网络架构

原创 jetson nano ubuntu20.04安装ros-Noetic

主要是python 包rosdep2 和 rosdistro，通过vscode 进行搜索地址进行替换，以下是python2包的替换示例。如果python3 同理。通过在地址前添加https://mirror.ghproxy.com前缀来应用代理服务。rosdep 初始化需要连接外网，如果有vpn 则直接跳过这一步。ros-Noetic 对应是Ubuntu 20.04。准备用于代理的地址，如果失效可以替换。python3位置为。改完在运行,安装成功。

原创 在 Windows 上安装和配置 NVIDIA 驱动程序、CUDA、cuDNN 和 TensorRT

cuDNN（CUDA Deep Neural Network Library）是用于加速深度学习任务的 GPU 加速库。CUDA Toolkit 是开发基于 NVIDIA GPU 的应用程序的核心工具，包含编译器、库和驱动接口。首先需要安装兼容 CUDA 的 NVIDIA 驱动程序。安装对应python版本的tensorrt。代码来验证是否成功安装。安装完成后，可以通过运行简单的。如果代码运行没有报错，说明。已成功安装并可以正常工作。

原创 使用mingw64 编译 QT开发流程

安装时选择mingw的开发包。

原创 OpenCV使用CMake和MinGW-w64的编译安装

编译好之后 把install里面的文件 放入上层 并删除掉其他文件 就可以用了。将文件解压到D盘 并重命名mingw-w64ucrt-12.0.0-r1。下载 ，我这里使用opencv4.10,下载并解压到D盘。个线程进行编译，请根据你的计算机配置合理设置线程数）点击 Configure，设置编译器。打开终端进行编译：（

原创 VPGNet数据集解析

VPGNet是一个包含了四个场景(晴天，夜间，阴雨等）下的交通路况数据集，其主要是针对地面标志（箭头线，人行道）的任务，该数据集一共包括以下17类地面标注。

原创 香橙派 AIpro开发体验：使用YOLOV8对USB摄像头画面进行目标检测

YOLOv8 作为最新的目标检测算法，以其高精度、高速度和易用性，成为许多开发者首选。而香橙派 AIpro 作为一款高性能嵌入式开发板，采用昇腾AI技术路线，集成图形处理器，拥有8GB/16GB LPDDR4X，8/20 TOPS AI算力，为 AI 应用提供了坚实的硬件基础。本篇文章将分享使用香橙派 AIpro 和 YOLOv8 结合 USB 摄像头进行物体检测的实战经验，并探讨其在实际应用中的价值。昇腾CANN框架的优势推理速度显著提升。

原创 python onnx 推理yolov10

python onnx 推理yolov10。

原创 windows安装配置 MinGW

在本文中，我们将介绍如何在Windows操作系统上安装 Mingw编译器。Mingw，全称 Minimalist GNU for Windows，是一个为 Windows操作系统提供的轻量级 GNU编译器集合。它可以帮助您在 Windows 上轻松地编译和运行 GNU/Linux程序。以下是安装 Mingw 的详细步骤。

原创 树莓派安装mysql 并使用python连接

树莓派安装mysql 并使用python连接

原创 使用yolov8 训练coco 和自己的关键点识别数据集的参考

openpose 18个关键点。多了一个neck是自己加的 可以取肩膀的中心点。这里与coco-pose.yaml中的kpt_shape 一致。这里使用官方的模型和coco8-pose数据集进行训练。coco中有17个关键点。

原创 用PyTorch实现卷积神经网络解决FashionMNIST分类挑战

在当前的机器学习领域，深度学习已经成为了图像识别任务的首选技术。在这篇博客中，我们将聚焦于使用卷积神经网络（CNN）解决FashionMNIST数据集的图像分类问题。FashionMNIST，作为经典的MNIST数据集的升级版，提供了一个理想的平台，让我们了解并实践深度学习在解决现实世界图像识别挑战中的应用。通过本次实验，我们不仅实践了深度学习模型在图像分类任务中的应用，还深入理解了卷积神经网络的结构设计与超参数调优的重要性。

