基于libtorch项目

最新推荐文章于 2024-08-16 18:13:47 发布
最新推荐文章于 2024-08-16 18:13:47 发布
阅读量346 收藏 11
点赞数 6
文章标签： 人工智能 目标检测 windows YOLO c++ 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_51539952/article/details/136369167
版权
本文介绍了利用C++编程、OpenCV、libtorch、PCL和VTK等技术开发的轨道状态智能检测系统，能检测螺栓松动、扣件问题、道床异物等，提供实时报警和生成Excel/Word报告的功能，通过3D点云直观展示结果。
摘要由CSDN通过智能技术生成

基于 2D 与 3D 激光点云的轨道状态智能检测系统
一. 项目介绍
因为设计到公司一些内容，有些内容不便展示
使用激光轮廊仪对螺栓是否有松动、扣件安装状态(移位、丢失、破损)、道床异物、夹板脱落、部件缺损，垫板厚度进行检测。软件界面具有对异常的扣件有识别显示功能，对三维缺陷(螺栓是否松动)进行三维显示、自动定位里程信息(根据超始里程和上下行以及缺准的里程进行计算)、自动统计分析形成报表(Excel/Word)、界面有实时对缺陷进行报警功能等。
二. 使用的技术
1.编程语言：C++
2.函数库：opencv，libtorch，PCL，VTK
3.界面开发：QT
三. 界面功能展示

