HW140701的博客

跨平台获取当前可执行程序路径是C++跨平台项目中会经常使用的功能，我将这个功能简单的封装成了一个。静态函数获取当前可执行程序路径，下面贴出了功能实现代码。工具类，在该类中通过。

按理来说，使用OpenCV的CUDA版本进行计算相比CPU会快很多，但是经过我对上面CPU和CUDA版本的运行时间的测试，发现最终处理的时间是差不多的，我分析这个原因是在使用CUDA版本时，需要将cpu上的图片使用。需要注意的是，Mask图片必须与原始图片具有相同的分辨率大小和相同的数据类型，比如原始图片是1920x1080，CV_8UC3的图片，那么Mask图片必须是1920x1080，CV_8UC1的图片。方法分离原始图片各个通道，然后将Mask加入到原始通道中，最后使用。合成新的通道生成最后的图片。

通常情况下，在同一个opencv项目传递cv::Mat可直接通过const cv::Mat& img这种方式传递，但是如果需要进行跨语言传递，比如C++传递到C#或者C#传递到C++，那么通常这种情况下需要将cv::Mat转换为内存指针比如unsigned char指针或者float指针进行传递。我们可以将第1节中的代码进行修改，不使用动态数组，而是改用使用std::vector，这样就不用太在意内存泄漏的问题。我们可以写一个模板的方法完成cv::Mat与不同类型的std::vector之间的相互转换。

好了，在本小节中会详细介绍如何使用OnnxRuntime在CPU端进行RTMDetnano+RTMPose模型的部署，在本教程中会实现基于RTMDetnano+RTMPose的一个Top-Down的2D姿态估计示例，由RTMDetnano检测人，然后根据检测框裁剪相应的图片区域喂给RTMPose进行姿态估计，进行了一个简单的跳帧检测的实时2D姿态估计的C++类，好了，就让我们愉快的开始吧。RTMPose的亮点主打的就是工业级别的推理速度和精度，这在他的论文摘要也是着重突出，可以仔细看他的论文摘要，

普通方法就是遍历std::vector，对vector中的值进行一一对比，找出最小值、最大值及其对应的索引，示例代码如下。

我自己以为只要是下载cuda 11.4的版本就行了，之后的小版本就没在意，所以当时下载的时候我就下载了cuda 11.4.1，但是cuda 11.4.1的cuBLAS的版本只有11.5.4.8，那么如何知道哪一个cuda版本中的cuBLAS版本呢？所以我们应该下载安装的版本是cuda 11.4.2，而不是cuda 11.4.1，所以为了避免出现问题（虽然不知道不适用对应的cuda版本会出现什么问题），还是一个版本一个版本慢慢校对，直到找到合适的cuda版本。

在使用Pytorch搭建自己的神经网络框架时，经常需要使用Pytorch中内置的中的模型作为特征提取的Backbone，然后再在这个基础上进行更加复杂的网络搭建。在这里以使用Pytorch中内置的Resnet18为例，如何作为Backbone层进行使用，看以下示例代码使用上述代码，如果输入Tensor的维度为[1,3,244,244]，fowward输出的Tensor的维度为[1,512,1,1]，如果我们需要输出的Tensor维度为[1,512]，需要squeeze相应的维度，修改后的代码如下。

我们可以使用可变参数模板+定义一个字符串格式化函数// std::string的字符串格式化函数 template < typename . . . Args > static std :: string str_format(const std :: string & format , Args . . . args) {if(!

在本文中，我们对.Net的事件和委托，Qt的信号和槽进行了简单的介绍，然后通过引入Duilib中对于事件和委托的简单实现，进而扩展了自定义的简单事件类Event，此类实现的比较简单，但是包含了事件实践的核心思想，自己对于模板类，以及变参模板的使用又有了新的体会。