原创 基于yolov8+LPRNet的车牌识别项目

在智能交通系统飞速发展的今天，车牌识别技术作为其核心组成部分，正发挥着不可或缺的作用。随着深度学习技术的不断成熟，特别是目标检测与序列识别网络的结合，为实现高精度、实时的车牌识别系统提供了可能。本项目围绕Yolov8与LPRNet两大先进算法框架，展开了一场关于智能车牌识别技术的深度探索与实践。Yolov8，作为YOLO系列的最新力作，凭借其卓越的检测速度与准确性，成为目标检测领域的明星模型。它在保持高效执行的同时，显著提升了对小目标的检测能力，这对于复杂场景下的车牌捕捉尤为关键。

原创 树莓派python pca9685驱动舵机

树莓派pca9685驱动舵机

原创 windows下python opencv ffmpeg读取摄像头实现rtsp推流 拉流

新建一个rtsp的文件夹解压进去，会得到两个文件。将bin/ffmpeg.exe 解压到之前的目录。双击运行mediamtx.exe即可开启服务。下载 RTSP服务器 下载页面。

原创 树莓派安装pytorch arrch64架构

如果你的python版本不在支持的列表那么就要自己安装 这里推荐python3.6.13 ,相对稳定些兼容性好。

原创 树莓派安装tensorflow

使用编译好的版本下载tensorflow编译好的版本https://github.com/lhelontra/tensorflow-on-arm/tags由于python版本支持有限可能需要自己安装python安装对应的python2.自己选择版本进行编译

原创 树莓派安装python3.6，多版本共存

注意：-j4 可以并行编译使用多个核心，这样可以加快编译速度。如果您的树莓派版本较旧或资源有限，可以考虑使用 -j1 或省略该参数。启用 swap 空间可能会对树莓派的性能产生一些影响，因为磁盘写入速度较慢。注意：我们使用 make altinstall 而不是 make install，以避免覆盖系统默认的 Python 版本。接下来，安装 Python 3.6 的依赖项。首先，确保您的树莓派已经更新到最新的软件包列表和依赖项。配置和编译 Python 3.6。打开终端或 SSH 连接到您的树莓派。

原创 python导出当前项目使用的pip环境

【代码】python导出当前项目使用的pip环境。

原创 训练svm并部署树莓派

先按照前面的教程配置树莓派的环境，我们安装的树莓派系统默认的python3 版本为python 3.7。如何上传文件：使用xftp 通过ssh 直接连接。将文件拖入到树莓派的目录里面。在树莓派中安装svm推理环境，pickle用于将保存的kpl模型重新加载。python 为脚本程序，在python环境中使用命令执行程序。python svm推理程序。数据为xls文件，如下格式。

原创 树莓派3b 4b 实战

【代码】树莓派3b 4b 实战。

原创 计算向量夹角度数

【代码】计算向量夹角度数。

原创 那些看起来高大上的封装函数

什么 ToGray 只支持3通道图像， 让我看看怎么个事。好家伙 调用了下opencv ，通道数都不判断一下。就这么生硬的加了个判断。

原创 opencv 轮廓排列规则

【代码】opencv 轮廓排列规则。

原创 yolov8在设置amp=False 之后map 训练依旧为0 解决办法

可能原因 是cuda 版本导致的半精度浮点数计算出现nan的bug1. 继续训练，可能在几轮或者几十轮之后loss 就不为0或者nan了。如果无法解决以此尝试以下办法2. 设置amp=False 就是不使用混合精度训练。3. 也有可能是学习率过高 降低学习率 。测试发现有些网络 学习率 要降低到0.000000001 可能解决问题，逐步降低学习率 ，进行测试4. 可能是batch 过小 逐步增大batch-size。实际发现 batch 逐步翻倍 有可能解决问题5. 或者直接改用低版本

