基于Qualcomm Robotics RB5边缘侧AI应用 — 年龄和表情及性别估计

已于 2023-12-19 22:39:07 修改
阅读量1.4k 收藏 23
点赞数 26
分类专栏： AI SNPE RB5 文章标签： Qualcomm AI SNPE
于 2023-12-19 15:52:31 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/csdnsqst0050/article/details/135086344
版权
AI 同时被 3 个专栏收录
21 篇文章 2 订阅
订阅专栏
SNPE
4 篇文章 0 订阅
订阅专栏
RB5
2 篇文章 0 订阅
订阅专栏

该解决方案将使用网络摄像头、基于高通 Robotics RB5 Edge AI 硬件板实时输入流分析和计算机视觉系统。解决方案提供了一个端到端的应用程序，可以快速集成到你的项目中。

相关代码可以在这里获取到：

https://github.com/quic/sample-apps-for-robotics-platforms/tree/master/RB5/linux_kernel_5_x/AI-ML-apps/AI_Age_Gender_Emotion_Solution

所需使用硬件设备

  1. 一台Ubuntu 20.04 PC
  2. Qualcomm Robotics RB5 开发板: https://developer.qualcomm.com/qualcomm-robotics-rb5-kithttps://developer.qualcomm.com/qualcomm-robotics-rb5-kit
  3. 一个 USB 摄像头
  4. 一台显示器

​

 该应用程序实现了以下基于视觉的人脸检测解决方案：1.年龄检测  2.性别检测  3.情绪检测

此应用程序支持使用SNPE的人脸检测用例的年龄预测。 请参阅DesignDetails.md，了解将模型集成到应用程序中的实现细节和步骤。

相关环境配置

1. 前提条件

2. x86 Host 安装

2.1 安装 Qualcomm Neural Processing Software Development Kit (SNPE SDK)

下载地址： Qualcomm Neural Processing SDK for AI Tools & Resources Archive - Qualcomm Developer Network

高通SNPE SDK提供了用于模型转换（onnx到dlc）、模型量化和执行的工具。请参阅SDK中详细文档中给出的步骤进行安装.Snapdragon Neural Processing Engine SDK: Main Page

3. 安装 RTSP 流媒体服务器

在本节中，演示如何准备测试视频，使用live555 作为RTSP流媒体服务器，RTSP数据流可以模拟IP摄像头采集的视频。所有的安装步骤在X86主机配置。

3.1 准备测试视频

如果测试视频是mp4、mkv或其他格式，请准备一个测试视频。需要转换为H264原始视频。以下步骤演示如何将MP4转换为H264原始视频。

wget https://test-videos.co.uk/vids/bigbuckbunny/mp4/h264/1080/Big_Buck_Bunny_1080_10s_1MB.mp4

sudo apt install ffmpeg

ffmpeg -i Big_Buck_Bunny_1080_10s_1MB.mp4 -f h264 -vcodec libx264 Big_Buck_Bunny_1080_10s_1MB.264
3.2 Live555 服务器安装
wget http://www.live555.com/liveMedia/public/live555-latest.tar.gz
tar -zxvf live555-latest.tar.gz
cd live/
./genMakefiles linux-64bit
make -j4
cd ..

copy test video to mediaServer folder

cp Big_Buck_Bunny_1080_10s_1MB.264 ./live/mediaServer
cd ./live/mediaServer
./live555MediaServer

rtsp://192.168.4.111:8554/ is the rtsp url.
  • "192.168.4.111" is RTSP server IP address
  • 8554 is the default port
  • is the video file name under mediaServer folder In this case, url "rtsp://192.168.4.111:8554/Big_Buck_Bunny_1080_10s_1MB.264" is the video address.
3.3 验证 Live555 服务器

在Windows桌面上下载并安装VLC媒体播放器VLC: Official site - Free multimedia solutions for all OS! - VideoLAN

Launch VLC player, choose "Media->Open Network Stream" input RTSP url rtsp://192.168.4.111:8554/Big_Buck_Bunny_1080_10s_1MB.264

