直播的时候设备太杂乱?你差一个PeakDo毫米波无线投屏器

做内容的朋友都知道,直播的时候,很难避免一大堆线,如果稍有不至于就容易翻车。踢倒的相机,随时随地比一个季度的工资还要更高。那么,你们有没有考虑过无线投屏?一次性去掉布线的麻烦?

直播的时候其实可以考虑使用PeakDo毫米波无线投屏器进行投屏。手机或摄像机直播视频无线传输到电视墙或者通过转换卡把HDMI转换为USB输入到直播采集卡。

 甚至,如果直播的清晰度在1080P左右的话,就不需要HDMI线链接,PeakDo毫米波无线投屏器就能代替!

 

那么,会不会有延迟?会不会出现以前无线投屏的通病?例如:画面压缩、声音画面不同步,而且还得开通会员?

如果你使用的是PeakDo毫米波无线投屏器,那么就不会出现这种问题。因为它使用的是60GHz的毫米波,传输速率达到3.96Gbps,是5GWiFi无线投屏器的4倍,可以轻轻松松无损传输1080P@60HZ音视频。

在延迟上WiFi无线投屏器有50-200ms的延迟,毫米波的延迟大概0-3ms,真正做到了“0”延迟,直播的时候画面与声音同步,没有任何问题。

所以,在直播的时候同时投屏在电视墙上,或者是直播采集卡上都没有任何问题,投屏在电视墙上,互动更方便,看弹幕更清晰,更重要的是能够极大的减少工作室的线材,让直播更简单,让工作更容易。

同时,PeakDo毫米波无线投屏器不仅仅可以应用在相机,也可以应用在手机和电脑上,在办公室上班需要开会的时候直接可以使用,非常实用!因为不需要线材,“0”延迟,画质无压损,开会的时候甚至更加省事。

【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值