m0_58054476的博客

image = cv2.imread('./cali_181_12.7_12.7.jpg', cv2.IMREAD_GRAYSCALE) # 替换为您的图像路径。# 显示初始Canny边缘检测图像。# 初始化Tkinter窗口。# 关闭所有OpenCV窗口。# Canny边缘检测函数。# 初始化Canny阈值。# 设置窗口可调节大小。# 更新低阈值的函数。# 更新高阈值的函数。

1.3 用vscode打开md文件，右键--->点击---下图按钮。生成.md ，然后右键点击export--->html--->html(offline) .1.1 安装markdown 和markdown oreview enhanced 扩展插件。一、采用vscode 制作和打开md 文件。最后就生成html格式的文件啦。

【代码】柱状图和折线图绘制，放在一个图上。

目标路径：/root/anaconda3/envs/yolov8-magic/lib/python3.8/site-packages/torch/lib/../../nvidia/cusparse/lib/libcusparse.so.12 （想要创建的符号链接路径）原文件路径：/usr/lib/x86_64-linux-gnu/libstdc++.so.12（想链接到的原始库文件）若正常输出信息（显示的cuda版本，是驱动支持的最高cuda版本），则安装成功，接下载安装cuda；

举例： 标定板是12*9， 那 （board_Width,board_height） =(12-1,9-1) =(11,8)总结：思路为：1.使用工业相机，首先采集标定板图像，然后进行标定，获取到相机参数。2.使用相机参数，对所需要的图像进行校正，得到校正后的图像。注意： board_width 和board_height 分别为标定板的横向角点和纵向角点。计算方法： board_Width = 行-1 （每行的小棋盘格个数减去1）采集多个位置的标定图像。二、对标定板进行标定，获取到相机内外部参数。

ultralytics-8.1.0/ultralytics/engine/validator.py 第187行。（1）从官网下载的 yolov8，进行 val时，只输出batch 0 1 2 3。其他的 预测图片不输出。另外，val.py中，batch ，可以设置为16，然后得到的预测图片中，是4*4。yolov8源码中，val.py运行后，只会得到jpg图片，并没有PR曲线等。源码中，batch_i<3 去掉，然后所有的预测图像就可以全部输出了。（2val.py输出 PR曲线。

v5 github地址：v6v8 github 地址：依赖包安装。

【代码】图像添加随机高斯噪声和椒盐噪声。

【代码】yolo data数据集划分。

标注了一部分数据集，关闭软件后，随后又打开labelimg, 之前的classes.txt 会消失。2. 在 大约114行初，添加以下代码，把之前的classes.txt的路径（绝对路径），写到代码中。1. 找到如下路径，打开labelImg.py。

其中txt中数据格式为(cls, x,y,w,h)， cls为类别， (x,y)为矩形框中心坐标， w,h分别为 矩形框的宽、高。都是归一化后的值，都在0-1之间。（2）遍历object(矩形框)，获取name(类别)，获取xmin,xmax,ymin,ymax。（3）通过convert函数，将数据转为 txt的格式。思路：（1）从xml size中读取图片尺寸---w,h。（4）保存数据到txt中。

首先，手动标注一部分数据集，训练YOLOV5 模型，得到best.pt。二、下载和安装autolabelimg（1） github链接：（2）安装。

(4)在yolov5/data文件中， 找到coco128.yaml ，复制一份，重命名data.yaml，这里面可以指定自定义数据集路径。注意： 标注了一部分数据集，关闭软件后，随后又打开labelimg, 之前的classes.txt 会消失。（3）从github/gitee上下载 yolov5安装包， 注意有不同的版本，老版本会有各种问题，建议下载较新的版本。2. 在 大约114行初，添加以下代码，把之前的classes.txt的路径（绝对路径），写到代码中。（7） 训练自己的数据集。

将utils 文件下的 plots.py 文件做如下修改。

YOLOV5训练时遇到TuntimeError错误，问题出现在损失函数计算过程中。错误表明浮点数不能转换为长整型。解决方案是修改utils/loss.py文件中build_targets函数的两处代码，将特定索引的计算更改为考虑形状信息，避免类型不匹配。修复后的代码使得索引计算正确适应图像和网格的尺寸。