【OPENMV】学习记录 (持续更新)

已于 2024-06-05 20:26:33 修改
阅读量944 收藏 11
点赞数 14
分类专栏： OpenMV 文章标签： 学习 计算机视觉 人工智能
于 2024-06-03 21:17:37 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_60372743/article/details/139423012
版权

一、基础知识

1 设置彩色／黑白：

  • sensor.set_pixformat() 设置像素模式。
    • sensor.GRAYSCALE: 灰度，每个像素8bit。
    • sensor.RGB565: 彩色，每个像素16bit。

2 设置图像大小：

  • sensor.set_framesize() 设置图像的大小
    • sensor.QQCIF: 88x72
    • sensor.QCIF: 176x144
    • sensor.CIF: 352x288
    • sensor.QQSIF: 88x60
    • sensor.QSIF: 176x120
    • sensor.SIF: 352x240
    • sensor.QQQQVGA: 40x30
    • sensor.QQQVGA: 80x60
    • sensor.QQVGA: 160x120
    • sensor.QVGA: 320x240
    • sensor.VGA: 640x480
    • sensor.HQQQVGA: 80x40
    • sensor.HQQVGA: 160x80
    • sensor.HQVGA: 240x160
    • sensor.B64X32: 64x32 (用于帧差异 image.find_displacement())
    • sensor.B64X64: 64x64 用于帧差异 image.find_displacement())
    • sensor.B128X64: 128x64 (用于帧差异 image.find_displacement())
    • sensor.B128X128: 128x128 (用于帧差异 image.find_displacement())
    • sensor.LCD: 128x160 (用于LCD扩展板)
    • sensor.QQVGA2: 128x160 (用于LCD扩展板)
    • sensor.WVGA: 720x480 (用于 MT9V034)
    • sensor.WVGA2:752x480 (用于 MT9V034)
    • sensor.SVGA: 800x600 (仅用于 OV5640 感光元件)
    • sensor.XGA: 1024x768 (仅用于 OV5640 感光元件)
    • sensor.SXGA: 1280x1024 (仅用于 OV5640 感光元件)
    • sensor.UXGA: 1600x1200 (仅用于 OV5640 感光元件)
    • sensor.HD: 1280x720 (仅用于 OV5640 感光元件)
    • sensor.FHD: 1920x1080 (仅用于 OV5640 感光元件)
    • sensor.QHD: 2560x1440 (仅用于 OV5640 感光元件)
    • sensor.QXGA: 2048x1536 (仅用于 OV5640 感光元件)
    • sensor.WQXGA: 2560x1600 (仅用于 OV5640 感光元件)
    • sensor.WQXGA2: 2592x1944 (仅用于 OV5640 感光元件)

3 自动增益／白平衡／曝光：

  • sensor.set_auto_gain() ——自动增益开启（True）或者关闭（False）。

  • 在使用颜色追踪时，需要关闭自动增益。

  1. 自动调节图像亮度：

    • 当光线较暗时，摄像头会自动增加增益，使得图像变得更加明亮。

    • 当光线过强时，摄像头会减少增益，以防止图像过曝。

  2. 适应不同的光照条件：

    • 适用于光照变化频繁的场景，如从室内到室外的转换。

    • 在无人值守的监控设备中，可以保证全天候图像质量。

  3. 简化图像处理：

    • 不需要手动调整增益参数，简化了图像处理和摄像头配置的复杂性。

    • 提高了图像处理算法的鲁棒性，因为图像亮度的一致性更好。

  • sensor.set_auto_whitebal()——自动白平衡开启（True）或者关闭（False）。

  • 在使用颜色追踪时，需要关闭自动白平衡。                  

  • sensor.set_auto_exposure(enable[\, exposure_us])

    • enable 打开（True）或关闭（False）自动曝光。默认打开。
    • 如果 enable 为False， 则可以用 exposure_us 设置一个固定的曝光时间（以微秒为单位）。

