luoshiyong123的博客

原创 windows笔记本连接RKNN3588网络配置解析

这里如果本机是windows电脑的话，直接将以下的文件放（https://pan.baidu.com/s/1HRuZ0BlKFP65PEp1-16qFw?这几天拿到了一块RKNN3588的板子，准备做视觉和Ros开发用，但是拿到后就蒙蔽了，不知道怎么ssh连到板子上去，更甚者不知道怎么配置网络让RKNN能够联网更新环境，这里记录一下整个过程。：RKNN板子插上电源以后，通过USB-typec接口一端连接板子，一端连接电脑即可。如果是ubuntu环境的话，就更简单了，直接执行以下命令即可。

原创 ubuntu22.04编译PX4无人机仿真实践

如果某个python包安装失败，可以单独通过其他源来安装。编译完成即可显示：Ready for takeoff。克隆PX4源码，并且更新子模块。

原创 RKNN3588配置推理环境

【代码】RKNN3588配置推理环境。

原创 LLaMA-Factory微调DeepSeek-R1-Distill-Qwen-7B

根据患者的详细病史和实验室检查结果，可以得出以下结论：\n\n1. **病因分析**：\n - **细菌感染**：尤其是Streptococcus pyogenes，可能导致关节炎，常见于儿童。\n\n4. **治疗转归**：\n - **切开引流后体温下降**和**急性症状消退**：说明感染得到了初步控制，可能细菌已被清除。从不同的角度来看，答案可能会有所不同：\n\n1. **从生物学角度来看**：鸡的形成需要经过漫长的进化过程，可能需要先有母鸡或其他条件，然后再有蛋的出现。

原创 目标跟踪最新文章阅读列表

原创 nvidia-smi安装显卡驱动

发现是显卡供电不够的原因，一天白干。

原创 docker常用命令

【代码】docker常用命令。

原创 mmdet支持custom数据集格式读取和评测

在使用mmdet过程中，通常使用coco格式的数据格式，或者使用cocoapi进行精度的评测，不得不说一句太麻烦了，因为通常我们的det标注都是通过labelme或者其他标注软件来的，而且coco格式的标注把所有的数据放到一起不利于对单个文件管理。parse_data_info和filter_data两个方法。如果有不懂的欢迎提问~

原创 检测及分割常用标注格式转换

【代码】检测及分割常用标注格式转换。

原创 yolov8以及yolov10增加小目标检测层

【代码】yolov8以及yolov10增加小目标检测层。

原创 unet/transunet/setr结构PPT图

unet,transunet,setr网络结构

原创 qwen2.5vl技术报告解读

通义千问

原创 python面试高频考点（深度学习大模型方向）

在Python中，上下文管理器（Context Manager） 是一种通过 with 语句管理资源的协议，确保资源（如文件、数据库连接、线程锁等）在使用后被正确释放，避免资源泄漏return self.file # 返回资源对象self.file.close() # 确保文件关闭# 使用示例3.python中的函数传参是传值还是传引用？变量是对象的标签：Python中变量本身不存储值，而是存储对对象的引用（即内存地址）。

原创 Linux系统增加用户用于深度学习

【代码】Linux系统增加用户用于深度学习。

原创 pyqt实现yolov8主界面和登录界面以及数据库

【代码】pyqt实现yolov8主界面和登录界面以及数据库。

原创 mmdet数据读取过程解析

最近在将mmdet适配到自己的数据上，经过研究发现mmdet仅支持coco，voc等少数几类数据集，所以需要自己重新写一个dataset来解决，顺便熟悉一下mmdet的数据读取过程，这里以检测任务的yolov3为模型，voc数据集为例子来解析这个过程1.数据读取过程解析 这里在mmdetection/mmdet/datasets/cisdi.py新建了一个数据集CisdiDataset，其中内容参考voc数据集这里的JsonData

原创 vscode调试常用选项

在vscode调试过程中，存在一个文件来控制调试的相关选项，位置为mmdetection/.vscode/launch.json。

原创 目标检测之DINO详解

相比之下，我们的混合查询选择方法仅使用前K个选定特征来增强位置查询，并保持内容查询的可学习性不变。method for anchor initialization，a look forward twice scheme for box pre diction，在coco上使用resnet多尺度特征获得了（和DN-DETR相比）+6.0AP和+2.7AP的显著提升（12epoch和24epoch）,DINO在取得更好结果的同时，显著减少了模型大小和预训练数据量。在DETR和DN-DETR 中，解码器。

原创 基于ultralytics库的RTDETR独家大全（原创）

RTDETR作为目标检测和分割领域的新兴技术，具有巨大的发展潜力。通过本专栏的基础入门和高阶创新改进部分的学习，读者将能够全面了解RTDETR的基本原理、实现方法以及优化策略，为进一步的研究和应用打下坚实的基础。期待与大家一起在视觉大作战专栏中探索RTDETR的无限可能！