​

单击播放以测试Live555服务器是否正常工作。注意：确保网络地址可访问

4. 在目标设备上部署高通SNPE SDK库的步骤

从如下地址下载高通神经处理软件开发工具包（SNPE SDK）：Qualcomm Neural Processing SDK for AI Tools & Resources Archive - Qualcomm Developer Network

Windows

cd snpe-1.68.0\snpe-1.68.0.3932
adb push lib\aarch64-ubuntu-gcc7.5\. /usr/lib/
adb push lib\aarch64-ubuntu-gcc7.5\libsnpe_dsp_domains_v2.so /usr/lib/rfsa/adsp/
adb push lib\dsp\. /usr/lib/rfsa/adsp/
adb push bin\aarch64-ubuntu-gcc7.5\snpe-net-run /usr/bin/

Linux

cd snpe-1.68.0/snpe-1.68.0.3932/
adb push lib/aarch64-ubuntu-gcc7.5/* /usr/lib/
adb push lib/aarch64-ubuntu-gcc7.5/libsnpe_dsp_domains_v2.so /usr/lib/rfsa/adsp/
adb push lib/dsp/* /usr/lib/rfsa/adsp/
adb push bin/aarch64-ubuntu-gcc7.5/snpe-net-run /usr/bin/

Verify SNPE version

adb shell
chmod +x /usr/bin/snpe-net-run
snpe-net-run --version

5. 安装 OpenCV 4.5.5

从如下地址下载OpenCV 4.5.5源代码：

https://codeload.github.com/opencv/opencv/tar.gz/refs/tags/4.5.5

adb shell
wget https://codeload.github.com/opencv/opencv/tar.gz/refs/tags/4.5.5 -O opencv-4.5.5.tar.gz
tar  -zxvf opencv-4.5.5.tar.gz
cd ./opencv-4.5.5
安装依赖项
apt install build-essential cmake unzip git pkg-config
apt install libjpeg-dev libpng-dev libtiff-dev
apt-get install libjsoncpp-dev libjson-glib-dev libgflags-dev libgstreamer1.0-dev libgstreamer-plugins-base1.0-dev libgstreamer-plugins-bad1.0-dev gstreamer1.0-plugins-base gstreamer1.0-plugins-good gstreamer1.0-plugins-bad gstreamer1.0-plugins-ugly gstreamer1.0-libav gstreamer1.0-tools gstreamer1.0-x gstreamer1.0-alsa gstreamer1.0-gl gstreamer1.0-gtk3 gstreamer1.0-qt5 gstreamer1.0-pulseaudio
apt install libjasper-dev
apt-get install libeigen3-dev

如果您收到一个关于libjasper-dev丢失的错误，请按照以下说明进行操作：

wget http://ports.ubuntu.com/ubuntu-ports/pool/main/j/jasper/libjasper-dev_1.900.1-debian1-2.4ubuntu1.3_arm64.deb
dpkg -i libjasper-dev_1.900.1-debian1-2.4ubuntu1.3_arm64.deb

wget http://ports.ubuntu.com/ubuntu-ports/pool/main/j/jasper/libjasper1_1.900.1-debian1-2.4ubuntu1.3_arm64.deb
dpkg -i libjasper1_1.900.1-debian1-2.4ubuntu1.3_arm64.deb

否则（如果安装了libjasper-dev），继续进行：

apt install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev
apt install libxvidcore-dev libx264-dev

OpenCV的highgui模块依赖于GTK库进行GUI操作。安装GTK命令：

apt install libgtk-3-dev

安装 Python 3头文件和库：

apt install libatlas-base-dev gfortran

Build and Install

mkdir build && cd build
cmake -D CMAKE_BUILD_TYPE=RELEASE \
 -D CMAKE_INSTALL_PREFIX=/usr/local/opencv4.5 \
 -D OPENCV_ENABLE_NONFREE=ON \
 -D OPENCV_GENERATE_PKGCONFIG=YES \
 -D WITH_QT=ON \
 -D WITH_OPENGL=ON \
 -D BUILD_EXAMPLES=OFF \
 -D INSTALL_PYTHON_EXAMPLES=OFF \
 ..
make -j8
make install     