4 设置窗口ROI

sensor.set_windowing(roi)

sensor.set_framesize(sensor.VGA) # 高分辨率
sensor.set_windowing((640, 80)) #取中间的640*80区域

roi的格式是(x, y, w, h)。你可以只传递 (w，h)，而 roi 将会在图像中居中。

5 设置翻转

sensor.set_hmirror(True)
# 水平方向翻转

sensor.set_vflip(True)
# 垂直方向翻转

二、画图

1 画线

  • image.draw_line(line_tuple, color=White) 在图像中画一条直线。
    • line_tuple的格式是(x0, y0, x1, y1)，意思是(x0, y0)到(x1, y1)的直线。
    • 颜色可以是灰度值(0-255)，或者是彩色值(r, g, b)的tupple。默认是白色

2 画框

  • image.draw_rectangle(rect_tuple, color=White) 在图像中画一个矩形框。
    • rect_tuple 的格式是 (x, y, w, h)。

3 画十字

  • image.draw_cross(x, y, size=5, color=White) 在图像中画一个十字
    • x,y是坐标
    • size是两侧的尺寸

三、AprilTag标记跟踪

AprilTag

AprilTag测距代码：

import sensor, image, time, math

sensor.reset()
sensor.set_pixformat(sensor.GRAYSCALE)
sensor.set_framesize(sensor.QQVGA) # we run out of memory if the resolution is much bigger...
sensor.skip_frames(30)
sensor.set_auto_gain(False)  # must turn this off to prevent image washout...
sensor.set_auto_whitebal(False)  # must turn this off to prevent image washout...
sensor.set_hmirror(True)
clock = time.clock()

# f_x 是x的像素为单位的焦距。
# f_y 是y的像素为单位的焦距。
# c_x 是图像的x中心位置
# c_y 是图像的y中心位置

f_x = (2.8 / 3.984) * 160 # 默认值
f_y = (2.8 / 2.952) * 120 # 默认值
c_x = 160 * 0.5 # 默认值(image.w * 0.5)
c_y = 120 * 0.5 # 默认值(image.h * 0.5)

def degrees(radians):
    return (180 * radians) / math.pi

while(True):
    clock.tick()
    img = sensor.snapshot()
    for tag in img.find_apriltags(fx=f_x, fy=f_y, cx=c_x, cy=c_y): # 默认为TAG36H11
        img.draw_rectangle(tag.rect(), color = (255, 0, 0))
        img.draw_cross(tag.cx(), tag.cy(), color = (0, 255, 0))
        distance = math.sqrt(tag.x_translation()**2 + tag.y_translation()**2 + tag.z_translation()**2) * 2.550108137

        # 位置的单位是未知的，旋转的单位是角度
        print("Dis:",distance)

四、模块识别

    1. 多模版匹配

        使用NCC算法，可识别区域仅支持离中心左右30°范围内。

# Template Matching Example - Normalized Cross Correlation (NCC)
import time, sensor, image
from image import SEARCH_EX, SEARCH_DS
# 仅引入SEARCH_EX, SEARCH_DS两个需要的部分

sensor.reset()
sensor.set_contrast(1)
sensor.set_gainceiling(16)
sensor.set_framesize(sensor.QQVGA)
sensor.set_pixformat(sensor.GRAYSCALE)
clock = time.clock()

templates = ["/0.pgm", "/1.pgm", "/2.pgm", "/6.pgm"]

while (True):
    clock.tick()
    img = sensor.snapshot()

    for t in templates:
        template = image.Image(t)

        r = img.find_template(template, 0.50, step=4, search=SEARCH_EX) #, roi=(10, 0, 60, 60))
    #find_template(template, threshold, [roi, step, search])
    #threshold是相似度阈值,roi是进行匹配的区域（左上顶点为（10，0），长80宽60的矩形），
    #注意roi的大小要比模板图片大，比frambuffer小
        if r:
            img.draw_rectangle(r)
            print(t)

五、图像滤波处理

   1. 直方图均衡

img = sensor.snapshot().histeq()

   2. 高斯模糊

img.gaussian(1,unsharp=True)

   3. 核滤波

kernel_size = 1 # 3x3==1, 5x5==2, 7x7==3, etc.

kernel = [-2, -1,  0, \
          -1,  1,  1, \
           0,  1,  2]

