FJN110的博客

​摄像头捕获 → 2. ​灰度化+二值化 → 3. ​轮廓检测 → 4. ​区域筛选 → 5. ​模板匹配 → 6. ​输出结果。​功能：将输入图像与 5 个模板图像（1.png ~ 5.png）逐一比较，返回最匹配的数字（1~5）。​用途：在模板匹配中衡量两图像的差异（差异越小，匹配度越高）。​差异计算：通过 absdiff 计算像素差异，累加差异值。​输出结果：打印识别到的数字和匹配差异值（差异越小越匹配）。​功能：检测图像中的轮廓，筛选出可能是数字的区域。​功能：计算图像所有像素值的总和。

windows环境安装vscode、pytorch、cuda、cudnn、科靴上w ang完整教程。包含服务器、加速下载pytorch、python。

下面是几个手写的数字，像素非常低。人脑可以很轻易的看出来这些数字是3、7、6，但让计算机去识别出手写的数字和文字，却是一个难题，因为电脑的世界只是二进制的。下面是几个手写的数字，像素非常低。人脑可以很轻易的看出来这些数字是3、7、6，但让计算机去识别出手写的数字和文字，却是一个难题，因为电脑的世界只是二进制的。更鬼扯的事情是，上图中的两个数字3，投射到人的视网膜中之后，可以说是非常不一样，但人脑就是可以认识到，这两个手写的数字都是3。但是电脑做不到。图源。让机器认识一个手写的0～9的数字，是不是很难？

损失函数又叫误差函数、成本函数、代价函数，用来衡量算法的运行情况，用符号L表示。假设我们的回归函数是：y = wx+b,那么损失函数的作用就是用来获取误差，然后来更新w和b，从而使预测值y更贴近真实值。也就是训练过程就是让这个损失越来越小的过程（最小化损失函数）。作用：1衡量模型性能 2优化参数（w和b）

AI基础知识：预训练是机器学习模型训练的初始阶段，模型从大规模数据中进行一般化学习，模型不需要完全理解所有任务的细节，而是通过在大规模数据上的训练来学习常见的模式。在 RAG 中，模型在生成文本的过程中，不仅依赖于已有的知识，还能够从外部检索到相关的信息，并将这些信息融入生成过程，提高回答的准确性和相关性。AIGC 是近年来发展迅速的领域，AI 能够根据用户输入的信息，自动生成创意内容。

有监督学习是机器学习中一种常见的学习范式，其基本思想是利用带有标签的训练数据来训练模型，从而使其能够从输入数据中学习到输入与输出之间的映射关系，然后可以利用这个映射关系对新的未标签数据进行预测。是不是很像人通过刷题的学习过程？用带了标准答案的习题集去刷题，如果做错了就根据错误的原因反思改进。当新的题目到来时，便可根据过去刷题的经验来去写新的题目。有监督学习的训练集要包括输入（特征）和输出（目标），其中，输出是人工标注的。

卷积（Convolution）是深度学习中最重要的技术之一，其历史可以追溯到上世纪八十年代。尽管这项技术已有近四十年的历史，但时至今日，它依然是各类神经网络模型的核心组成部分。那么，究竟什么是卷积呢？许多初学者第一次接触“卷积”这个概念时，往往会联想到数学中的卷积定义——即“卷积是通过两个函数f和g生成第三个函数的数学算子，表征函数f与g经过翻转和平移后的重叠部分函数值乘积对重叠长度的积分”。然而，这样的数学解释虽然严谨，却容易让人望而生畏。

CNN（Convolutional Neural Network，卷积神经网络）是一种深度学习模型，广泛应用于计算机视觉任务，包括人脸检测、识别和分类。相比于传统方法（如Haar、HOG），CNN能够自动学习图像的多层次特征（如边缘、纹理、形状等），具有更高的检测精度和鲁棒性。CNN人脸检测的优势：高精度：能够检测不同角度、光照、遮挡的人脸。端到端训练：无需手动设计特征提取器（如Haar、HOG）。适应性强：适用于复杂背景、多人脸场景。

链接：https://pan.baidu.com/s/1l-bw8zR9psv1HycmMqQBqQ?pwd=2ibp提取码：2ibp--来自百度网盘超级会员V2的分享。

在神经网络的设计中，我们往往希望输出层输出的是一个概率分布函数，每个值都为正，而总和为1（总和为1一般选择softmax，因为softmax的输出就是0-1的区间）；然后对于值最大的一个神经元对应的内容（在上面的例子中是数字），就是我们的输出。传统的机器学习算法中，整个训练集中的所有样本都会被用来计算模型参数的梯度，并根据梯度来更新模型参数，因此N的值就是训练集的大小。传统的机器学习算法中，整个训练集中的所有样本都会被用来计算模型参数的梯度，并根据梯度来更新模型参数，因此的值就是训练集的大小。

这是一篇关于部署大模型

链接：https://pan.baidu.com/s/1KkkM1rLfyiMPtYLycpnxmg?pwd=j2rd提取码：j2rd--来自百度网盘超级会员V2的分享采用数据集： https://aistudio.baidu.com/datasetdetail/130647采用代码：本文会讲解两种方法：一种是使用开源数据集（不是deeplab支持的数据集）完成在deeplab上训练，另一种是通过标注自定义数据集来完成训练。