如何配置、构建和运行此应用程序 

1. 使用如下命令克隆存储库

adb shellcd /home/
git clone https://github.com/quic/sample-apps-for-robotics-platforms.git
cd sample-apps-for-robotics-platforms/RB5/linux_kernel_5_x/AI-ML-apps/AI-Age_Gender_Emotion-Solutions/

2. 更新应用程序配置

所有解决方案的配置在data/config.json文件中进行了描述。应更新此配置文件以选择所需的解决方案、模型配置和输入/输出流。应用程序可以将rtsp/camera流作为输入，并可以将输出转储到mp4或hdmi监视器。

Table 1-1 show all the configuration items:

输入配置

key

Value

Description

input-config-name

string

Name of the input config

stream-type

string

Input stream type camera or rtsp

stream-width

int

Width of the input stream

stream-height

int

Height of the input stream

SkipFrame

int

Number of frames to skip

camera-url

string

rtsp stream path if the input stream is rtsp

模型配置

key

Value

Description

model-name

string

Name of the model

model-path

string

Path of the dlc file

label-path

string

Path of the label file

runtime

string

SNPE Runtime (GPU, CPU, DSP)

nms-threshold

float

NMS threshold

conf-threshold

float

Confidence threshold

labels

int

Number of labels

input-layers

string

Name of the input layers

output-layers

string

Name of the output layers

output-tensors

string

Name of the output tensors

解决方案配置

key

Value

Description

solution-name

string

Name of the Solution

model-name

string

Name of the model configuration to be used

input-config-name

string

Name of the Input configuration to be used

Enable

bool

1 to Enable and 0 to Disable the solution

output-type

string

Filesink to save the output in mp4

Wayland if display the output on hdmi monitor

output-path

string

Path of the output, Enabled if output type

is filesink

Example 1: 从相机获取输入流并在hdmi监视器上输出的配置

{
    "input-configs":[
        {
            "input-config-name":"camera",
            "stream-type":"camera",
            "stream-width":1280,
            "stream-height":720,
            "SkipFrame":1,
            "fps-n":30,
            "fps-d":1
        },
 ],
"model-configs":[
        {
            "model-name":"face-detect",
            "model-type":"centerface",
            "model-path":"../models/centerface_quantized.dlc",
            "runtime":"DSP",
            "nms-threshold":0.3,
            "conf-threshold":0.5,
            "grids":25200,
            "input-layers":[
                "input.1"
            ],
            "output-layers":[
                "Neuron_42",
                "Conv2d_40",
                "Conv2d_41",
                "Conv2d_42"
            ],
            "output-tensors":[
                "537",
                "538",
                "539",
                "540"
            ],
            "global-threshold":0.2
        },
 

        {
 

            "model-name":"age",
 

            "model-type":"googlenet",
 

            "model-path":"../models/age_caffe_quant.dlc",
 

            "runtime":"DSP",
 

            "nms-threshold":0.5,
 

            "conf-threshold":0.5,
 

            "grids":25200,
 

            "input-layers":[
 

                "data"
 

            ],
 

            "output-layers":[
 

                "prob"
 

            ],
 

            "output-tensors":[
 

                "prob"
 

            ],
 

            "global-threshold":0.2
 

        },
 

        {
 

            "model-name":"gender",
 

            "model-type":"gendernet",
 

            "model-path":"../models/gender_googlenet_quant.dlc",
 

            "runtime":"DSP",
 

            "nms-threshold":0.5,
 

            "conf-threshold":0.5,
 

            "grids":25200,
 

            "input-layers":[
 

                "input"
 

            ],
 

            "output-layers":[
 

                "loss3/loss3"
 