    # Run the kernel on every pixel of the image.
    # 在图像的每个像素上运行核
    img.morph(kernel_size, kernel)

   4. 双边滤波:去噪保边

img.bilateral(2, color_sigma=0.1, space_sigma=1)

双边滤波对高斯噪声可以平滑掉，但对孤立点的滤波效果不好

灰度图与彩图的双边滤波

   5. 白光去除

# 彩图光线去除例程
# 从图像中删除明亮的光线允许您在图像上使用histeq()，
# 而不会使图像的过饱和部分的异常值破坏算法...

```
sensor.set_pixformat(sensor.RGB565)
thresholds = (4, 97, -22, 40, -24, 43)

while(True):
    clock.tick()
    img = sensor.snapshot().binary([thresholds], invert=True, zero=True)





# 灰度滤波例程
```
sensor.set_pixformat(sensor.GRAYSCALE)

thresholds = (0, 200)

while(True):
    clock.tick()
    img = sensor.snapshot().binary([thresholds], invert=True, zero=True)

   6. 边缘检测

```
sensor.set_pixformat(sensor.GRAYSCALE)


while(True):
    clock.tick()
    img = sensor.snapshot()

    # 使用Canny算法进行边缘检测
    # 可以调整阈值以适应不同的光照条件和线条粗细
    edges = img.find_edges(image.EDGE_CANNY, threshold=(50, 80))

   7. 腐蚀和膨胀

# 腐蚀和膨胀
# 这个例子展示了可以在二进制图像上运行的腐蚀和膨胀函数来消除噪声。

```
sensor.set_pixformat(sensor.GRAYSCALE)
grayscale_thres = (170, 255)


while(True):
    img = sensor.snapshot()
    img.binary([grayscale_thres])
    
    img.erode(2)
    #对图像边缘进行侵蚀
    #侵蚀函数erode(size, threshold=Auto)，size为kernal的大小，去除边缘相邻处多余的点。
    #threshold用来设置去除相邻点的个数，threshold数值越大，被侵蚀掉的边缘点越多，边缘旁边白色杂点少；
    
    img.dilate(2)
    #对图像边缘进行膨胀
    #膨胀函数image.dilate(size, threshold=Auto)，size为kernal的大小，使边缘膨胀。
    #threshold用来设置去除相邻点的个数，threshold数值越大，边缘越膨胀；

   8. 灰度二值化

# 灰度二值化图像滤波
import sensor, image, math

sensor.reset()
sensor.set_framesize(sensor.QVGA)
sensor.set_pixformat(sensor.GRAYSCALE)

low_threshold = (0, 50)
high_threshold = (205, 255)

while(True):
    # 测试低阈值
    for i in range(300):
        img = sensor.snapshot()
        img.binary([low_threshold])
        #image.binary(thresholds, invert=False)此函数将在thresholds内的
        #图像部分的全部像素变为1白，将在阈值外的部分全部像素变为0黑。invert将图像
        #的0 1（黑 白）进行反转，默认为false不反转。

    # 测试高阈值
    for i in range(300):
        img = sensor.snapshot()
        img.binary([high_threshold])

   9. 畸变矫正

# 畸变校正
# 这个例程展示了如何使用畸变矫正方法来修复图像失真问题。在二维码/条形码/矩形码检测时需要使用此方法。
# 增加下面的strength直到直线在视图中。
# zoom是在对图像进行缩放的数值。默认值为1。



while(True):
    clock.tick()
    img = sensor.snapshot().lens_corr(strength = 1.8, zoom = 1.0)

   10. 直线滤波

# 直线滤波例程
# 传感器模块可以在图像读取期间执行一些基本的图像处理而无需额外的开销。

```
# 将源复制到目标
# 注意源是YUYV 目标是1BPP灰度
def line_filter_copy(src, dst):
    for i in range(0, len(dst), 1):
        dst[i] = src[i<<1]


# 按照阈值分割图像。
# 注意源是YUYV目标 是1BPP灰度
def line_filter_bw(src, dst):
    for i in range(0, len(dst), 1):
        if (src[i<<1] > 100 and src[i<<1] < 255):
            dst[i] = 0xFF
        else:
            dst[i] = 0x00


while(True):
    clock.tick()
    lines = 0
    img = sensor.snapshot(line_filter = line_filter_copy)

   11. 均值滤波

# 均值滤波例程
# 这个例子展示了均值滤波。均值滤波是NxN邻域的标准均值滤波。
# 均值滤波通过模糊所有内容来消除图像中的噪点。
# 但是，这是最快的内核过滤器操作

