qq_35706216的博客

原创 centos英伟达显卡驱动自动安装脚本

默认运行两次，第一次禁用核显，第二次安装驱动。

原创 cpu下onnx和libtorch部署速度对比

文章目录1.cpu结果图1.onnx2.libtorch2.使用工具版本3.onnx部署4.libtorch部署1.cpu结果图1.onnx2.libtorch2.使用工具版本系统：Windows10visual studio 2019CMake 3.28.1opencv 4.9onnxruntime 1.14.1libtorch 1.8.13.onnx部署4.libtorch部署

原创 CLRerNet:使用LaneIoU提高车道检测的置信度

车道标记检测是自动驾驶和驾驶员辅助系统的重要组成部分。基于行的车道表示的现代深车道检测方法在车道检测基准上表现出良好的性能。通过初步的预测实验，我们首先解开了车道表示成分，以确定我们的方法的方向。我们发现，正确的车道位置已经是现有基于行的检测器的预测之一，并且准确表示交叉熵（IoU）与地面实况的一致性分数是最有益的。基于这一发现，我们提出了与指标更好地相关的LaneIoU，将局部车道角度考虑在内。我们开发了一种名为CLRerNet的新型检测器，该检测器具有LaneIoU，用于目标分配成本和损失函数，

原创 PaddleOCR学习-3

【代码】PaddleOCR学习-3。

原创 PaddleOCR学习-2

检测准确率：正确的检测框个数在全部检测框的占比，主要是判断检测指标。检测召回率：正确的检测框个数在全部标注框的占比，主要是判断漏检的指标。端到端准确率：准确检测并正确识别文本行在检测到的文本行数量的占比；准确检测的标准是检测框与标注框的。（2）识别阶段： 字符识别准确率，即正确识别的文本行占标注的文本行数量的比例，只有整行文本识别对才算正确识别。代表分段常数衰减，在不同的学习阶段指定不同的学习率，在每段内学习率相同。大于某个阈值，正确识别的检测框中的文本与标注的文本相同。最长字符数目的选取考虑满足。

原创 PaddleOCR学习-1

【代码】PaddleOCR学习-1。

原创 ipywidgets.IntRangeSlider 样式调整

【代码】【无标题】

原创 HSV中H、S、V对照表

...

原创 英语差的程序猿

src = source 源dst = destination 目的

原创 数据集预处理1

文章目录数据集之间比较数据之间比较在做语义分割是，第一步需要查看数据集，比较训练集与测试集之间的差异，图像与图像之间的差异。数据集之间比较对于数据集之间的差异，可以通过统计他们各自的直方图进行比较。import osimport cv2 as cvimport numpy as npimport matplotlib.pyplot as pltfrom tqdm import tqdmdef image_hist(img_dir): colors = ['blue',

原创 glob.glob读取文件路径排序

list中文件排序Python中glob.glob获取到的文件顺序排序import glob, osresult_files_crop = ['./images\\result\\test_7_0.tif', './images\\result\\test_7_1.tif', './images\\result\\test_7_10.tif', './images\\result\\test_7_11.tif', './images\\result\\test_7_12.tif', './im

原创 图像切割

#!/usr/bin/env python # -*- coding:utf-8 -*-from PIL import Imagefrom tqdm import tqdmimport os, mathdef image_crop(data_dir, save_dir, size): if not os.path.exists(save_dir): os.mkdir(save_dir) path = os.path.join(data_dir) i

原创 2021-04-14

原创 C++（常）引用，const，指针引用

文章目录一、const的定义二、const的由来举两个例子：1.从内存角度2.从语句使用：（const能避免一些宏define因为括号引起的错误）3.小结三、const的使用四、补充五、总结参考一、const的定义const修饰的数据类型是指常类型，常类型的变量或对象的值是不能被更新的。二、const的由来最初的目的是为了取代预编译指令define，继承define的优点并且摈弃它的缺点。举两个例子：1.从内存角度#define MAX_D 10const int MAX_C

原创 复制与移动构造函数

浅层复制与深层复制浅层复制实现对象间数据元素的一一对应复制深层复制当被复制的对象数据成员是指针类型时，不是复制该指针成员本身，而是将指针所指对象进行复制。移动构造函数C++11标准中提供了一种新的构造方法——移动构造。C++11之前，如果要将源对象的状态转移到目标对象只能通过复制。在某些情况下，我们没有必要复制对象——只需要移动它们。C++11引入移动语义：源对象资源的控制权全部交给目标对象移动构造函数问题与解决当临时对象在被复制后，就不再被利用了。我们完全可以把

原创 基于范围的for循环

源码#include<iostream>using namespace std;int main(){ int a[3] = { 1,2,3 }; for (int& e : a) // 基于范围的for循环 { e += 2; cout << e << endl; } return 0;}结果345

原创 C++易错点1

一、指向常量的指针和指针类型的常量

原创 Open3D中RANSAC平面拟合

文章目录一、函数介绍二、代码实现三、结果展示四、总结一、函数介绍使用RANSAC从点云中分割平面，用segement_plane函数。这个函数需要三个参数：destance_threshold：定义了一个点到一个估计平面的最大距离，这些距离内的点被认为是内点（inlier），ransac_n：定义了使用随机抽样估计一个平面的点的个数，num_iterations：定义了随机平面采样和验证的频率（迭代次数）。这个函数返回（a,b,c,d）作为一个平面，对于平面上每个点(x,y,z)满足ax+by

原创 PCL中Matrix4f实现点云坐标变化

文章目录一、方法原理二、代码实现三、结果展示一、方法原理参考：https://blog.csdn.net/youngpan1101/article/details/71086500二、代码实现#include <iostream>#include <pcl/io/pcd_io.h>#include <pcl/io/ply_io.h>#include <pcl/point_cloud.h>#include <pcl/console/pars

原创 PCL中GoxelGrid对点云下采样

文章目录一、方法原理二、代码实现三、效果展示四、注意一、方法原理使用体素化网格方法实现下采样，即减少点的数量，减少点云数据，并同时保存点云的形状特征， 在提高配准，曲面重建，形状识别等算法速度中非常实用， PCL是实现的VoxelGrid类通过输入的点云数据创建一个三维体素栅格，容纳后每个体素内用体素中所有点的重心来近似显示体素中其他点，这样该体素内所有点都用一个重心点最终表示，对于所有体素处理后得到的过滤后的点云，这种方法比用体素中心（注意中心和重心）逼近的方法更慢，但是对于采样点对应曲面的表示更为准

原创 基于KDTree的点云外包盒提取

基于KDTree的点云外包盒提取解决问题参考方法代码效果图解决问题使用 RandLA-Net 框架得到结果，从中提取目标外包盒，并去除误判的点云块。参考方法链接: link代码Ubuntu环境，代码是基于RandLA-Net 代码片.from helper_ply import read_ply # 函数来自RandLA-Netfrom collections import Counterfrom sklearn.neighbors import KDTreefrom he