            ],
 

            "output-tensors":[
 

                "loss3/loss3_Y"
 

            ],
 

            "global-threshold":0.2
 

        },
 

        {
 

            "model-name":"emotion",
 

            "model-type":"FERplus",
 

            "model-path":"../models/Emotion1.dlc",
 

            "runtime":"DSP",
 

            "nms-threshold":0.5,
 

            "conf-threshold":0.5,
 

            "grids":25200,
 

            "input-layers":[
 

                "input.1"
 

            ],
 

            "output-layers":[
 

                "Gemm_26"
 

            ],
 

            "output-tensors":[
 

                "94"
 

            ],
 

            "global-threshold":0.2
 

        }
 

 

    ],
 

    "solution-configs":[
 

        {
 

            "solution-name":"face-detection",
 

            "model-name":["face-detect","age","gender","emotion"],
 

            "input-config-name":"camera",
 

            "Enable":1,
 

            "output-type":"wayland",
 

            "output-path":"/root/video.mp4"
 

        }
 

    ]
 

}
 

 

Example 2: 设备上rtsp输入流和输出的配置
 

"input-configs":[
 

    {
 

        "input-config-name":"rtsp3",
 

        "stream-type":"rtsp",
 

        "camera-url":"rtsp://10.147.243.253:8554/crack_video.264",
 

        "SkipFrame":1
 

    },
 

        
 

"model-configs":[
 

        {
 

            "model-name":"face-detect",
 

            "model-type":"centerface",
 

            "model-path":"../models/centerface_quantized.dlc",
 

            "runtime":"DSP",
 

            "nms-threshold":0.3,
 

            "conf-threshold":0.5,
 

            "grids":25200,
 

            "input-layers":[
 

                "input.1"
 

            ],
 

            "output-layers":[
 

                "Neuron_42",
 

                "Conv2d_40",
 

                "Conv2d_41",
 

                "Conv2d_42"
 

            ],
 

            "output-tensors":[
 

                "537",
 

                "538",
 

                "539",
 

                "540"
 

            ],
 

            "global-threshold":0.2
 

        },
 

 

        {
 

            "model-name":"age",
 

            "model-type":"googlenet",
 

            "model-path":"../models/age_caffe_quant.dlc",
 

            "runtime":"DSP",
 

            "nms-threshold":0.5,
 

            "conf-threshold":0.5,
 

            "grids":25200,
 

            "input-layers":[
 

                "data"
 

            ],
 

            "output-layers":[
 

                "prob"
 

            ],
 

            "output-tensors":[
 

                "prob"
 

            ],
 

            "global-threshold":0.2
 

        },
 

        {
 

            "model-name":"gender",
 

            "model-type":"gendernet",
 

            "model-path":"../models/gender_googlenet_quant.dlc",
 

            "runtime":"DSP",
 

            "nms-threshold":0.5,
 

            "conf-threshold":0.5,
 

            "grids":25200,
 

            "input-layers":[
 

                "input"
 

            ],
 

            "output-layers":[
 

                "loss3/loss3"
 

            ],
 

            "output-tensors":[
 

                "loss3/loss3_Y"
 

            ],
 

            "global-threshold":0.2
 

        },
 

        {
 

            "model-name":"emotion",
 

            "model-type":"FERplus",
 

            "model-path":"../models/Emotion1.dlc",
 

            "runtime":"DSP",
 

            "nms-threshold":0.5,
 

            "conf-threshold":0.5,
 

            "grids":25200,
 

            "input-layers":[
 

                "input.1"
 

            ],
 

            "output-layers":[
 

                "Gemm_26"
 

            ],
 

            "output-tensors":[
 

                "94"
 

            ],
 

            "global-threshold":0.2
 

        }
 

 

    ],
 

    "solution-configs":[
 

        {
 

            "solution-name":"face-detection",
 

            "model-name":["face-detect","age","gender","emotion"],
 

            "input-config-name":"camera",
 

            "Enable":1,
 

            "output-type":"wayland",
 

            "output-path":"/root/video.mp4"
 

        }
 

    ]
 

 

Use model-name and input-config-name to select model and input stream respectively.
 