```

while(True):
    clock.tick()
    img = sensor.snapshot()

    # 唯一的参数是内核大小。N对a ((N*2)+1)^2的核大小有响应。
    # 例如:1 == 3x3内核，2 == 5x5内核，等等。
    # 注意:不应该使用大于2的值。
    img.mean(1)

   12. 中值滤波

# 中值滤波
# 中值滤波用其NxN邻域的中位数替换每个像素。中值滤波对于在保留边缘的同时去除图像中的噪声是很好的。
# 中值滤波对椒盐噪声有很强的抑制能力，可以很好地去除图像中的瞬时脉冲干扰。
# 对于高斯噪声等其他类型噪声，中值滤波的效果不如均值滤波等线性滤波器。

while(True):
    clock.tick()
    img = sensor.snapshot()

    img.median(1, percentile=0.25)
    # Size是内核的大小。取1 (3x3 内核)、2 (5x5 内核)或更高值。
    # percentile控制内核中所使用值的百分位数。默认情况下，每个像素都使用相邻的第五
    # 十个百分位数（中心）替换。使用最小滤波时，您可将此值设置为0，使用下四分位数滤
    # 波时设置为0.25，使用上四分位数滤波时设置为0.75，使用最大滤波时设置为1。

   13. 中点滤波

# 中点滤波例程
# 中点滤波用NxN邻域的最小和最大像素值的平均值代替每个像素。
# 中点滤波对于去除包含极大和极小值的噪声（如椒盐噪声）具有良好效果。


while(True):
    clock.tick()
    img = sensor.snapshot()

    # size 是内核的大小。取1 (3x3 内核)、2 (5x5 内核)或更高值。
    # bias 控制图像混合的最小/最大程度。0只适用于最小滤波，1仅用于最大滤波。您可以
    # 通过对图像进行最小/最大化过滤。
    img.midpoint(1, bias=0.25)

  • 在处理大窗口噪声的方面，由于需要对所有像素值进行排序以找出中值或中点，所以两者的计算复杂度都相对较高。
  • 中值滤波对窗口大小比较敏感，窗口过大可能导致图像细节丢失，过小则去噪效果不明显。而中点滤波对非椒盐噪声（如高斯噪声）的处理能力则不如中值滤波。

   14. 众数滤波

# 众数滤波例程
# 众数滤波是一种高度非线性的操作，它会在图像边缘造成伪影.
# 众数滤波特别适合去除椒盐噪声和胡椒噪声
# 不适用于噪声模式复杂或不规则的噪声处理

while(True):
    clock.tick()
    img = sensor.snapshot()

    # Size是内核的大小。取1 (3x3 内核)、2 (5x5 内核)。
    img.mode(1)

六、其他图像处理

   1. 图像锐化

while(True):
    clock.tick()
    img = sensor.snapshot()

    # 在图像的每个像素上运行核
    img.laplacian(2, sharpen=True)

   2. 垂直水平镜像转置图像

# 垂直翻转 - 水平镜像 - 转置图像

# vflip=False, hmirror=False, transpose=False -> 0 degree rotation
# vflip=True,  hmirror=False, transpose=True  -> 90 degree rotation
# vflip=True,  hmirror=True,  transpose=False -> 180 degree rotation
# vflip=False, hmirror=True,  transpose=True  -> 270 degree rotation

import sensor
import time
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.skip_frames(time=2000)
clock = time.clock()
ticks = time.ticks_ms()
counter = 0

while True:
    clock.tick()

    img = sensor.snapshot().replace(
        vflip=(counter // 2) % 2,
        hmirror=(counter // 4) % 2,
        transpose=(counter // 8) % 2,
    )

    if time.ticks_diff(time.ticks_ms(), ticks) > 1000:
        ticks = time.ticks_ms()
        counter += 1

