<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[努力努力努力]]></title><description><![CDATA[如果方向错了，跑的再快又有什么用！]]></description><link>https://blog.csdn.net/hltt3838</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; hltt3838]]></copyright><item><title><![CDATA[YOLO-World（2）：本地快速部署与成功运行【实战】]]></title><link>https://blog.csdn.net/hltt3838/article/details/161041619</link><guid>https://blog.csdn.net/hltt3838/article/details/161041619</guid><author>hltt3838</author><pubDate>Wed, 13 May 2026 11:28:42 +0800</pubDate><description><![CDATA[用于专门特定的目标检测。先加载YOLO-World 模型，然后设置自定义类并保存，只能检测想要的类别。# 加载预训练模型# 定义检测类别# 保存模型使用自定义模型进行推理# 加载保存的模型# 使用模型进行推理# 显示结果因为我们刚刚自定义的词汇是bus和person，所以检测出来的结果只能检测定义的类别，也就是bus和person。自定义模型的优势：一、速度变快 ✅推理时不再计算成千上万类的概率，只计算你设定的少数几类，速度提升 10%–30%。二、算力 / 显存变小 ✅。]]></description><category></category></item><item><title><![CDATA[YOLO-World（1）实时开放词汇对象检测-【理论部分】]]></title><link>https://blog.csdn.net/hltt3838/article/details/161040018</link><guid>https://blog.csdn.net/hltt3838/article/details/161040018</guid><author>hltt3838</author><pubDate>Wed, 13 May 2026 10:21:00 +0800</pubDate><description><![CDATA[YOLO-World是一款革命性的实时开放词汇目标检测器，能够让你轻松实现基于任意词汇的对象识别，无需复杂配置即可快速部署。无论是新手还是资深开发者，都能通过本指南快速掌握这款下一代YOLO模型的安装与使用技巧。这是因为：模型看过海量文字 + 图片对齐数据；它学会了语言和图像的对应关系。YOLO-World作为下一代YOLO检测器，继承了YOLO系列的高效性，同时突破性地实现了开放词汇检测能力。它采用"先提示后检测"（]]></description><category></category></item><item><title><![CDATA[Ubuntu 18.04 运行Fast-Calib 标定Camera-Lidar外参流程 - 全网最详细]]></title><link>https://blog.csdn.net/hltt3838/article/details/160990895</link><guid>https://blog.csdn.net/hltt3838/article/details/160990895</guid><author>hltt3838</author><pubDate>Mon, 11 May 2026 19:31:57 +0800</pubDate><description><![CDATA[2. 建立软链接，让 FLANN 使用系统版 lz4（从此不再冲突）// 绝杀 LZ4 冲突：强制先包含 rosbag。# 1. 备份 FLANN 自带的 lz4 头文件。// 然后是 chrono（修复时间错误）]]></description><category></category></item><item><title><![CDATA[ubuntu 18.04环境，启动python代码自动运行 “roslaunch X Y.launch” 和 rosbag play Z.bag ]]></title><link>https://blog.csdn.net/hltt3838/article/details/158970407</link><guid>https://blog.csdn.net/hltt3838/article/details/158970407</guid><author>hltt3838</author><pubDate>Thu, 12 Mar 2026 15:59:32 +0800</pubDate><description><![CDATA[【代码】ubuntu 18.04环境，启动python代码自动运行 “roslaunch X Y.launch” 和 rosbag play Z.bag。]]></description><category></category></item><item><title><![CDATA[Ubuntu18.04 【patchwork++】基于ROS的成功运行自己采集的数据 - 【全网最详细】]]></title><link>https://blog.csdn.net/hltt3838/article/details/158844971</link><guid>https://blog.csdn.net/hltt3838/article/details/158844971</guid><author>hltt3838</author><pubDate>Mon, 09 Mar 2026 15:35:51 +0800</pubDate><description><![CDATA[Patchwork++ ROS 项目的目录结构如下：├── src/其中，每个文档的具体解释如下：include/: 包含项目的头文件，主要是 patchworkpp.hpp。