Easylogging++是一个只有单个头文件的开源跨平台日志库，拥有简单易集成，速度极快，线程安全，高效并可配置可扩展等等优点，现在也是我的主力日志库。

最近使用three.js在场景中显示gltf模型时候，当我使用操作摄像机想近距离观察gltf模型的时候发现一部分模型消失了，比如说假如这个模型是一匹马，当我远距离观察时可以完整的看到整匹马，但是当我想拉近摄像头近距离观察马的时候，这个时候我只能看到马的头，马的身子和脚的部分突然就消失了。我马上意识到是摄像机的视椎体出现了问题，但是我的视椎体设置的很大，如下肯定可以把这个模型完整的包含在视椎体里面，不可能会出现上述的奇怪问题。

输入的mask需要与当前的基础Tensor的形状一致。将mask中为True的元素对应的基础Tensor的元素设置为值value。返回填充后的Tensor。

对打印Pytorch模型的模型结构、输出维度以及参数信息的方式进行了总结

1 使用std::chrono获取当前秒级/毫秒级/微秒级/纳秒级时间戳1.1 当前时间戳获取方法先使用std::chrono获取当前系统时间，然后将当前系统时间转换为纪元时间std::time_t类型，之后使用std::localtime对std::time_t类型转换为本地时间结构体std::tm类型，最后使用strftime对时间进行格式化输出。其中std::tm该结构包含了一个被分解为以下各部分的日历时间struct tm { int tm_sec; // 秒，范围从

1 FFmpge编译参数本文对FFmpeg4.4.1的./configure的所有编译参数进行了简要说明。在Linux系统上编译FFmpge时总是不太明白应该使用哪一些编译参数，这里以FFmpge4.4.1版本为例，对FFmpge的所有可选编译参数进行总结和整理。1.1 Help options 帮助选项参数参数作用–help打印显示帮助信息–quiet禁止显示信息输出–list-decoders显示所有可用的解码器–list-encoders显示所有可用

1 环境准备1.1 安装使用C++的Linux开发的工具集首先需要在Visual Studio Installer中安装使用C++的linux开发的工具集等待使用C++的Linux开发的工具集安装完成，并重启Visual Studio。1.2 准备可远程的Linux服务器以及在远程服务器安装远程调试环境1.2.1 明确Linux服务器的cpu架构首先需要清楚该服务器的cpu是x_86、x_64还是arm，这在之后的Visual Studio中需要选择编译平台。1.2.2 配置远程Linux服

1 Mediapipe HolisticTrackingMediapipe Holistic Tracking可对身体，面部和手部的共543个关键点进行实时跟踪检测，其中包含面部468个关节点，身体33个关键点，以及每只手分别21个关键点。所有关键点的存储顺序以及标注对照索引图可参考我的另一篇文章：https://www.stubbornhuang.com/1916/1.1 封装Mediapipe Holistic Tracking的目的之前尝试对Mediapipe的手部跟踪功能HandTrack

1 Fundamentals of Computer Graphics, Fourth Edition 中文翻译随缘翻译，不喜勿喷。第1章：Introduction 中文翻译 : https://www.stubbornhuang.com/1813/第2章：Miscellaneous Math 中文翻译：https://www.stubbornhuang.com/1821/第3章：Raster Images 中文翻译：https://www.stubbornhuang.com/1822/第4章：

使用Pytorch从零训练一个深度学习网络模型，常需要经过以下步骤：自定义数据集、加载自定义数据集、网络模型结构定义、定义损失函数、定义优化器、训练模型、测试模型、保存与加载模型等步骤。下文将详细阐述如何从零构建并训练一个深度学习网络模型的必要步骤。1 自定义数据集from torch.utils.data import Datasetclass torch.utils.data.Dataset表示数据集Dataset的抽象类，所有其他自定义的数据集都应该继承Dataset类，并且强制重写_le

1 视频中的旋转信息以及为什么会有旋转信息Android或者ios等手机上录制视频时，由于重力感应或者录制视频的摆放方式的问题会导致录制的视频拥有旋转信息。如果是横屏录制（手机逆时针旋转90度），则录制的视频时不带角度的。如果是竖屏录制（正常的拿手机的姿势），此时的录制的视频的旋转角度是90度。如果再旋转90度，此时一般音量键和关屏键朝下，此时的视频的旋转角度是180。以此类推。所以在手机上的视频一般会有4种角度的视频，播放时，要对视频资源进行旋转后再进行播放，不然视频就会出现各种反转、倾倒。在http