七、感光元件控制

1 感光元件自动增益控制

# 感光元件自动增益控制

# 增益和曝光控制之间有什么区别？
# 通过增加图像的曝光时间，您可以在相机上获得更多光线。这为您提供了最佳的信噪比。
# 您通常总是希望增加曝光时间...除非，当您增加曝光时间时，您会降低最大可能的帧速率，
# 如果图像中有任何移动，它将在更长的曝光时间内开始模糊。 
# 增益控制允许您使用模拟和数字乘法器增加每像素的输出......但是，它也会放大噪声。 
# 因此，最好尽可能让曝光增加，然后使用增益控制来弥补任何剩余的地画面。

# 我们可以通过在自动增益控制算法上设置增益上限来实现上述目的。 
# 一旦设置完毕，算法将不得不增加曝光时间以满足任何增益需求，而不是使用增益。 
# 然而，当照明变化相对于曝光恒定且增益变化时，这是以曝光时间的变化为代价的。

import sensor, image, time
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)

sensor.set_auto_gain(True, gain_db_ceiling = 16.0)
#注意！如果在不调整曝光控制目标值的情况下将增益上限设置为低，那么如果曝光控制打开，您将从曝光控制中获得大量振荡。
sensor.skip_frames(time = 2000)
clock = time.clock()

while(True):
    clock.tick()
    img = sensor.snapshot()
    print("FPS %f, Gain %f dB, Exposure %d us" % \
        (clock.fps(), sensor.get_gain_db(), sensor.get_exposure_us()))

2 曝光控制

# 感光元件曝光控制
# 增益和曝光控制之间有什么区别？
# 通过增加图像的曝光时间，您可以在相机上获得更多光线。这为您提供了最佳的信噪比。
# 您通常总是希望增加曝光时间...除非，当您增加曝光时间时，您会降低最大可能的帧速率，
# 如果图像中有任何移动，它将在更长的曝光时间内开始模糊。 
# 增益控制允许您使用模拟和数字乘法器增加每像素的输出......但是，它也会放大噪声。 
# 因此，最好尽可能让曝光增加，然后使用增益控制来弥补任何剩余的地画面。
# 我们可以通过在自动增益控制算法上设置增益上限来实现上述目的。 
# 一旦设置完毕，算法将不得不增加曝光时间以满足任何增益需求，而不是使用增益。 
# 然而，当照明变化相对于曝光恒定且增益变化时，这是以曝光时间的变化为代价的。

import sensor, image, time
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
# 您必须关闭自动增益控制和自动白平衡，否则他们将更改图像增益以撤消您放置的任何曝光设置...
sensor.set_auto_gain(False)
sensor.set_auto_whitebal(False)

# 更改此值以调整曝光。试试10.0 / 0.1 /等。
EXPOSURE_TIME_SCALE = 1.0
sensor.skip_frames(time = 2000)
clock = time.clock()

current_exposure_time_in_microseconds = sensor.get_exposure_us()
# 默认情况下启用自动曝光控制（AEC）。调用以下功能可禁用传感器自动曝光控制。 
# 另外“exposure_us”参数在AEC被禁用后覆盖自动曝光值。
sensor.set_auto_exposure(False, \
    exposure_us = int(current_exposure_time_in_microseconds * EXPOSURE_TIME_SCALE))

while(True):
    clock.tick()                    # 更新FPS帧率时钟。
    img = sensor.snapshot()         # 拍一张照片并返回图像。

八、测距

import sensor, image, time

sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.skip_frames(100)
sensor.set_auto_whitebal(False)
sensor.set_auto_gain(False)
sensor.set_auto_exposure(False)
clock = time.clock()


K = 850                           #the value should be measured 距离参数
Target_Threshold = (0, 25, -25, 30, -28, 13)


while(True):
    clock.tick()
    img = sensor.snapshot().histeq(adaptive=True, clip_limit=3)
    img.laplacian(1, sharpen=True)
    img.binary([Target_Threshold],invert=True)

    blobs = img.find_blobs([Target_Threshold])
    if len(blobs) == 1:
        # Draw a rect around the blob.
        b = blobs[0]
        img.draw_rectangle(b[0:4]) # rect
        img.draw_cross(b[5], b[6]) # cx, cy
        Lm = (b[2]+b[3])/2
        length = K/Lm
        print(length)