​（如小物体、稀有类别）赋予更高权重，让模型更关注这些“难啃的骨头”。​：数据中某些类别（如“罕见疾病细胞”）样本太少，模型容易忽略它们。​：YOLOv8对小物体（如远处的人、小尺寸的车辆）容易分类错误。的数据时，容易出现漏检或误检。，让模型对小物体的分类更敏感，同时不影响大物体的检测。，能显著提升检测精度，尤其是对小物体和难分类样本！​：小目标检测精度提升，且不会拖累大物体的性能。YOLOv8虽然是强大的目标检测模型，但在处理。​：稀有类别的检测率显著提高！​：FocalLoss对。

数据集是必不可少的部分，数据集的优劣直接影响训练效果。一般来说，一个完整的数据集应该包括训练集、测试集和验证集。通常，数据集会被划分为训练集和测试集，比如将数据集的70%用作训练集，30%用作测试集。在进行训练时，可以使用交叉验证的方法将训练集再次划分为训练子集和验证子集，用于模型的训练和验证。训练集是用于模型的训练的数据集。在训练过程中，模型使用训练集中的样本进行学习和参数调整，通过不断迭代优化模型的参数，使模型能够更好地拟合训练集中的数据。测试集是用于模型的评估的数据集。

人脸识别系统开发指南（基于ORL数据集）

这篇博客将主要介绍 YOLO v1 算法（CVPR 2016 的论文），它是一种目前非常流行的目标检测（Object Detection）算法，以速度快、结构简单著称。相比于其他目标检测算法，如 Faster R-CNN、SSD 等，YOLO 在实时性上具有明显优势。相信这些算法大家并不陌生，后续有机会会对它们进行详细解读。需要特别说明的是，本文介绍的算法是 YOLO 的第一个版本（YOLO v1）。随着算法的不断发展，目前在 YOLO 的官方网站上已经发布了 YOLO v2 的实现版本。

安装到 PYNQ 开发板中。该库为 PYNQ 平台提供了对量化神经网络（如 YOLO）的硬件加速支持。确保你的电脑已连接到外网，如 WiFi 或热点（手机热点理论上也可用，未实测）。当你看到安装成功的提示后，打开 Jupyter Notebook，你会发现在。趁这个机会，泡了杯茶，刷了会儿手机，顺便感慨了一下开源社区的强大……页面中多出了一些新的项目文件夹 —— 这就是我们刚才安装的。参数，浅拷贝只克隆最近一次提交，减少数据量，避免超时问题。初始化，打开该文件，即可运行我们的Tiny YOLO。

我发现部分rk板子可以连接到虚拟机上，部分连接不上。其中尝试了一块是安卓系统的rk板子是可以连接虚拟机。但是用了linux系统的rk板子连接不上虚拟机。尝试了很多办法还是无法连接虚拟机。最后无奈下尝试了双系统，直接在ubuntu系统下adb板子，发现成功链接上了rk3566.也就是我实验的结果是部分rk板子无法正常连接虚拟机，需要用linux主机连接板子。然后也看到一些相关资料，但是太少了，只有这个链接提到了这个问题。

YOLO（You Only Look Once）是一种快速、高效的目标检测算法。它使用一种简洁的.txt文件格式来保存每张图片中的标注信息，适合构建自定义目标检测数据集。🔹 图像文件.jpg.png等；每张图片将对应一个同名的标签文件（.txtdog.jpg对应dog.txt；图像在训练前通常会被缩放成统一尺寸，例如 YOLOv3 默认输入为416x416。🔹 标签文件（.txt）是一个纯文本文件；每一行表示一个标注目标；字段说明类别编号，从0开始，例如：狗是0，猫是1x_center。

YOLO-World通过视觉语言大模型（如CLIP）赋能传统YOLO架构，首次实现高效的开集目标检测。其核心创新包括：1）可重参数化的视觉语言路径聚合网络（RepVL-PAN），动态融合图像与文本特征；2）"提示后检测"范式，通过离线词汇预编码将推理速度提升至52 FPS；3）千万级视觉语言数据预训练策略，在LVIS数据集达到35.4 AP的零样本性能。相比需要重型backbone的GLIP等方案，YOLO-World以轻量化架构同时突破封闭集限制与实时性瓶颈，支持用户自定义任意类别检测，为工业落地提供全新

在深度学习中，注意力机制（Attention Mechanism）是一种通过对输入信息加权的方式，模拟人类视觉焦点的技术。它的核心思想是通过聚焦于输入数据中最相关的部分，提升模型的表现能力，尤其是在处理复杂输入时。传统的卷积神经网络（CNN）通过局部感知的方式来提取特征，但这种方式在面对复杂场景时可能会导致信息丢失，特别是在背景复杂、目标密集的情况下。因此，加入注意力机制可以帮助模型自动选择重要的特征或区域，从而提高性能。通道注意力空间注意力和多头注意力。