原创 ultralytics库RT-DETR代码解析

其中，主要包含了4个函数，_get_encoder_input函数将输入整理成需要的形状，get_cdn_group添加了类似于DN-DETR的去噪分组方法，_get_decoder_input，decoder进行注意力计算。下边详细来看看这4个函数具体过程。这里相信看过我文章的小伙伴已经非常熟悉了，通过[w,h]来生成对应的锚点，只不过这里有一点特殊，这里的锚点坐标是归一化后的，另外，针对锚点归一化后的值小于0.01或者大于0.99都是无效的，所以这里维护了一个valid_mask来得到有效的锚点。

原创 yoloseg分割模型精度提高技巧（干货）

可选的解决方案是可以提前进行目标区域裁剪来减少这种损失。众所周知，在实时实例分割领域，可用的方法并不多，2019年yoloact的问世给了给了众多算法工程师一个不错的选择，之后yolo系列的实例分割方法也一直按照yoloact的思路进行实例分割任务。在部署过程中，最耗时的操作就是protos【b,32,160,160】和weights【b,20,32】之间进行的矩阵相乘操作，这个提升的解决方案有很多，以下是一些可选方案。：如果可以接受精度损失的话，在训练过程中可以把32个protos减小到16个或者8个。

原创 如何在yolov8中使用ATSS策略

在yolov8中使用的标签匹配策略是TAL,本篇文章解析一下ATSS代码相关实现以及如何把ATSS放到yolov8中使用。其次在loss.py中将assigner改为ATSS。

原创 ATSS匹配策略—CVPR 2020

ATSS标签匹配论文解读

原创 视觉大作战专栏感想

最后，就是伙伴招募了，从读书阶段到工作，一直没有志同道合的小伙伴可以并肩作战，希望在高质量文章创作上有几个小伙伴一起，主要的工作是在这个专栏里输出视觉的高质量文章，并经过我的审核发布。成功入伙的伙伴根据文章阅读量的比例可以获得等比的专栏分成，当然最主要的还是持续鼓舞自己不断学习，输出高质量文章~，比如pyqt,deepstream,rknn,android,ncnn,tensorrt等等的心得。（如yolo系列，实例分割、全景分割，目标跟踪，多模态等等）（如提速，量化，蒸馏，剪枝等等）

原创 yolov8如何评价结果

为的意义是确定41个预测box在某个iou标准下是否是TP,所以维度是[41, 10] ，41表示有41个预测box,10表示10个iou标准，分别为[0.5000, 0.5500, 0.6000, 0.6500, 0.7000, 0.7500, 0.8000, 0.8500, 0.9000, 0.9500]bbox为gt中的box信息，维度为（1，3），cls为gt的类别信息，维度为（1）bbox为gt中的box信息，维度为（1，4），cls为gt的类别信息，维度为（1）

原创 yolov8的标签匹配解析

首先针对输入图片维度为[4,3,640,640]，通过骨干网络可以得到三个feature,也就是1/8，1/16以及1/32的特征输出，对应的维度分别为[4,65,80,80]、[4,65,40,40]、[4,65,20,20]然后通过上图的make_anchors方法去得到不同尺度特征图的锚点，feats就是输出的三个特征图，stride是对应的三个尺度，为[8,16,32]以尺度为20的特征图为例，torch.arange生成一个包含20个从0到19的tensor。

原创 实验室没有显卡怎么深度学习

最近显卡奇缺，遍历了网上各种平台薅GPU羊毛，这里给大家介绍以下这个平台的福利！！！先附上链接：恒源云_GPUSHARE-恒源智享云恒源智享云gpushare.com 是一个专注 AI 行业的共享算力平台，旨在为用户提供高性比价的GPU云主机和存储服务，让用户拥有高效的云端编程和训练体验，不再担忧硬件迭代/环境搭建/数据存储等一系列问题。https://gpushare.com/auth/register?user=18*****7729&fromId=ce701711122&sou

原创 python读取nii数据

from nibabel.viewers import OrthoSlicer3Dfrom nibabel import nifti1import nibabel as nibfrom matplotlib import pylab as pltimport matplotlib# 文件名，nii或nii.gzv_filename = '/home/luoshiyong/pycode/pythonProject/venv/lits/volume-65.nii's_filename = '/h.

原创 全卷积网络FCN模型实现

1.数据集voc2012获取见https://blog.csdn.net/luoshiyong123/article/details/1111970392.FCN网络结构3.FCN特点 （1）摒弃了传统卷积网络最后的全连接层，使用全卷积代替，原文中卷积部分采用的VGG16（去掉全连接层）效果最好。（2）使用反卷积恢复图像原来尺寸，可以接受任意大小的输入图像，而不用要求所有的训练图像和测试图像具有同样的尺寸。 (3) 得到的结果还是不够精细。进行8倍上采样虽然比32倍的效果..