九、神经网络目标检测

训练神经网络目标检测实际道路环境交通标志

1. 开启数据集，存放数据图片

2. 对准目标对象，点击进行拍摄

    拍摄约2、3百张

3. 登录训练神经网络网站，创建新项目

Edge Impulse


4. 点击上传已有数据

5. 上传数据文件 / 文件夹

6. 添加检测标签

    直至添加完所有标签

7. 配置Impulse

8. 配置图像参数并保存

点击生成特征

 

9. 配置物体检测

10. 存储项目版本

11. 配置部署

配置完毕，会提示下载压缩包，解压后将其中文件导入OpenMV内存中运行即可

南极熊ii
关注
  • 14
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
openmv学习日记（二）openmv4 H7
01-06
今天先介绍一下openmv4 H7的相关资料 文章目录简介引脚电路图板子信息尺寸规格功耗温度范围 简介 openmv4 H7具有： STM32H743VI ARM Cortex M7 处理器，480 MHz ，1MB RAM，2 MB flash. 所有的 I/O 引脚输出 3.3V ...
利用OpenMV实现人脸识别+是否戴口罩识别+人脸学习程序代码
07-28
2020年全国大学生电子设计大赛F题，程序代码
我当时学习摄像头模块的所有openmv代码
07-27
星瞳科技的 有openmv识别坐标并通过串口发送到单片机 有测距
openmv/k210/opencv学习资料
05-05
有关openmv,opencv.k210的资料，比较全。可以快速上手用来做一些嵌入式相关的小东西或者需要视觉识别的比赛
openmv模板数字识别
05-19
通过openmv进行模板数字识别
十大成长型思维：定位思维、商业思维、时间管理思维、学习成长思维、精力管理思维、逻辑表达思维、聚焦思维、金字塔原理、目标思维、反思思维
limengshi138392的博客
06-15 1085
十大成长型思维：定位思维、商业思维、时间管理思维、学习成长思维、精力管理思维、逻辑表达思维、聚焦思维、金字塔原理、目标思维、反思思维
【电子信息工程专业课】学习记录
共同进步！
06-12 333
- # **数字信号处理** * ## 离散时间信号与系统 + ### 周期延拓 一个连续时间信号经过理想采样后，其频谱将沿着频率轴以采样频率Ωs = 2π / T 为间隔而重复。 + ### 混频 各周期的延拓分量产生频谱交替的现象 + ### 奈奎斯特采样定理 fs > 2fh
Qt---pro文件的学习
weixin_51883798的博客
06-11 510
【代码】Qt---pro文件的学习。
怎么学习汇川Codesys PLC教程？
NAV3055的博客
06-12 334
各位好，我在B站和抖音上都有发布视频的，搜索我的名称“阿凡工控分享”即可。在CSDN上发表文章也是想把我的一点见解和经验分享出来，进一步的方便大家进行学习。
网络学习(15)|有http/1为什么还会有http/2
weixin_44435110的博客
06-12 281
HTTP/1（具体来说是HTTP/1.1）在互联网的早期阶段是非常成功的，它标准化了客户端和服务器之间的请求-响应模型，使得Web能够迅速扩展和普及。然而，随着Web的复杂性和流量的增加，HTTP/1.1的一些设计上的局限性开始显现，导致了性能瓶颈和效率问题。
eNSP学习——配置前缀列表
TXFBAP的博客
06-11 1066
理解前缀列表的应用场景 掌握前缀列表的配置方法 理解前缀列表与ACL的区别
安卓网络编程主要学习什么：深度解析与实用指南
asdgftv_niiy的博客
06-16 311
综上所述，安卓网络编程主要学习网络基础知识、安卓网络编程框架、异步处理与网络线程以及安全性与错误处理等方面。掌握这些知识，可以帮助开发者更好地应对网络编程中的各种挑战和问题，提升应用的性能和用户体验。当然，随着技术的不断发展，安卓网络编程领域也在不断更新和演进，开发者需要保持持续学习的态度，不断跟进新的技术和趋势。这些框架封装了底层的网络请求和响应处理逻辑，简化了网络编程的复杂度。在网络编程中，安全性和错误处理同样不可忽视。同时，还需要学习如何处理网络请求中的错误和异常情况，确保应用的稳定性和可靠性。