src/: 包含项目的源代码文件，主要是 patchworkpp_node.cpp。launch/: 包含项目的启动文件，主要是 patchworkpp.launch。config/: 包含项目的配置文件，主要是 patchworkpp_params.yaml。]]></description><category></category></item><item><title><![CDATA[工控机—Ubuntu系统 挂载 SSD 硬盘，并设置开机自动识别]]></title><link>https://blog.csdn.net/hltt3838/article/details/158460727</link><guid>https://blog.csdn.net/hltt3838/article/details/158460727</guid><author>hltt3838</author><pubDate>Fri, 27 Feb 2026 12:50:31 +0800</pubDate><description><![CDATA[（屏幕左下角会显示 -- INSERT --），这时才能输入文字。文件夹（这是 ext4 文件系统自动创建的）。然后回车（w 是写入保存，q 是退出）键退出插入模式，返回命令模式。打开文件后，默认是命令模式。用方向键移动光标到文件末尾。重启后，硬盘会自动挂载到。你可以在文件管理器中通过。没有报错就说明配置正确。或者如果你当前已经在。粘贴或输入你的配置行。]]></description><category></category></item><item><title><![CDATA[ubuntu 18.04 压缩 激光雷达点云和图像 topic，并录制bag 数据包]]></title><link>https://blog.csdn.net/hltt3838/article/details/157427911</link><guid>https://blog.csdn.net/hltt3838/article/details/157427911</guid><author>hltt3838</author><pubDate>Tue, 27 Jan 2026 11:09:25 +0800</pubDate><description><![CDATA[rosbag play -r 0.5 compressed_data.bag        # 0.5倍速。rosbag play -r 1.0 compressed_data.bag        # 正常速度。rosbag play -r 2.0 compressed_data.bag        # 2倍速。_compressed.format:=png# 使用PNG无损压缩 + BZ2。# 时间同步播放 - 发布时钟话题（适用于需要时间同步的节点）# 查看bag文件信息（会显示压缩格式）]]></description><category></category></item><item><title><![CDATA[禾赛激光雷达AT128P/海康相机（2）：基于欧几里德聚类的激光雷达障碍物检测]]></title><link>https://blog.csdn.net/hltt3838/article/details/150521606</link><guid>https://blog.csdn.net/hltt3838/article/details/150521606</guid><author>hltt3838</author><pubDate>Tue, 19 Aug 2025 12:27:33 +0800</pubDate><description><![CDATA[原因是： catkin_make后生成的可执行文件不再devel里面，在build文件里面。运行自己的数据，发现 代码无法运行。原因是 激光雷达中的topic和代码中的不匹配。intensity 信息。我目前是换了一个激光雷达，修改代码台麻烦。CMakeLists.txt 文件的最下面加入下面的命令。请按照这个命名放置代码。]]></description><category></category></item><item><title><![CDATA[禾赛激光雷达AT128P/海康相机（1）：ROS环境设备驱动]]></title><link>https://blog.csdn.net/hltt3838/article/details/149743873</link><guid>https://blog.csdn.net/hltt3838/article/details/149743873</guid><author>hltt3838</author><pubDate>Tue, 29 Jul 2025 12:06:05 +0800</pubDate><description><![CDATA[sudo cp *.so /opt/MVS/lib/64/  # 复制当前文件夹中所有.so文件 到 “/opt/MVS/lib/64/”  文件中。将相应的.so文件复制到 /opt/MVS/lib/64/。我解压的是x86_64的，解压之后，打开，再解压MVS。然后在上一层，也就是选择x86_64那一层打开终端。新建一个工作空间，或者打开自己的工作空间。）包放在src内，并解压，然后编译。MVS V2.1.2下载之后解压，// 驱动代码下载到src文件里面。// 特定文件夹中打开终端。]]></description><category></category></item><item><title><![CDATA[3、大语言模型LLM底层技术原理到底是什么？大型语言模型如何工作？]]