原创 1x1卷积是 怎么实现维度控制的

原创 为啥神经网络参数量很小 但是内存占用很大

原创 yolov8热力图可视化

【代码】yolov8热力图可视化。

原创 yolo数据增强

标注文件和图片都放在一个文件夹里面。

原创 目标分割后 opencv 轮廓骨架计算

【代码】目标分割后 opencv 轮廓骨架计算。

原创 jetson nano csi摄像头 tensorrt 运行yolov8检测

导出onxx修改：…/ultralytics/nn/modules/head.py 文件修改如下一行。以下是修改了导出onnx的方式导出的onnx 进行的转换其他模型测试。

原创 jetson nano python socket传输opencv图像

由于Jetson Nano的Python3默认版本是3.6.9，2.查看摄像头详细参数–支持的图片大小和对应帧率。1.安装v4l2-utils协助工具。3.安装管道gstreamer库。查看是否连接到摄像头。

原创 jetson nano 系统安装的官方教程

https://developer.nvidia.com/embedded/learn/getting-started-jetsonhttps://developer.nvidia.com/embedded/learn/get-started-jetson-nano-devkithttps://developer.nvidia.com/jetson-nano-sd-card-image

原创 yolov5 8 labelme labelimg数据标注 并生成训练数据集 训练

然后运行makedataset.py,直接生成labels 标签和train,val txt文件。在data文件夹下,根据labelme标签创建一个classes.txt 的类别文件。

原创 yolov8训练coco2017 数据集，并导出onnx

在data 文件夹同级创建train.py 文件，运行train.py 即完成训练 并导出onnx 模型。test 可以不下载 使用前三个链接的文件。在data 文件夹下创建py文件,并执行。以下过程极其重要 必须完全一致。在data 文件夹下。

原创 CASIA -HWDB2.0-2.2和OLHWDB2.0-2.2数据集解析

OLHWDB2.0-2.2是一个在线手写汉字识别数据集，也包含多个版本的训练集和测试集。其中，OLHWDB2.0包含了大约1,200个汉字，OLHWDB2.1包含了大约2,400个汉字，OLHWDB2.2包含了大约3,600个汉字。这些数据集可以用于训练和测试在线手写汉字识别模型。HWDB2.0-2.2是一个手写汉字文本识别数据集，包含多个版本的训练集和测试集。其中，HWDB2.0包含了大约37,000个汉字，HWDB2.1包含了大约45,000个汉字，HWDB2.2包含了大约52,000个汉字。

原创 树莓4b arm64 系统，安装ffmpeg 并使用opencv推流

测试FFmpeg安装如果输出中包含h264_mmal, h264_vdpau, hevc_mmal, hevc_vdpau等字样,则证明已经安装并支持了硬件加速。

原创 树莓派 通过opencv 调用csi摄像头

树莓派作为服务端 把opencv读取的图像发出。选择yes 后finish 会自动重启。VideoCapture.py 异步取图。

原创 coco 2017数据集 类别提取并转换为yolo数据集

annotations：训练集中所有标注信息，包括标注ID、图片ID、类别ID、边界框坐标等。categories：所有类别的信息，包括类别ID、类别名称、超类别名称等。images：训练集中所有图片的信息，包括图片ID、文件名、高度、宽度等。licenses：数据集的许可证信息，包括许可证ID、许可证名称等。info：数据集的相关信息，包括数据集名称、版本、作者、年份等。其中，images存放的是训练集、验证集的图片原图；转换代码 cocotoyolo.py。提取代码 getanimal.py。

原创 jetson nano 安装pytorch

官网教程。

原创 opencv读取摄像头不是实时的处理方法

这个例子使用了一个VideoCapture类，该类在一个线程中不断读取摄像头帧，并将它们保存在一个共享的grabbed和frame变量中。在主程序中，我们通过调用start()方法来启动线程，然后不断读取帧并在窗口中显示它们，直到用户按下’q’键退出。你可以在一个线程中读取摄像头的帧，并将它们传递到另一个线程或进程中进行处理和显示。需要注意的是，这个例子仅仅是一个基本的框架，你可能需要对其进行修改和扩展以适应你的具体应用场景。例如，你可以添加一个另一个线程来处理帧，然后显示处理后的结果，以此来减少延迟。