Ring__Rain的博客

转自：OpenCV4.5.1新增微信QRCode解码功能使用步骤与测评 附源码和效果视频_Color Space的博客-CSDN博客导读：微信开源了QRCode解码功能，并可以在OpenCV中使用，本期将介绍使用步骤和效果演示。使用步骤： WeChatQRCode模块为OpenCV4.5.1新增功能，需要在github下载最新opencv源码master和contrib部分编译后使用。源码编译使用CMake，相关编译教程很多博客写的很详细，这里只做关键...

C++ codeextern "C" __declspec(dllexport) int testFunction(int a, int b);int testFunction(int a, int b){ return a + b;}python codeimport ctypesimport timeimport numpy as npimport osdllName = "./QFN_Test.dll"dll = ctypes.WinDLL(dllName)

今天实验室突然跳闸，开机的时候发现显卡驱动失效了，用nvidia-smi显示如下:NVIDIA-SMI has failed because it couldn’t communicate with the NVIDIA driver. Make sure that the latest NVIDIA driver is installed and running这个问题通常是由重启后切换到了新的内核版本上导致的，所以只要切换回去就可以了你可以用uname -r看一下当前使用的内核版本，可以用dpk

下午实验室突然断电，来电后一打开电脑发现Ubuntu系统显示变形了，在网上找到的解决方法如下，亲测好用：开机引导文件： /etc/default/grub1、修改开机引导文件：sudo gedit /etc/default/grub2、找到文件中的GRUB_GFXMODE，并将其改为GRUB_GFXMODE=1920x1080（你想要的分辨率），并去掉GRUB_GFXMODE=1920x1080 前面的‘ #’注释号3、sudo update-grub4、最后reboot重启参考：htt

Mat liu = imread("C:\\Users\\Ring\\Desktop\\liu.jpg", 1); Mat result; stylization(liu, result, 5, 0.6); Mat imgGray, imgColor; pencilSketch(liu, imgGray, imgColor, 5, 0.1f, 0.03f);

基于深度学习的水面漂浮物目标检测及分析

https://developer.nvidia.com/cuda-toolkit-archive

efficientNet 的代码，见ubantu codehttps://github.com/lukemelas/EfficientNet-PyTorchtrain的代码：from __future__ import print_function, divisionimport torchimport torch.nn as nnimport torch.optim as optimfrom torch.autograd import Variablefrom torchvi..

https://my.oschina.net/propagator/blog/3166272

源码：https://github.com/AlliedToasters/circle-fit 已经点了个star方法：1，hyper_fit（超拟合方法）2，least_squares_circle（最小二乘法）效果test.pyimport unittestimport timefrom circle_fit import hyper_fit, least_squares_circleimport numpy as npclass AppTest...

转自：https://blog.csdn.net/liyuanbhu/article/details/50889951

邮箱：163密码：qq密码

分类1，resnet2，efficientNet目标检测1，yoloV52，efficientDet分割1，Swin-Transformer（只跑了分类部分）

目录前言 step 1. 下载yolov5源码以及tensorrtx源码，并将yolov5s.pt转为.wts模型 step 2. 安装cuDNN、TensorRT以及验证TensorRT是否安装成功 step 3. https://github.com/wang-xinyu 使用vs跑通github中yolov5 5.0 的C++代码 step 4. 跑自己训练的模型 总结前言    前段时间研究了Pytorch的环境配置，之后便从github上下载了yolov5的源码，

转自：https://blog.csdn.net/weixin_41868104/article/details/115614586?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162873465516780271580539%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=162873465516780271580539&b

转自：https://blog.csdn.net/weixin_36714575/article/details/114238645前言在上次的文章中我们解析了backbone网络的构建源码，在这篇中我们针对model.py剩余的部分进行debug解析。如果没看过之前文章的小伙伴，推荐先查看这个系列的第一篇和第二篇。下面贴上传送门：1.yolov5源码解析第一篇 架构设计和debug准备2.yolov5源码解析第二篇 backbone源码解析今天我们继续对model.py里的Detect

转自：https://blog.csdn.net/weixin_36714575/article/details/114211796?spm=1001.2014.3001.5501前言上一篇中我们简单回顾了yolov5的架构和搭建了开发环境。需要回顾的小伙伴可以点击下面传送门，基于第一篇的理解我们再进行源码解读就会有事半功倍的效果。yolov5架构剖析和环境搭建传送门这篇中我们开始解析yolov5的源码，类似yolov3我们同样从模型的构建开始。这部分核心的代码在yolo.py文件中。我

转自：https://blog.csdn.net/weixin_36714575/article/details/114116862前言前段时间分析了yolov3的源码，这次想带着小伙伴一起把yolov5完全掌握。博主还是保持着一贯的风格，依旧采用debug级别的源码剖析。目的就是让大家可以通过一个系列的文章就把yolov5的架构、设计理念和每一行源码都弄懂。只要小伙伴可以花时间把这个系列读完，就会对yolov5的理解有所提升。去年参加了kaggle的小麦检测比赛，yolov5在比赛的中段开始呈

转自：https://zhuanlan.zhihu.com/p/172121380大白在之前写过《深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解》对Yolov4的相关基础知识做了比较系统的梳理，但Yolov4后不久，又出现了Yolov5，虽然作者没有放上和Yolov4的直接测试对比，但在COCO数据集的测试效果还是很可观的。很多人考虑到Yolov5的创新性不足，对算法是否能够进化，称得上Yolov5而议论纷纷。但既然称之为Yolov5，也有很多非常不错的地方值得

1 环境部署YOLOv5是基于pytorch实现的, 需要的运行环境已经在requirements.txt文件里面列出。# base ----------------------------------------Cythonmatplotlib>=3.2.2numpy>=1.18.5opencv-python>=4.1.2pillowPyYAML>=5.3scipy>=1.4.1tensorboard>=2.2torch>=1.6.0