></title><link>https://blog.csdn.net/hltt3838/article/details/149635039</link><guid>https://blog.csdn.net/hltt3838/article/details/149635039</guid><author>hltt3838</author><pubDate>Fri, 25 Jul 2025 12:24:43 +0800</pubDate><description><![CDATA[大型语言模型，也称为 预训练模型 ，是一种 使用大量数据来学习语言特征 的人工智能。这些模型用于生成基于语言的数据集，并可用于各种任务，例如语言理解和生成。大型语言模型的关键特征之一是它们能够生成类似人类的文本。这些模型可以生成连贯、语法正确，有时甚至幽默的文本。他们还可以将文本从一种语言翻译成另一种语言，并根据给定的上下文回答问题。]]></description><category></category></item><item><title><![CDATA[2、一文讲清楚大模型中8个关键词及原理：LLM、Transformer、GPT、Bert、预训练、微调、深度学习、Token]]></title><link>https://blog.csdn.net/hltt3838/article/details/149634814</link><guid>https://blog.csdn.net/hltt3838/article/details/149634814</guid><author>hltt3838</author><pubDate>Fri, 25 Jul 2025 12:12:11 +0800</pubDate><description><![CDATA[1. LLM（大语言模型）：基于深度学习构建的超大规模语言模型，能理解、生成自然语言并执行复杂任务。2. Transformer：一种基于自注意力机制的深度学习架构，是当前主流大模型（如 GPT、BERT）的核心框架。3. GPT（生成式预训练 Transformer）：基于 Transformer 的生成式预训练模型，擅长自然语言生成，如文本创作、对话交互。]]></description><category></category></item><item><title><![CDATA[一[3.7] YOLO系列基础(4)- “归一化层（BN层）到CBS模块”]]></title><link>https://blog.csdn.net/hltt3838/article/details/149273694</link><guid>https://blog.csdn.net/hltt3838/article/details/149273694</guid><author>hltt3838</author><pubDate>Fri, 11 Jul 2025 15:33:36 +0800</pubDate><description><![CDATA[假设有一层刚刚跟新完，这一层的前端输入就变化了，我的更新岂不是成了笑话？我们需要注意的是不同的通道我们选择的卷积核是不一样的，这就导致了输出的特征内容是完全不相干的，我们若是在后面针对全通道进行归一化处理，那么就会一定程度上丢失这些差异性。实际上，这和通道意义有关，在一开始，三通道仅仅指的是rgb三色，但是随着通道数增加 or 减少，通道数实际上意味着不同维度的特征信息。首先我们复习，针对一个3个通道的输入特征图，假设我们需要输出4通道的特征图，我们需要4个过滤器，每个过滤器有3个卷积核。]]></description><category></category></item><item><title><![CDATA[1、零基础解码Transformer与大模型核心原理]]></title><link>https://blog.csdn.net/hltt3838/article/details/149268490</link><guid>https://blog.csdn.net/hltt3838/article/details/149268490</guid><author>hltt3838</author><pubDate>Fri, 11 Jul 2025 11:51:35 +0800</pubDate><description><![CDATA[本文以通俗易懂的方式，为“大模型小白”解析，包括其与大模型的关系、自注意力机制、多头注意力机制、位置编码、Encoder和Decoder的组成等内容，帮助读者全面理解这一支撑现代AI的语言模型基石。]]></description><category></category></item><item><title><![CDATA[一[3.7] YOLO系列基础(3)- “残差网络(Residual network,ResNet)到C3层”]]></title><link>https://blog.csdn.net/hltt3838/article/details/149256251</link><guid>https://blog.csdn.net/hltt3838/article/details/149256251</guid><author>hltt3838</author><pubDate>Thu, 10 Jul 2025 18:43:54 +0800</pubDate><description><![CDATA[C3层在自己的多层瓶颈层的外面，构建了一个仅有一个conv层的残差结构。相比于ResNet的残差结构，C3层将原始数据进行了一次卷积操作。正常参数流动是从上到下每层都跑不掉，残差网络用了一个shortcut来为不相邻的网络层之间开辟了一条高速路，也就是说，此外，多增加的一个Conv层大大提高了模型的拟合速度，因为不管怎么说，好歹是做了一次特征提取的操作。这是因为：退化现象的本质在于数据特征在深度网络中逐渐丢失，而我们希望的现象是：直接将。显然，C3层借鉴了残差层的设计理念。，以达成上诉的目标！]]