1.登录界面

在这里插入图片描述

2.检测界面

在这里插入图片描述

3.检测画面

在这里插入图片描述

4.报告展示

Excel展示：
在这里插入图片描述
Word展示：
在这里插入图片描述

5.三维点云展示

在这里插入图片描述

道禅_倩
关注
  • 6
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
libtorch教程（一）开发环境搭建：VS+libtorch和Qt+libtorch
CV技术指南（微信公众号）
06-02 2969
事实上，在前面的pytorch部署博客和libtorch的QT部署中笔者已经分享了自己搭建libtorch开发环境的记录。其余并无太多要赘述的。
基于libtorch的Resnet34残差网络实现——Cifar-10分类（测试集准确率94.15%）
shandianfengfan的博客
06-18 2972
基于libtorch实现的Resnet34网络对Cifar-10进行分类
在Visual Studio中配置基于Libtorch的项目
太玄的博客
10-29 1690
目的 在 Visual Studio 中手工配置基于 Libtorch 的项目。 方法 软硬件参数 GPU: GTX 1060 Operating System: Windows 10 Visual Studio: Visual Studio 2019 CUDA: CUDA 10.2 Libtorch: Libtorch 1.7.0 准备工作 按照网上流程安装 Visual Studio 和 CUDA，并完成路径配置。下载 Libtorch 并解压。为了后续配置文件方便，可以将 Libtorch 的文件
Libtorch使用
xuyunyunaixuexi的博客
12-10 1508
1.下载安装cmake 2.安装且永久配置opencv（debug+release） 3.安装vs2017（开始电脑只有vs2013， 貌似不支持， 很多编译错误） mean, std很重要，开始直接原图没有预处理进行inference， 效果很差， 加了就ok了... std::shared_ptr<torch::jit::script::Module> module = ...
基于Libtorch的手写识别项目（MNIST）CNN（卷积神经网络）实现
01-16
手写识别MNIST（Libtorch + CNN实现），其中的潜在问题已在项目中表明，可以前往github：https://github.com/zd1025，预览相关内容，之后将会不断更新新的网络，期待和大家一起进步一起学习
实际项目-基于LibTorch实现ResNet18网络推理过程c++源码(可编译).zip
06-25
实际项目-基于LibTorch实现ResNet18网络推理过程c++源码(可编译).zip实际项目-基于LibTorch实现ResNet18网络推理过程c++源码(可编译).zip实际项目-基于LibTorch实现ResNet18网络推理过程c++源码(可编译).zip实际项目...
毕设&课设&项目&实训-基于libtorch的NanoTrack跟踪算法.zip
02-09
【项目资源】： 包含前端、后端、移动开发、操作系统、人工智能、物联网、信息化管理、数据库、硬件开发、大数据、课程资源、音视频、网站开发等各种技术项目的源码。 包括STM32、ESP8266、PHP、QT、Linux、iOS、C++...
基于libtorch的NanoTrack跟踪算法c++源码(带操作说明).zip
07-24
<项目介绍> 该资源内项目源码是个人的毕设，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到94.5分，放心下载使用！ 该资源适合计算机相关专业(如人工智能、通信工程、自动化、软件工程等)的在校学生、...
libtorch.zip
08-24
在本篇文章中，我们将深入探讨libtorch，特别是针对Windows平台的32位版本，该版本是基于Visual Studio 2017编译的，并且不支持GPU运算。我们将关注其性能特性、使用场景以及替代选择。 首先，让我们详细了解...
C/C++开发，opencv内置背景减除算法与运动检测
技术需要分享
08-14 1122
C/C++开发，opencv内置背景减除算法的完整代码及编译过程示例
Spark MLlib 特征工程(上)
08-14 4254
特征选择的动机，在于提取与预测标的关联度更高的特征，从而精简模型尺寸、提升模型泛化能力。特征选择可以从两方面入手，业务出发的专家经验和基于数据的统计分析。归一化的目的，在于去掉不同特征之间量纲的影响，避免量纲不一致而导致的梯度下降震荡、模型收敛效率低下等问题。归一化的具体做法，是把不同特征都缩放到同一个值域。在这方面，Spark MLlib 提供了多种归一化方法供开发者选择。
机器学习常用包numpy篇（零）前置知识·数值类型
2301_79144343的博客
08-14 411
本文仅介绍numpy中的数值类型
GraphRAG：复杂查询的知识图谱新框架
YeJuliaLi的博客
08-14 911
微软最近发布了名为 GraphRAG（Graphs + Retrieval Augmented Generation）的创新 RAG 框架，这是一个将文本提取、语义网络分析，与大语言模型（LLM）的提示和总结功能结合在一起的端到端系统，用于深入理解文本数据集。在对私有数据中的复杂文本信息进行文档分析时，GrahRAG 使用 LLM 生成的知识图谱来大幅提高问答性能。这里的私有数据集是指 LLM 没...
ubuntu22.04 安装 ros1
qq_35547879的博客
08-14 303
原先只知道ros1 noetic 只支持到ubuntu20.04。现在系统必须升级到ubuntu22.04。
Denosing && RayDN-对同一射线的误检测优化
最新发布
zisuina_2的博客
08-16 453
Denosing操作理解DN-DETR增加denosing操作，帮助快速拟合，提高了目标检测任务中的效率和精度。通过这种方式，DN-DETR 克服了原始 DETR 的一些限制，使其在实际应用中具有更好的性能和鲁棒性。GTBoxes通过随机偏移H, L,W进行偏移，当中心点x,y的偏移都>L/2,W/2会将label设置为num_class，也就是负样本，会对GTBoxes重复n次组成n=10。
基于YOLOv8的通用的滑动验证码滑块缺口检测模型
qq_29402011的博客
08-15 574
本文介绍了基于YOLOv8训练滑块验证码缺口检测模型的通用步骤
基于车联网大数据平台的用户驾驶习惯行为画像分析
DolphinDB智臾科技
08-15 708
车联网系统中，利用大数据对驾驶行为进行研究，有助于了解驾驶员的特征，并提供优化建议。本文从用户驾驶行程中的速度偏好、驾驶风格、熟练度三个方面描述用户画像，并介绍如何使用 DolphinDB 基于 K-means 算法的聚类模型生成用户画像与个性化标签，完成数据存储、处理、特征提取、模型构建及预测等全过程。
SciPy：基于 NumPy 的算法库和数学工具包，用于数学、科学和工程领域。
LS_Ai的博客
08-15 944
无论是进行线性代数运算、优化问题求解、积分与微分方程处理，还是进行信号和图像处理，SciPy都提供了高度优化的工具，使得复杂的科学计算任务变得更加简单和高效。SciPy的目标是为用户提供一个全面的科学计算环境，其中涵盖了常见的线性代数、优化、积分、插值、傅里叶变换、信号处理、统计、图像处理、以及ODE（常微分方程）求解等功能。SciPy与NumPy紧密结合，同时也与Pandas、Matplotlib等库有很好的兼容性，这使得它在科学研究、数据分析和工程计算中占据了重要地位。
基于c++ libtorch部署yolov5
05-20
要在 C++ 中使用 YOLOv5，您需要进行以下步骤： 1. 安装 LibTorch 您需要从 PyTorch 官网下载适合您操作系统和 CUDA 版本的 LibTorch。 2. 下载 YOLOv5 模型 您可以从 YOLOv5 的官方 GitHub 仓库下载预训练模型。 3. 加载模型 您可以使用 `torch::jit::load()` 函数加载模型。例如： ```c++ torch::jit::script::Module module = torch::jit::load("path/to/model.pt"); ``` 4. 推理 首先，您需要将输入图像转换为 Tensor。您可以使用 OpenCV 或其他图像处理库来完成此操作。例如： ```c++ cv::Mat img = cv::imread("path/to/image.jpg"); cv::Mat img_float; img.convertTo(img_float, CV_32F, 1.0 / 255.0); torch::Tensor tensor_image = torch::from_blob( img_float.data, {1, img_float.rows, img_float.cols, 3}).permute({0, 3, 1, 2}); ``` 然后，您可以将 Tensor 传递到模型中进行推理。例如： ```c++ at::Tensor result = module.forward({tensor_image}).toTensor(); ``` 5. 解析输出 YOLOv5 模型的输出是一个包含所有检测结果的 Tensor。您需要解析此 Tensor 来提取检测结果。例如： ```c++ float* result_data = result.data_ptr<float>(); for (int i = 0; i < result.size(1); i++) { float* class_data = result_data + i * result.size(2); for (int j = 0; j < result.size(2); j++) { float* box_data = class_data + j * result.size(3); // 解析检测结果并进行后续处理 } } ``` 这是一个基本的 YOLOv5 部署流程。但是，由于 YOLOv5 的实现比较复杂，还有一些细节需要注意。建议您在实现时参考 YOLOv5 官方的 PyTorch 实现和其他开源项目，如 yolov5_cpp。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值