JulyLi2019的博客

本文记录项目中涉及到了无人机正射图像的推理（通常8000像素*8000像素以上），由于模型推理尺寸是640*640的，如果直接整图送入模型推理，推理效果极差，可以考虑采用多个切片进行分别进行推理，最后合并推理结果的方式。SAHI（Slicing Aided Hyper Inference，切片辅助超推理）是一种专为优化小目标检测设计的通用框架，其核心思想是通过图像切片和分层推理提升检测效果，尤其适用于处理大尺寸图像中的小目标。

NanoTrack 是一种轻量级且高效的目标跟踪算法，基于Siamese网络架构，旨在在资源受限的设备（如无人机、嵌入式系统等）上实现实时且精确的目标跟踪。随着计算机视觉领域的快速发展，传统的目标跟踪算法（如KCF等）逐渐暴露出在复杂场景中的局限性，特别是在处理目标的尺度变化、遮挡和背景复杂时，性能难以保证。本文档将详细介绍 NanoTrack 的模型结构以帮助读者更好地理解并应用该算法，同时对比pt、onnx、tensorrt进行推理的耗时情况。

Jetson安装Python3.8 tensorrt库，需要确保正确Python与TensorRT版本，你的编译环境与目标平台（ARM架构）一致，避免使用不兼容的x86_64编译配置。后续使用python调用tensorrt与cuda进行推理速度还是很快的，能够达到50帧，这在板端也是很炸裂的存在！！！如果阅读本文对你有用，欢迎一键三连呀！！！2024年8月9日12:23:36。

此前有写过用编译工具链直接通过命令行的方式生成与调用C++动态链接库的方法，本文记录下通过cmake来实现so的生成。通过cmake进行so编译还是比较简单的，主要是用生成so替换原来生成的可执行文件，然后对main.cpp进行配置，能够正确调用生成的so。这样我们就实现了通过cmakelist生成与调用C++动态链接库。如果阅读本文对你有用，欢迎一键三连呀！！！2024年5月14日16:25:40。

本文记录海思3559 yolov5 wk模型部署的具体过程，成功生成了可执行文件，后面就可以在板端进行运行测试！！

目前项目需要在海思3559上开发，但查了相关文档，感觉还是比较复杂的。相比于3403、3519的使用atc工具直接从onnx->om，3559需要从onnx->caffer->wk则显得复杂许多，特此记录一下。海思3559是早些年的芯片，因此在模型转换的方式上相比于3403、3519的使用atc工具直接从onnx->om，3559需要从onnx->caffer->wk则显得稍显复杂。本文记录了yolov5模型由pt->onnx->caffe->wk的过程，希望对读者有所帮助。

时间复杂度：在最坏情况下，pop 操作的时间复杂度是 O(n)，但在平均情况下，当栈2中有元素时，pop 操作的时间复杂度是 O(1)。这是因为在平均情况下，元素不会每次都从栈1移动到栈2。总体而言，这个实现的 push 操作是 O(1)，而 pop 操作的最坏情况下是 O(n)，平均情况下是 O(1)。如果为空，则将栈 1 中的所有元素移到栈 2。使用两个栈来实现队列的功能。栈 1 用于存储入队的元素，而栈 2 用于存储出队的元素。空间复杂度： O(n)，辅助栈的空间，最差的情况下两个栈共存储N个元素。

采用双指针迭代，在遍历链表时，将当前节点的next 指针改为指向前一个节点。由于节点没有引用其前一个节点，因此必须事先存储其前一个节点。在更改引用之前，还需要存储后一个节点。最后返回新的头引用。我的第一想法是可以遍历链表，将每个节点的值存入数组中，然后将数组进行反转。空间复杂度：O(n)。额外使用一个数组存储链表中的每个节点。时间复杂度：O(n)。时间复杂度：O(n)，正向遍历一遍链表。空间复杂度：O(1)，常数空间复杂度。

之前在项目中存在目标检测框内嵌的情况（目标检测框存在内嵌情况分析与解决），正好趁这个机会记录下目标检测中常用的几种IOU_loss函数。IOU_Loss作为传统的衡量标准，为我们提供了一个基础,而GIOU_Loss、DIOU_Loss和CIOU_Loss则在其基础上引入了更多的信息，如目标框的形状和相对位置等，从而使得模型更加准确地学习目标的位置和形状。！！2023年12月4日20:03:02。

