jacke121的专栏

yolov5身份证：https://github.com/NeuroData-ltd/ID-card-detector-yolov5https://github.com/SaddamBInSyed/id-card-detector卡片检测：id-card-detectorGitHub - mesutpiskin/id-card-detector: Detecting the National Identification Cards with Deep Learning (Fas..

测距公式：通过matlab标定得到相机参数放到stereoconfig.pyimport numpy as npimport cv2#双目相机参数class stereoCameral(object): def __init__(self): #左相机内参数 self.cam_matrix_left = np.array([[249.82379, 0., 156.38459], [0., 249.07678, 122.46872],..

目录自己修改了一下测试代码：onnx部署测试开源地址：GitHub - TencentYoutuResearch/CrowdCounting-P2PNet: The official codes for the ICCV2021 Oral presentation "Rethinking Counting and Localization in Crowds: A Purely Point-Based Framework"原理：每个人头上得到一个点，输入是rgb图，下面是效果图：

解决方法1：报错代码：anchor_points = self.anchor_points(samples).repeat(batch_size, 1, 1)output_coord = regression + anchor_points修改后代码：anchor_points = self.anchor_points(samples).repeat(batch_size, 1, 1)# decode the points as prediction# output_coord..

OpenVINO 2022下载 安装官网下载地址：https://www.intel.com/content/www/us/en/developer/tools/openvino-toolkit-download.html我这里下载2022.1.0的exe离线安装程序，用迅雷下载的比较快。w_openvino_toolkit_p_2022.1.0.643_offline 需要vs2019，如果vs2017和以前的版本，安装会报错，安装失败。全部走默认安装这个默认只能安装在c盘，...

前言人们通过视觉、听觉、触觉以及过去的经验“理解”世界。人类经验可以通过正常学习（我们称之为显性知识）或潜意识（我们称之为隐性知识）来学习。这些通过正常学习或潜意识习得的经验将被编码并储存在大脑中。使用这些丰富的经验作为一个庞大的数据库，人类可以有效地处理数据，即使它们是事先不可见的。在今天分享中，研究者提出了一个统一的网络，将隐性知识和显性知识编码在一起，就像人脑可以从正常学习和潜意识学习中学习知识一样。统一网络可以生成统一的表示以同时服务于各种任务。可以在卷积神经网络中执行内核空间对齐、..

yolov5预训练模型用OpenVINO转换成IR模型后推理部署(win10+VS2017)_RayChiu_Labloy的博客-CSDN博客win10 安装OpenVINO并在tensorflow环境下测试官方demo_RayChiu_Labloy的博客-CSDN博客

生成最小外接矩形：cnt = np.array([[x1,y1],[x2,y2],[x3,y3],[x4,y4]]) # 必须是array数组的形式rect = cv2.minAreaRect(cnt) # 得到最小外接矩形的（中心(x,y), (宽,高), 旋转角度）box = cv2.cv.BoxPoints(rect) # cv2.boxPoints(rect) for OpenCV 3.x 获取最小外接矩形的4个顶点box = np.int0(box)RotatedRe..

本文分享一篇阿里巴巴大淘宝技术与上海交通大学图像通信与网络工程研究所（简称图像所）合作论文《AdaInt:Learning Adaptive Intervals for 3D Lookup Tables on Real-time Image Enhancement》，全部代码及模型均已开源。结果示例本文首次提出了通过深度学习对输入图像自适应地学习具有非均匀布局的三维颜色查找表，从而对输入图像进行高效色彩增强的创新性技术，并在学术界公开仿真数据集上取得了最优客观指标（PSNR）的同时做到了当前运行

在计算机视觉方面，实现最先进性能的大型模型与实际应用中简单的模型之间的差距越来越大。在本文中，将解决这个问题，并显著地弥补这2种模型之间的差距。在实证研究中，作者的目标不是一定要提出一种新的方法，而是努力确定一种稳健和有效的配置方案，使最先进的大模型在实践中能够得到应用。本文证明了在正确使用的情况下，知识蒸馏可以在不影响大模型性能的情况下减小它们的规模。作者还发现有某些隐式的设计选择可能会极大地影响蒸馏的有效性。作者的主要贡献是明确地识别了这些设计选择。作者通过一项全面的实证研究来支持本文的发...

natsort自然排序：pip install natsortif __name__ == '__main__': from natsort import natsorted x = ['41', '2', '11', '33'] y=natsorted(x) print(x) print(y)结果：['41', '2', '11', '33']['2', '11', '33', '41']python文件夹时间排序# 方法二..

torch distributed.init out of memory设置环境gpu：os.environ["CUDA_VISIBLE_DEVICES"] = "1, 2, 3"local_rank=0torch.cuda.set_device(local_rank)cuda(0)默认是第0块显卡，但是设置CUDA_VISIBLE_DEVICES后：cuda(0)就是CUDA_VISIBLE_DEVICES里面的第一个gpu。...

RandomCrop，必须小于原图，如果padding，可以等于原图代码实例：import cv2import numpy as npfrom torchvision import transformstrans = transforms.Compose([transforms.ToTensor(), transforms.RandomCrop(128)])crop_trans = transforms.Compose([t..

参考链接：https://www.zhihu.com/question/30697098/answer/49072482gamma校正原理：　　假设图像中有一个像素，值是 200 ，那么对这个像素进行校正必须执行如下步骤：　　1. 归一化 ：将像素值转换为 0 ～ 1 之间的实数。 算法如下 : ( i + 0. 5)/256 这里包含 1 个除法和 1 个加法操作。对于像素 A 而言 , 其对应的归一化值为 0. 783203 。　　2. 预补偿 ：根据公式 , ...

PointCloudSegmentation点云分割 PointCloudSegmentation测试笔记_AI视觉网奇的博客-CSDN博客代码地址：https://github.com/LiyaoTang/contrastBoundary1、背景对点云进行语义分割是对3D世界理解的前提，鲁棒的3D分割对于各种应用非常重要，包括自动驾驶、无人机和增强现实。过往几期的分享中，大家往往关注于不同目标的分离，但很少关注3D点云的边界。目前的3D点云分割方法通常在场景边界上表现不佳，这会降...

鸟瞰图的相关轴为了创建鸟瞰图图像，点云数据中的相关轴将是 x 和 y 轴。但是，从上图可以看出，我们必须小心并考虑以下事项：x 和 y 轴的意思相反。x 轴和 y 轴指向相反的方向。您必须移动这些值，以便 (0,0) 是图像中的最小可能值。限制矩形查看只关注点云的特定区域通常很有用。因此，我们希望创建一个过滤器，只保留我们感兴趣的区域内的点。由于我们正在查看顶部的数据并且我们有兴趣将其转换为图像，因此我将使用与图像轴更加一致的方向。下面，我指定了我想要关注的相对于原点的值范..

Complex-YOLOv4开源项目1：GitHub - maudzung/Complex-YOLOv4-Pytorch: The PyTorch Implementation based on YOLOv4 of the paper: "Complex-YOLO: Real-time 3D Object Detection on Point Clouds"有预训练，代码是多卡训练的开源项目2：Complex-YOLOv4和Complex Yolo v4 - tiny:Git..

目录insightface训练mobilefacenet训练：数据集准备训练train.rec数据集：insightface训练商量就是多卡训练：windows不支持nccl：try: world_size =1# int(os.environ["WORLD_SIZE"]) rank =0# int(os.environ["RANK"]) # distributed.init_process_group("nccl") distribut