鱼大

一、背景推荐一个不错的博客的项目，钢筋点数。基于faster-rcnn模型的pytorch的接口部署。说到接口部署，我们得了解它是一种什么方式，怎么应用起来就是一个问题。我们使用过百度、腾讯、阿里的智能云服务时，大多数都是以API接口形式提供，通过接口，用户发送一张图片给API，api再返回去相应的内容，并告诉你如何解析。二、接口实现要靠web框架其实这并不难，我们的python web框架有很多，大家可以尝试tornado 、flask、以及Django。三、模型部署时需要...

一、问题抛出当我们针对一个单通道的图进行卷积计算时，我们很容易知道卷积核划过每一块区域得到不同的值，每个区域的值组成一个特征图。但是当我们有几个通道的图，也就是我们见到的彩色图卷积计算该怎么处理呢？很多人不理解特征图的个数与什么有关系。二、背景说明这里先说明一下，多通道的彩色图一般为三通道RGB（红绿蓝），四通道则多了一个透明通道。假设我们是有一个四通道组成的彩色图像，我们有一个卷积核，那步骤是怎么样的。三、理解与记忆我们应该把四通道看成四个灰度图，像单通道的图片一样，卷积核..

很多应用场景会对图片的质量有要求，因相机抖动或者物体处于运动时容易造成图片模糊。那么模糊的照片怎么去衡量呢？根据参考大量的方案-对图像进行梯度求解然后求方差，以方差的值作为评价图像的清晰程度。最为常用的或者说最为经典的是拉普拉斯算子进行的梯度计算。图像-》灰度-》拉普拉斯-》方差。import cv2imagePath ='./ai_hellohello.jpg'image = cv2.imread(imagePath)gray = cv2.cvtColor(image, cv2

opencv在读取numpy arr 时容易报错是'depth' is 6 (CV_64F)，这个原因是因为numpy array float类型默认为64位，而opencv不能正常读取64位，可以读取float32位，因此，需要将numpy数组转化为float32位代替。float64转化为float32可以用astype()方法，参考下面的图很好理解。当类型转化为32位后，...

一、引入目标检测定位出一张图片中某个类别都在哪里，模型在预测是会出现很多候选框，同时每个框都会有很多自己的一个置信度得分score,那么如何选出最后的那几个框呢？参见下图！二、概念：NMS: non maximum suppression,中文解释为“非极大值抑制”，听得非常不好理解，以我的认识可以理解在一定范围内选择最好的框，重叠过大的被舍弃。但是它的思路还是很好简单...

https://baijiahao.baidu.com/s?id=1598999301741831102&wfr=spider&for=pc目标检测是很多计算机视觉任务的基础，不论我们需要实现图像与文字的交互还是需要识别精细类别，它都提供了可靠的信息。本文对目标检测进行了整体回顾，第一部分从RCNN开始介绍基于候选区域的目标检测器，包括Fast R-CNN、Faster R-C...

RGB彩色图像中，一种彩色由R（红色），G（绿色），B（蓝色）三原色按比例混合而成。图像的基本单元是一个像素，就像一个巨幅电子广告屏上远处看是衣服图像，走近你会看到一个一个的方格，这个方格的颜色是一种，从远处看，觉察不到这个方格的存在。一个像素需要3块表示，分别代表R，G，B，如果8为表示一个颜色，就由0-255区分不同亮度的某种原色。一张9像素的8位RGB图像，在计算机内存中的分布大...