3. 模型集成
 

将model推送到应用程序中的model目录中，并更新config.json文件。更新输出层和输出张量。要检查输出层和输出张量节点，请在Netron应用程序Netron中打开模型，然后单击图像中提到的Conv层。在centerface.onnx中，输出节点为onnx：536,538,539和540。
 

 

​编辑
 

在centerface.dlc中，输出层和输出张量为 536(Conv2d_39), 538(Conv2d_40), 539(Conv2d_41) and 540(Conv2d_42) 
 

 

  "model-configs":[
 

      {
 

          "model-name":"model-name", --> Add model name here. It should match with the model name in solution config
 

          "model-type":"model type", --> Select type of the model.
 

          "model-path":"../models/model.dlc", --> Path of the quantized model
 

          "label-path":"../data/label.txt", --> Path to the label file
 

          "runtime":"DSP", 
 

          "labels":85, --> Update label here.
 

          "grids":25200,
 

          "nms-threshold":0.5,
 

          "conf-threshold":0.4,
 

          "input-layers":[
 

              "images" --> Open the model in netron.app and get the input-layers names.
 

          ],
 

          "output-layers":[ --> Refer the steps given above to know the output-layers and output-tensors
 

              "Conv_271",
 

              "Conv_305",
 

              "Conv_339"
 

          ],
 

          "output-tensors":[
 

              "443",
 

              "496",
 

              "549"
 

          ],
 

          "global-threshold":0.2
 

      },
 

4. 执行应用程序
 

4.1 构建应用程序
 

adb shell
cd sample-apps-for-robotics-platforms/RB5/linux_kernel_5_x/AI-ML-apps/AI-Age_Gender_Emotion-Solutions/
mkdir build 
cd build
cmake -DSNPE_SDK_BASE_DIR=<SDK Directory Path>/snpe-1.68.0.3932 ..
make -j8
 

4.2 运行应用程序
 

在监视器上显示输出。请通过HDMI电缆将显示器连接到设备。按照以下说明启用weston：
 

export XDG_RUNTIME_DIR=/run/user/root
cd build
./out/main -c ../data/config.json
 

验证结果
 

如果输出类型为filesink，请检查“输出路径”的目录是否为filesink。或者，请检查与HDMI连接的显示器的输出。
 

 

文章作者：高通工程师，廖洋洋
 

 

更多高通开发者资源及技术问题请访问：高通开发者论坛
 


                

        

        

    




    

      

        

            

              
                
                  csdnsqst0050
                
              
            

            

                关注
              
            

        

        

          
    
            
  • 
              
                
                
                
                
                    26
                
              
              
    点赞
    
            
    • 
            
  • 
              
                
                
                
              
              
    踩
    
            
    • 
            
  • 
              
                
                
                
                
                    23
                
              
              
    
                
    
                  
                    收藏
                  
                
    
              
    
              
    
                
    
                  觉得还不错?
                  
                    一键收藏
                  
                 
                
    
              
    
            
    • 
          
  • 
            
    
              
              
            
    
              
              
              
                  1
              
            
            
    评论
    
          
    • 
          
  • 
          
    • 
          
  • 
            
              
            
              
    
            
              
                
            
    
          
    • 
        

      

      

            

                专栏目录
          










                



	

		

			

				
					
基于MATLAB Robotics Toolbox的UR5机器人轨迹规划与仿真.zip

				
			

			

				

					10-16
				

			

		

		

			
				
基于MATLAB Robotics Toolbox的UR5机器人轨迹规划与仿真

			
		

	



                

              
                



	

		

			

				
					
基于Qualcomm Robotics RB5边缘侧AI应用—人脸/口罩/人员计数目标检测

				
			

			

				

					csdnsqst0050的博客
				

				

					01-11
					
					1092
					
				