原创 处理voc2012数据集_图像分割第一步

1.voc2012数据集介绍这是下载的voc2012数据集，上边一个是测试集，下边的是训练+验证VOCdevkit_train结构如下：注意该数据集不全是用来做图像分割的，也有目标检测等其他任务的。Annotations是保存每一张图片的xml信息，其中包含是否用来分割等选项，目标检测Xmin,Xmax,Ymin,Ymax等信息，此处我们用不到JPEGimages就是需要用到的图片SegmentationClass是语义分割的label，需要复制整个文件夹Segmenta

原创 k-means聚类及可视化

本文主要是通过sklearn库实现k-means聚类并可视化1.导入库import pandas as pdimport numpy as npimport matplotlib.pyplot as pltfrom sklearn.cluster import KMeansfrom sklearn.cluster import DBSCAN2.读取数据并可视化ori_data = pd.read_csv('D:/DL/机器学习/data.csv',header = None)

原创 SVM实现鸢尾花分类

1.导入库import pandas as pdimport numpy as npfrom sklearn.model_selection import train_test_splitimport sklearn.svm as svmfrom sklearn.metrics import classification_reportlabel2num = {'Iris-setosa': 0, 'Iris-versicolor': 1, 'Iris-virginica': 2}num2la

原创 keras实现线性回归

envwindows+anaconda+jupytertensorflow2.3+keras#导入库import kerasimport tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltfrom keras import layers%matplotlib inline#准备数据x = np.linspace(0,100,30) #在指定的间隔内返回均匀间隔的数字。y = 3*x+7+np.ran

原创 矩阵连乘问题

动态规划例1 矩阵连乘问题引入例如矩阵连乘积A1A2A3A4A_1A_2A_3A_4A1​A2​A3​A4​可以有下列5中完全加括号的方式：（A1(A2(A3A4)),(A1(A2A3)A4),((A1A2)(A3A4)),((A1(A2A3))A4),(((A1A2)A3)A4)（A_1(A_2(A_3A_4)), (A_1(A_2A_3)A_4) , ((A_1A_2)(A_3A_4)) , ((A_1(A_2A_3))A_4) , (((A_1A_2)A_3)A_4)（A1​(A

原创 特征选择

降维是指在某些限定条件下，降低随机变量（特征）个数，得到一组‘不相关’的主变量的过程处理对象：二维数组（【n_sample,n_feature】）相关特征：如相对温度与降雨量的相关，会增多许多冗余信息降维的方法主要有特征选择和特征选择1.1 定义：数据中包含冗余或者相关变量（或称特征，属性，指标等），旨在从原有特征中找出主要特征1.2 方法 Filter(过滤式)：主要探究特征本身特点，特征与特征和目标值之间关联...

原创 数据预处理（归一化和标准化）

什么是特征预处理：通过一些转换函数将特征数据转换成更加适合算法模型的特征数据过程1.主要包含：数值型数据的无量纲化+归一化：通过对原始数据进行变换把数据映射到[mi,mx]之间如对于以上数据，映射到[0,1],对于第一列，最大值是90，最小值是60，即X‘=（90-60）/90-60=1，X’‘=1*（1-0）+0=1如果有异常值（通常是最大值或者最小值），归一化将被严重影响。+标准化：对原始数据进行变换到均值为0，标准差为1范围内2.特征预处理API为什..

原创 机器学习特征提取

本文主要介绍基于sklearn的特征提取，旨在为机器学习提供一个好的开端1.分类特征提取如上图所示：许多特征如pclass代表乘客船舱等级，分为1，2，3。还有例如性别，乘客登船码头，称之为分类特征。对于这一类数据的提取，采用one-hot编码。例如：data数据有两个特征，分别是城市和温度，显然第一个特征为分类特征。[[ 1. 0. 0. 50.] [ 0. 0. 1. 40.] [ 0. 1. 0. 36.]]data = [{'city':'beijin

原创 Titanic数据集分析及kaggle提交

首先看到这个数据集脑海中就想到了学过的二分类问题，一共11个输入维度，一个输出维度（Survived),具体如下：咋一看就感觉passengerid和是否存活就没有关系，numpy.loadtxt无法读取带字符串的输入，这里我们用pandas读取数据分析一下import torch import pandas as pd import numpy as np from pandas import Series,DataFramedata_train = pd.read_csv("./

原创 tensorflow基础知识

import osos.environ['TF_CPP_MIN_LOG_LEVEL']='2'import tensorflow as tftf.compat.v1.disable_eager_execution()a = tf.constant([[1.0,2.0]])b = tf.constant([[2.0],[3.0]])result = tf.matmul(a,b)print(result) #tf.Tensor([[8.]], shape=(1, 1), dtype=fl...

原创 屏蔽tensorflow输出一般和警告信息

装完tensorflow后控制台输出一大串的警告和一般信息，主要用了两行代码解决import osos.environ['TF_CPP_MIN_LOG_LEVEL']='2'import osos.environ['TF_CPP_MIN_LOG_LEVEL']='2' #设置为1屏蔽一般信息，2屏蔽一般和警告，3屏蔽所有输出import tensorflow as tfa = tf.constant(2.)b = tf.constant(4.)print(a * b)