></description><category></category></item><item><title><![CDATA[一[3.7] YOLO系列基础(2)- “Bottleneck模块详解”]]></title><link>https://blog.csdn.net/hltt3838/article/details/149230679</link><guid>https://blog.csdn.net/hltt3838/article/details/149230679</guid><author>hltt3838</author><pubDate>Wed, 09 Jul 2025 19:02:40 +0800</pubDate><description><![CDATA[Bottleneck 模块在YOLOv8中的作用是进行特征提取和增强，是网络中的核心构建模块之一。它的主要功能是通过卷积操作来处理输入特征图，并在适当情况下应用残差连接，使得信息能够有效地通过网络层进行传播。Bottleneck的作用是通过降低通道数来减少计算量，以增加计算与训练效率。传统的卷积层在每个位置上应用一组较大的滤波器（比如3x3或5x5），以获取局部特征。但是这样的卷积层有时可能会产生过多的计算和参数，尤其是在深层网络中，会导致训练过程缓慢，容易出现梯度消失或爆炸等问题。]]></description><category></category></item><item><title><![CDATA[一[3.7] YOLO系列基础(1)- “卷积神经网络原理详解”]]></title><link>https://blog.csdn.net/hltt3838/article/details/149224236</link><guid>https://blog.csdn.net/hltt3838/article/details/149224236</guid><author>hltt3838</author><pubDate>Wed, 09 Jul 2025 16:11:13 +0800</pubDate><description><![CDATA[参考连接。]]></description><category></category></item><item><title><![CDATA[一[3.8] YOLOv8 代码解析 (1)]]></title><link>https://blog.csdn.net/hltt3838/article/details/149223259</link><guid>https://blog.csdn.net/hltt3838/article/details/149223259</guid><author>hltt3838</author><pubDate>Wed, 09 Jul 2025 14:16:21 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[一、大模型学习相关连接]]></title><link>https://blog.csdn.net/hltt3838/article/details/149121068</link><guid>https://blog.csdn.net/hltt3838/article/details/149121068</guid><author>hltt3838</author><pubDate>Fri, 04 Jul 2025 16:49:53 +0800</pubDate><description><![CDATA[相关学习连接如下：1、2、3、]]></description><category></category></item><item><title><![CDATA[一[4.1]、ubuntu18.04环境，python代码读取图像和激光雷达点云数据 —【bag/图片/视频/pcd】 ]]></title><link>https://blog.csdn.net/hltt3838/article/details/149067129</link><guid>https://blog.csdn.net/hltt3838/article/details/149067129</guid><author>hltt3838</author><pubDate>Wed, 02 Jul 2025 12:33:09 +0800</pubDate><description><![CDATA[目录一、 将 ROS bag 文件中的激光雷达点云数据转换为 PCD 格式方法一：使用 ROS 工具（推荐）1. 安装依赖2. 使用 rosrun pcl_ros bag_to_pcd 转换方法二：Python 脚本转换（适用于自定义处理）1. 安装依赖2. Python，convert_bag_to_pcd.py 代码如下：二、 读取pcd 数据中相关信息三、 读取激光雷达bag数据中topic等相关信息四、读取bag中的图像和点云数据五、读取设备发布 topic中的图像和点云数据安装工具包具体代码如下：]]></description><category></category></item><item><title><![CDATA[ 一[3.5]、YOLO8自动化标注流程-全网最详细]]></title><link>https://blog.csdn.net/hltt3838/article/details/149064726</link><guid>https://blog.csdn.net/hltt3838/article/details/149064726</guid><author>hltt3838</author><pubDate>Wed, 02 Jul 2025 10:47:15 +0800</pubDate><description><![CDATA[其中，保存到 auto_labels_all_txt 文件夹里面的是txt 标注，检查标注信息和图片对应无误后，可以反复参与训练。：首次自动标注后，建议人工抽检10%~20%的数据进行质量验证，确保关键样本标注正确。代码，将 label_json 文件转换为 label_txt 文件;如果想修高标注不合适的地方，启动 工具中的 “编辑多边形” 功能即可。典型场景：工业检测常用1-30帧/秒，交通监控常用0.5-2帧/秒。迭代训练：将自动标注数据加入训练集进行多轮迭代提升精度。标注将自动加载并显示在图像上；]]></description><category></category></item></channel></rss>