qq1076214993的博客

摘要如果使用驱动器如TB6600、DM542等驱动步进电机，需要通过PWM控制。每个PWM脉冲将驱动步进电机转过一个步距角，因此想要使步进电机转过指定角度需要输出指定的PWM波形。stm32的每个定时器具有4个输出通道，本文讲如何通过一个定时器的4个输出通道控制4个步进电机并使它们能够各自实现独立转动。PWM波形用50%占空比即可，但难点在于，一是输出指定个数脉冲后停止输出，收到指令后还能继续输出指定个数脉冲，二是能够根据指令修改PWM频率并保持占空比不变。输出指定个数脉冲单脉冲模式单脉冲模式的

https://gitee.com/xd15zhn/yolov5

这篇文章的重点是解释为什么YOLO的损失函数中的置信度损失要设计成iou的形式而不是简单的0和1，而且既然是IOU那为什么不是最好用的ciou而就是最简单的iou？(待续。。。）从零搭建自己的目标检测网络教程(零)前言...

分类部分使用的是录制视频的方式，定位部分仅使用数据增强技术。分类分类数据集的获取方法是，为待识别的物体和物体所在的背景分别录制一段或多段视频，并在dataset文件中给出说明（以后可能会把程序改成多个视频放在2个文件夹中）定位这部分方法是我自己想到的，而且有很多创新的地方，所以我在前言中写禁止转载。目标检测的标注一直是一个很大的问题，有很多的自动标注工具，而我的方法只需要对一张图片(多张也可以，越多越好)进行标注即可。仿射变换图像平移的仿射变换的公式如下：[x′y′]=[10dx01dy][x

import numpy as npenvelope = 50 # 红包数额copies = 5 # 红包份数leftcopies = copiessummoney = 0while True: uplimit = envelope / leftcopies * 2 x = int(uplimit * np.random.rand() * 100 + 0.5) if x == 0: x = 1 x /= 100 print(x)

关于边界框回归有个理论细节所有人都没有提到，问了好多人都觉得我问的问题太简单了根本就不算个问题，我甚至解释了好几遍才找到能准确描述出我的疑惑的问法，可当我提问清楚后大家又表示没想过这个问题，建议我去问原作者，我现在想明白了便在此解释一下。附一个网上介绍的比较详细的博客边框回归(Bounding Box Regression)详解以及DIOU和CIOU论文Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression这篇论文

第一版的主干网络使用resnet18，没有修改结构，网络结构如下：第二版基于shufflenetV2网络进行修改，网络结构如下：

第一版代码的思路是，主干网络使用resnet18，没有修改，把摄像头输入的图像resize成224x224，最终输出是7x7，然后分成两路，一路预测概率，一路进行边界框回归。

我从零搭建自己的目标检测网络而不用现在流行的网络（YOLO,RCNN,SSD等）有以下几个原因：看不懂源码，就算看懂了也不能保证自己注意到了所有的细节我要完成的任务是识别任何我想识别的物体，换句话说就是没有公开的数据集（这说白了还是因为我没搞懂YOLO网络在训练方面的一些细节）流行的网络都是针对的正方形或指定比例的图像分辨率输入，而我要用摄像头，分辨率固定，不需要resize，而且分辨率较高，想给每个网格分配更高的分辨率自己从零开始设计更能加深理解这些原因让我最终决定不如自己设计一个网络。我将

本文对文章Batch Normalization详解以及pytorch实验中的程序进行扩展import numpy as npimport torch.nn as nnimport torchimport mathdef bn_process_train(feature, mean, var): new_mean = mean.copy() new_var = var.copy() for i in range(feature.shape[1]): #

import torchimport torch.nn as nndef min_loss(x, y): return (x-y)**2class funcnet(nn.Module): def __init__(self): super().__init__() self.fc1 = nn.Linear(4, 20) self.relu1 = torch.tanh self.fc2 = nn.Linear(20,

import torchimport torchvisionimport cv2 as cvfrom utils.utils import letter_boxfrom model.backbone import ResNet18model1 = ResNet18(1)model2 = torchvision.models.resnet18(progress=False)fc = model2.fcmodel2.fc = torch.nn.Linear(512, 1)# print(m

pytorch中如果自己搭建网络并且加载别人的与训练模型的话，如果模型和参数不严格匹配，就可能会出问题，接下来记录一下我的解决方法。两个有序字典找不同模型的参数和pth文件的参数都是有序字典(OrderedDict)，把字典中的键转为列表就可以在for循环里迭代找不同了。model = ResNet18(1)model_dict1 = torch.load('resnet18.pth')model_dict2 = model.state_dict()model_list1 = list(mode

目录4. 多模块系统和图变换网络A. 一个面向对象的方法4. 多模块系统和图变换网络  如前所述，经典的反向传播算法是基于梯度学习的一种简单形式。但是很明显，与由交替的线性变换和S型函数组成的简单多层前馈网络相比，公式4给出的梯度反向传播算法描述的是更一般的情况。原则上，只要我们可以通过任何向量计算这些模块的雅可比积，就可以通过任何功能模块的排列对导数进行反向传播。我们为什么要训练由多个异构模块组成的系统？答案是，大型、复杂的可训练系统需要由简单，专门的模块构建而成。最简单的示例是LeNet-5，它混合

目录摘要术语引言摘要摘要：用反向传播算法训练的多层神经网络建立了一个成功的基于梯度的学习技术的最佳例子。给定适当的网络体系架构，可以使用基于梯度的学习算法来合成复杂的决策面，该决策面可以以最少的预处理对高维模式(例如手写字符)进行分类。本文回顾了应用于手写字符识别的各种方法，并将它们与标准的手写数字识别任务进行了比较。专门设计用于处理二维(2-D)形状的可变性的卷积神经网络被证明性能优于所有其他技术。  现实生活中的文档识别系统由多个模块组成，包括字段提取，分割，识别和语言建模。一种称为图变换网络(G

出处解释示例分辨率宽度x高度1920x1080cv::Mat行x列200x100cv::Point行x列200x100

import requestsfrom bs4 import BeautifulSoupimport reimport openpyxlpattern_href = re.compile(r'(?<=href=\").+?(?=\")') # 商品链接pattern_id = re.compile(r'\d+') # 商品IDpattern_name = re.compile(r'.+(?=</div>)') # 书名pattern_author = re.compi

numpy和torch转换-numpytorch零初始化x=np.zeros(3)x=torch.zeros(3)正态分布x=np.random.randn(3)x=torch.randn(3)转换y=x.numpy()y=torch.from_numpy(x)矩阵顺序调整y=x.transpose(2,1,0)y=x.permute(2,1,0)