			

		

		

			
				
目标检测是机器视觉的常用的任务，本文介绍基于高通Snapdragon 与 Yolov5 模型实现边缘计算的场景实现人脸、口罩、人员计数。相关的代码已开源，可以在GitHub上获取。

			
		

	



                


  
              

                


	

		

			

				
					
人工智能-项目实践-matlab-机械臂GUI工具箱，基于matlab robotics toolbox

				
			

			

				

					03-11
				

			

		

		

			
				
机械臂GUI工具箱，基于matlab robotics toolbox

安装方式
将MATLAB的当前工作文件夹切换到 RobotStudio 文件夹。
在命令行窗口中执行
addpath common

startup_rvc

双击RobotStudio.m, 点击执行开始执行。

			
		

	





	

		

			

				
					
基于MATLAB Robotics的SCARA机器人运动学分析及轨迹规划.pdf

				
			

			

				

					06-27
				

			

		

		

			
				
基于MATLAB Robotics的SCARA机器人运动学分析及轨迹规划.pdf

			
		

	



		

			
		



	

		

			

				
					
基于MATLAB和Simulink Robotics Arena的行走机器人示例

				
			

			

				

					08-14
				

			

		

		

			
				
基于MATLAB和Simulink Robotics Arena的行走机器人示例

			
		

	





	

		

			

				
					
MATLAB AI Robotics Workshop：学习如何开发基于人工智能的自主移动机器人的实践研讨会-matlab开发

				
			

			

				

					05-31
				

			

		

		

			
				
本材料概述了一个实践研讨会，学习如何为所有技能水平的大学生和工程师开发基于 AI 的自主移动机器人。MATLAB 和 Simulink 被用作具有 3D 虚拟仿真的深度学习和控制算法的直观学习环境此外，该内容还涵盖了使用 ...

			
		

	





	

		

			

				
					
基于Qualcomm Robotics RB5边缘侧AI应用, 目标跟踪检测

				
			

			

				

					csdnsqst0050的博客
				

				

					12-08
					
					1385
					
				

			

		

		

			
				
目标跟踪是计算机视觉的一个常见任务，任务要求检测到连续的视频帧中的目标，并对每一个目标分配唯一标识。跟踪的目标可以行人、车辆、行李等。本文介绍高通开源的行人跟踪示例Linux应用，该基于高通Snapdragon Neural Processing Engine SDK（SNPE）实现。

			
		

	





	

		

			

				
					
基于Qualcomm® Robotics RB5边缘侧AI应用,目标跟踪检测

				
			

			

				

					csdnsqst0046的博客
				

				

					12-08
					
					6
					
				

			

		

		

			
				
目标跟踪是计算机视觉的一个常见任务，任务要求检测到连续的视频帧中的目标，并对每一个目标分配唯一标识。跟踪的目标可以行人、车辆、行李等。本文介绍高通开源的行人跟踪示例Linux应用，该基于高通Snapdragon Neural Processing Engine SDK（SNPE）实现。

			
		

	





	

		

			

				
					
基于Qualcomm Robotics RB5边缘侧AI应用—人群热力图

				
			

			

				

					csdnsqst0050的博客
				

				

					01-11
					
					1100
					
				

			

		

		

			
				
热力图是一个区域中基于彼此距离的不同颜色编码的人或任何物体的视觉表示。热力图可以用来进行相关分析，例如可以知道顾客对商店中产品的偏好区域，从而做出对应的措施，避免结账时过度拥挤。可以使用YoloV5模型进行人员检测。在这个存储库中，我们实现了各种AI用例，这些用例可以使用YoloV5模型在高通Robotics RB5平台上实现。

			
		

	





	

		

			

				
					
关于__Federico Milano 的电力系统分析工具箱.zip

				
			

			

				

					04-26
				

			

		

		

			
				
1.版本：matlab2014/2019a/2021a

 2.附赠案例数据可直接运行matlab程序。 

3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 

4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 



			
		

	





	

		

