、配置CUDA路径；cudnn用deb包安装的，会直接被装到系统相应路径，不需要手动添加路径引用。2、 ROS# CUDAexport CUDA_HOME=/usr/local/cudaexport PATH=$PATH:$CUDA_HOME/bin export LD_LIBRARY_PATH=/usr/local/cuda/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}# ROSsour

1、利用C++标准库 std::chrono， 如下计算一个主体程序的运行时间，算出来的时间差值单位为毫秒。<float, std::milli> 表示用毫秒表示。auto t_start = std::chrono::high_resolution_clock::now(); ----------------------- <此处放入你的主体程序> -------------------auto t_end = std::chrono::high_resolutio

智能指针的声明与初始化：第一种：std::shared_ptr 指针// 初始化方式1（推荐）std::shared_ptr<int> sp3;sp3 = std::make_shared<int>(123);// YOLOv5 为自定义的一个类，深度学习中定义的一个类；yolov5_config 为yolov5对象初始化里构造函数中要加载的内容。std::shared_ptr<YOLOv5> yolov5;std::string config_file=

参考：https://blog.csdn.net/qq_38429958/article/details/123185284https://blog.csdn.net/PrideQ/article/details/115304494

多个版本配置与调用：https://blog.csdn.net/BeeGreen/article/details/104397348

最近在安装各种乱七八糟的开发环境，有一次重启机器后打不开ubuntu自带的终端terminal了，无论是检查python版本，还是更换语言环境都不行。原因：最后找到一个博客上的方法解决了，原因是可能之前在locale上加了LC_ALL=C，或者是编码问题。LC_ALL=C的作用是为了去除所有本地化的设置，让命令能正确执行。操作：1、首先安装一个其他终端，sudo apt install terminator，使用terminator启动gnome-terminal命令提示如下的错误：Error c

Apollo6.0的使用教程。

参考：https://blog.csdn.net/yx903520/article/details/117223930

参考：https://blog.csdn.net/yx903520/article/details/117223930

使用CUDA编译相关文件时注意事项！有时候我们会使用CUDA编译一些相关代码或者依赖库，此时要注意一些事项。注意项1：不要使用太低的cmake版本，低版本的cmake会编译不成功。尽量选择cmake3.18.x以上版本。如果是在ubuntu系统，千万不要删除原先cmake再重新安装，这样会造成原先用旧版本cmake编译的软件无法使用，只需要再配置一个新的cmake版本，然后软链接即可。具体操作方式可参考我的一个cmake更新网址：https://blog.csdn.net/Boys_Wu/articl

不小心卸载gnome-shell之后无法进入图形桌面，开机直接进入tty字符使用界面，而不进入图形桌面了。解决方法：在tty字符界面之下，执行如下命令：sudo apt upgradesudo apt install gnomereboot

Caffe的安装有两种方式：在Ubuntu17.04以上的系统，可以直接通过 sudo apt install 安装。方式一：sudo apt install caffe-cpu # CPU框架后端的sudo apt install caffe-cuda # GPU框架后端的方式二：通过源码安装。参考网址：http://caffe.berkeleyvision.org/install_apt.html...

一般情况我们会安装使用多个cuda版本。而且pytorch在安装时也会自动安装一个对应的版本。正确查看方式：想要查看 Pytorch 实际使用的运行时的 cuda 目录，可以直接输出之前介绍的 cpp_extension.py 中的 CUDA_HOME 变量。import torchimport torch.utilsimport torch.utils.cpp_extension torch.utils.cpp_extension.CUDA_HOME #输出 Pytorch 运

有两种方式安装caffe：第一种，安装预编译的Caffe：直接使用如下 apt install 命令安装即可：对于仅CPU版本：sudo apt install caffe-cpu对于CUDA版本：sudo apt install caffe-cuda第二种，从源代码安装Caffe：第二种从源码安装比较坑，会遇到protobuf等一系列问题。...

1、Eigen 源码安装后所在位置说明：Eigen使用源码（build, cmake）安装后的eigen3文件夹一般是被安装在 /usr/local/include位置。因为eigen3 被默认安装到了usr/local/include里了（或者是usr/include里，这两个都差不多，都是系统默认的路径，但主要是usr/local/include里），在很多程序中include时经常使用#include <Eigen/Dense>而不是使用#include <eigen3/Eige