本篇文章可以算是昇腾系列的一个入门样例，跑通了应该就能知道大概的操作流程，接下来应该又是一段难忘的开发心路历程，希望自己挺住！！！！！2023年11月24日14:55:12。

目标检测模型输出的检测框存在内嵌情况。，在推理性能足够的情况下，可以考虑使用。的信息，不用考虑影响因子，因此直接用。设置过大，没能滤除重叠检测框，原来。：在IOU和GIOU的基础上，考虑。标注框的信息，在训练时用于回归。有读者会有疑问，这里为什么不用。的基础上，添加的影响因子，包含。根据经验，第一感觉是后处理。：在DIOU的基础上，考虑。：在IOU的基础上，解决。目前分析最可能的原因是。但在测试过程中，并没有。此项目中用的是基本的。

动目标检测是计算机视觉领域的一个热门研究方向。传统的方法主要基于背景建模，但这些方法对于光照变化、遮挡和噪声敏感。因此，研究人员一直在寻找更加鲁棒和有效的技术来解决这一问题。光流法是一种基于运动信息的动目标检测方法，它通过分析相邻帧之间的像素位移来捕捉物体的运动。这种方法可以在不需要显式背景建模的情况下实现动目标检测。。光流是指描述相邻图像帧中像素位移的矢量场。在光流法中，假设相邻帧之间的像素强度保持不变，即一个像素点在两帧之间的运动可以由一个矢量表示。这个矢量可以表示物体的速度和方向。

在软件开发过程中，构建和管理项目是至关重要的任务之一。CMake是一个流行的构建工具，它可以帮助开发者跨不同平台和编译器构建和管理C/C++项目。本文将介绍CMake的基本概念以及如何使用它来简化项目的构建过程。CMake是一个开源的构建工具，用于自动化构建过程。它不直接构建项目，而是生成适用于不同编译器和操作系统的构建脚本，如Makefile、Visual Studio项目文件等。这使得开发者能够轻松地在不同平台上构建他们的项目。

目标检测模型推理后，一般都需要进行NMS操作进行多余框去重，板端部署一般不用opencv自带的NMS，所以记录下手写NMS的代码。NMS通常用于目标检测中，以去除重叠的检测结果，只保留最具代表性的结果，以提高检测的准确性。！！2023年9月27日15:58:10。

这些条件判断可能会增加运行时间。确保这些条件判断是必要的，如果可能的话，尽量减少不必要的条件判断。这将涉及内存的重新分配和数据复制。为了避免这种开销，可以直接在循环中访问。本文是自己项目中遇到的实际问题，由于刚刚上手C++相关的项目，特此记录！可以将这些计算移动到条件判断的外部，以避免重复计算。模型推理后得到的数据后处理操作之前时间开销很大。2023年9月9日15:33:36。经过推理的后处理运行时间的优化。： 在循环中有一些条件判断，例如。C++任重而道远呀，加油呀！数组，而无需使用额外的向量。

动态链接库是代码重用和模块化的重要工具，它使得将功能封装为独立的库更加容易，同时还可以动态加载和升级这些库，提高了程序的灵活性和可维护性。当我们希望将C++源码编译成动态链接库，并在其他应用程序中调用这个动态链接库，是这篇文章的应用场景。这篇文档将介绍如何创建、编译、链接和调用C++动态链接库。PS:本文以下内容根据我实际工作项目编写,不采用demo的形式。本文介绍了如何制作C++动态链接库（so文件）以及如何从另一个C++程序中加载和调用该库。

很久没更新文章了，这次因为工作场景需要检测动态目标，特此记录一下。这段代码演示了背景减除方法在移动目标检测中的应用，通过检测前景目标并在特定区域内绘制边界框，可以用于一些简单的运动分析和目标跟踪应用。

python自动测试ping IP,将不通的IP保存到txt中。

一般情况我们通过open3d中的进行点云可视化，但这个函数会锁定一个进程直到可视化的窗口被关闭，才会继续渲染下一帧点云图像，无法做到点云持续的动态显示。本文介绍了一个自定义渲染循环的教程。这里整体思想是按名称读取文件然后送入队列中，使用多线程进行点云显示，当文件读完之后，重新开始读取。读者可以根据自己的数据情况修改，已完成实时点云显示。如果阅读本文对你有用，欢迎一键三连呀！！！2022年11月18日15:38:30。