			

				
					
mlab-upenn 研究小组的心脏模型模拟.zip

				
			

			

				

					04-26
				

			

		

		

			
				
1.版本：matlab2014/2019a/2021a

 2.附赠案例数据可直接运行matlab程序。 

3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 

4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 



			
		

	





	

		

			

				
					
混合图像创建大师matlab代码.zip

				
			

			

				

					04-26
				

			

		

		

			
				
1.版本：matlab2014/2019a/2021a

 2.附赠案例数据可直接运行matlab程序。 

3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 

4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 



			
		

	





	

		

			

				
					
中序遍历二叉树-java版本

				
			

			

				

					04-26
				

			

		

		

			
				
在Java中，实现二叉树的中序遍历同样可以通过递归来完成。中序遍历的顺序是：首先递归地中序遍历左子树，然后访问根节点，最后递归地中序遍历右子树。

在这段代码中，Node类定义了二叉树的节点，BinaryTree类包含一个指向根节点的指针和inOrder方法，用于递归地进行中序遍历。printInOrder方法调用inOrder方法并打印出遍历的结果。

在Main类中，我们创建了一个示例二叉树，并调用printInOrder方法来输出中序遍历的结果。输出应该是：4 2 5 1 3，这表示中序遍历的顺序是左子树（4），然后是根节点（2），接着是右子树的左子树（5），然后是右子树的根节点（1），最后是右子树的右子树（3）。



			
		

	





	

		

			

				
					
无头单向非循环链表的实现（SList.c）

					
最新发布

				
			

			

				

					04-26
				

			

		

		

			
				
无头单向非循环链表的实现（函数定义文件）

			
		

	





	

		

			

				
					
两个有序链表的合并pta

				
			

			

				

					04-26
				

			

		

		

			
				
"PTA" 通常指的是一种在线编程平台，例如“Pata”或者某些特定学校或组织的编程练习与自动评测系统。在这种平台或系统中，学生或程序员会提交代码来解决各种问题，然后系统会自动运行并评测这些代码的正确性。

当提到“两个有序链表的合并PTA”时，这通常意味着在PTA平台上解决一个特定的问题，即合并两个有序链表。具体任务可能是给定两个已按升序排序的链表，要求编写代码来合并这两个链表，形成一个新的有序链表。

			
		

	





	

		

			

				
					
在 Matlab 中创建的图形工具可改善航空航天数据的可视化.zip

				
			

			

				

					04-26
				

			

		

		

			
				
1.版本：matlab2014/2019a/2021a

 2.附赠案例数据可直接运行matlab程序。 

3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 

4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 



			
		

	





	

		

			

				
					
搜索引擎的设计与实现.zip

				
			

			

				

					04-26
				

			

		

		

			
				
搜索引擎的设计与实现

			
		

	





	

		

			

				
					
年公司财务会计岗位工作总结（二）.docx

				
			

			

				

					04-26
				

			

		

		

			
				
工作总结，新年计划，岗位总结，工作汇报，个人总结，述职报告，范文下载，新年总结，新建计划。

			
		

	





	

		

			

				
					
基于matlab robotics的scara机器人运动学分析及轨迹规划

				
			

			

				

					05-16
				

			

		

		

			
				
MATLAB Robotics工具箱提供了强大的机器人建模和仿真功能，用于分析和规划机器人的运动学和轨迹。在这个工具箱中，Scara机器人是一个常见的机器人模型。  Scara机器人具有4个自由度，分别为X、Y、Z方向上的线性运动...

			
		

	



              



  
“相关推荐”对你有帮助么？

  

      
    
          
  • 
              
    
                  
                  
              
    
              
    非常没帮助
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    没帮助
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    一般
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    有帮助
    
          
    • 
          
  • 
              
    
                  
                  
              
    
              
    非常有帮助
    
          
    • 
      

      

      

          
          提交
      

      

  




          




        



    





    



      

      

        
      

      





	

		
评论 1

	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
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
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
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