扩展学习|政策设计的相关内容整理
最新发布
weixin_63253486的博客
06-18 674
本文围绕cssci来源期刊的文献，整理了关于公共政策设计的相关内容，并从多个维度理解政策设计的发展脉络、现有流派以及历来研究重心。
样本学习：当AI遇上“少见多怪”
山石网科的博客
06-13 777
从生物学的角度来看，我们的大脑是如何在经历了少数几次的经验后，形成对事物的认识和理解的？为了实现这样的元学习，有几种流行的方法，例如模型无关的元学习（MAML），它通过优化一个模型的初始参数，以确保这些参数可以通过少量的梯度更新迅速适应新任务。只有这样，通过增强后的数据训练出的模型，才能在现实世界中遇到新数据时，表现出良好的鲁棒性和适应性。嵌入学习是机器学习中一种将高维数据转换到低维空间的技术，它尝试揭示数据背后的隐含结构，使得数据的某些特性（如类别间的相似性或差异性）在新的空间中更加明显。
【perfetto分析性能学习笔记】
q_2474932226的博客
06-12 317
perfrtto性能分析
linux驱动学习（十二）之看门狗
ckg3824278的博客
06-12 170
linux驱动学习（十一）之看门狗
大模型学习之GLM结构
qq_38915354的博客
06-11 1089
随着人工智能技术的不断进步，自然语言处理（NLP）领域也迎来了革命性的发展。OpenAI的ChatGPT及其后续产品在全球范围内引起了广泛关注，展示了大型语言模型（LLM）的强大能力。在这一背景下，GLM（General Language Model）作为一种创新的预训练语言模型，以其独特的自编码和自回归结合的训练方法，为NLP领域带来了新的视角。
Ui学习--UITableView
2301_80253909的博客
06-16 396
UITableView的简单学习～
AUTOSAR学习
Dr_chaser的博客
06-12 650
前段时间参加系统架构师的软考，其中案例分析中的嵌入式题目是分析autosar架构，但是自己只是听说过汽车领域正在使用这个架构，实际上这个架构到底是什么？以及它有什么作用，则是全然不知，最终作为一个嵌入式工程师，案例题也没有选择这个嵌入式题目。其实软考会考这个东西再一定层面上就说明，国家或者当前社会这块的人才是有些稀缺的，然后想通过这种软考让更多的人去了解autosar架构。另外最近在看机器人领域的工作，发现和ROS（机器人操作系统）相关的开发工作中很多都提到了要对autosar有一定的了解。
openmv学习笔记
07-27
对于OpenMV学习笔记，我可以给你一些指导和建议。OpenMV是一款基于MicroPython的开源嵌入式视觉开发平台，它可以帮助你进行图像处理、机器视觉和人工智能的应用开发。 首先，你可以从OpenMV官方网站上下载并安装OpenMV IDE，这是一个专门为OpenMV开发的集成开发环境。安装完成后，你可以通过OpenMV IDE与OpenMV相连，并通过IDE进行编程和调试。 在学习OpenMV时，你可以参考官方文档和示例代码。官方文档中包含了OpenMV的详细介绍、API文档和各种示例代码，可以帮助你快速上手并了解OpenMV的功能和用法。 另外，OpenMV还有一个活跃的社区，你可以在社区中寻求帮助、交流经验和分享项目。社区中有许多有经验的开发者，可以解答你遇到的问题并提供指导。 当你开始学习OpenMV时，建议从简单的例子开始，逐步学习和掌握OpenMV的各种功能和特性。你可以从基础的图像采集、图像处理和图像识别开始，然后再逐渐扩展到更复杂的应用领域。 总结一下，学习OpenMV可以通过下载安装OpenMV IDE，参考官方文档和示例代码，以及积极参与社区交流来进行。希望这些信息对你有帮助！如果你有任何其他问题，都可以随时问我。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值