- 博客(30)
- 收藏
- 关注
RSS订阅原创 关于FOC学习资料的整理
【自制FOC驱动器】深入浅出讲解FOC控制与SVPWM技术 (qq.com)车用永磁同步电机控制的位置信号处理 - 知乎 (zhihu.com)深入浅出谈车用永磁同步电机控制 - 知乎 (zhihu.com)梁大佬写的，对于永磁同步电机的介绍，对工程问题做了详细的介绍。稚晖君写的文章，涉及面很全，很通俗易懂，文章回答了。
2024-08-07 10:51:31
220
原创 ROS初学了解
终于有人把ROS(机器人操作系统)讲明白了_ros操作系统-CSDN博客终于有人把ROS(机器人操作系统)讲明白了 (qq.com)ROS简介-从零开始讲解ROS（适合超零基础阅读）-CSDN博客 官网：www.ros.org 源码：github.com Wiki：wiki.ros.org 问答：answers.ros.org
2024-07-26 11:38:58
163
原创 YOLOV9翻译
如今的深度学习方法主要关注如何设计最合适的目标函数，从而使模型的预测结果最接近 Ground-Truth。与此同时，还必须设计一个合适的架构，以方便获取足够的预测信息。现有方法忽略了一个事实，即输入数据经过逐层特征提取和空间转换后，会丢失大量信息。本文将深入探讨数据通过深度网络传输时数据丢失的重要问题，即信息瓶颈和可逆函数。我们提出了可编程梯度信息（PGI）的概念，以应对深度网络为实现多种目标所需的各种变化。PGI 可以为计算目标函数的目标任务提供完整的输入信息，从而获得可靠的梯度信息来更新网络权重。
2024-07-23 11:38:28
979
原创 Transformer 翻译
主流的序列转换模型基于复杂的递归或卷积神经网络，其中包括一个编码器和一个解码器。性能最好的模型还通过注意力机制连接编码器和解码器。我们提出了一种新的简单网络架构—Transformer，它完全基于注意力机制，无需递归和卷积。在两项机器翻译任务上的实验表明，这些模型的质量更优，同时可并行化程度更高，所需的训练时间也大大减少。在 WMT 2014 英德翻译任务中，我们的模型达到了 28.4 BLEU，比包括集合在内的现有最佳结果提高了 2 BLEU 以上。
2024-07-22 14:53:00
763
原创 YOLOv7翻译
实时目标检测是计算机视觉领域最重要的研究课题之一。随着有关架构优化和训练优化的新方法不断被开发出来，我们发现在处理这些最新的先进方法时产生了两个研究课题。为了解决这两个问题，我们提出了一种可训练的自由包导向解决方案。我们将灵活高效的训练工具与所提出的架构和复合缩放方法相结合。在 5 FPS 到 120 FPS 的范围内，YOLOv7 在速度和准确性上都超越了所有已知的目标检测器，并且在 GPU V100 上 30 FPS 或更高的所有已知实时目标检测器中，YOLOv7 具有最高的准确性 56.8% AP。
2024-07-18 16:28:26
683
原创 YOLOv6翻译
多年来，YOLO 系列一直是高效目标检测的行业标准。YOLO 社区蓬勃发展，丰富了其在众多硬件平台和丰富场景中的应用。在本技术报告中，我们努力将其极限推向更高水平，以坚定不移的态度推进行业应用。考虑到现实环境中对速度和精度的不同要求，我们广泛研究了工业界或学术界的最新物体检测进展。具体来说，我们大量吸收了最新的网络设计、训练策略、测试技术、量化和优化方法。在此基础上，我们结合自己的想法和实践，构建了一套不同规模的部署网络，以适应多样化的使用案例。在征得 YOLO 作者的同意后，我们将其命名为 YOLOv6。
2024-07-17 16:15:17
530
原创 YOLOV4翻译
据说有大量特征可以提高卷积神经网络（CNN）的准确性。我们需要在大型数据集上对这些特征的组合进行实际测试，并对结果进行理论论证。有些特征只适用于某些模型，只适用于某些问题，或只适用于小规模数据集；而有些特征，如批次归一化和残差连接，则适用于大多数模型、任务和数据集。
2024-07-16 16:40:59
794
原创 Template_C++
类模板允许你定义一个通用的类，其中的数据类型可以作为参数传递，从而使得类可以处理多种不同类型的数据。函数模板重载的规则与普通函数重载类似，编译器会根据参数类型和数量进行匹配，选择最合适的函数模板实例或普通函数。在C++中，类模板的成员函数可以在类内实现，也可以在类外实现。在上述的代码中，我们写了一个基于模板的交换函数，可以用于交换int类型、double类型和char类型，如果不使用模板函数，就需要写三个交换函数。如果成员函数较为复杂，或者需要在多个地方使用相同的实现，可以考虑在类外实现成员函数。
2024-07-16 13:24:47
417
原创 YOLOV3翻译
我们对 YOLO 进行了一些更新！我们在设计上做了一些小改动，使它变得更好。我们还训练了一个新的网络，它非常强大。在模型上，它比上次的大了一点，但更准确了，不过速度还是很快，不用担心。在 320×320 时，YOLOv3 以 28.2 mAP 在 22 毫秒内运行，与 SSD 一样精确，但速度快三倍。当我们使用旧的 0.5 IOU mAP 检测指标时，YOLOv3 的表现相当不错。
2024-07-15 17:09:19
550
原创 effective c++学习笔记1
第7章，学完比较能够看懂，一般公司不推荐写模板（调试麻烦，维护成本高），注意const后面变量得约定，采用标准得命名方法(大驼峰、小驼峰等)。指针本身师常量，表示指针地址是不会变的。，避免代码重复的安全方法。2024年7月15日。
2024-07-15 16:05:31
289
原创 YOLOV2翻译
我们介绍的 YOLO9000 是最先进的实时目标检测系统，可检测 9000 多个目标类别。首先，我们对 YOLO 检测方法提出了各种改进建议，其中既有新颖之处，也有借鉴先前研究成果的地方。改进后的模型 YOLOv2 在标准检测任务（如 PASCAL VOC 和 COCO）中处于一流水平。利用新颖的多尺度训练方法，同一 YOLOv2 模型可以在不同的尺寸下运行，从而在速度和准确性之间轻松做出权衡。在 67 FPS 下，YOLOv2 在 VOC 2007 上获得了 76.8 mAP。
2024-07-12 16:20:36
529
原创 YOLOv1翻译（You Only Look Once: Unified, Real-Time Object Detection）
我们发表了 YOLO，一种新的目标检测方法。先前关于目标检测的工作重新利用分类器来执行检测。取而代之的是，我们将目标检测构建成一个回归问题，该回归问题指向空间上分离的边界框和相关的类概率。单个神经网络可在一次评估中直接从完整图像预测边界框和类别概率。由于整个检测pipeline是单一网络，因此可以直接在检测性能上进行端到端的优化。我们的统一架构在执行上速度极快。我们的base YOLO 模型以45 帧/秒的速度实时处理图像。
2024-07-12 15:02:03
714
原创 YOLOV5_Train_py代码阅读_02
总结来说，这段代码实现了一个完整的训练循环，包括数据加载、前向传播、损失计算、反向传播、优化器更新和学习率调度等步骤。这几行代码将检查点中的模型状态字典转换为浮点型（FP32），然后与当前模型的状态字典进行交集操作，排除指定的键。总结来说，这段代码根据是否传入了预训练权重文件来决定是加载预训练模型还是从头创建模型，并处理相关的配置和状态字典。总结来说，这段代码确保在分布式训练环境中只有主节点检查数据集配置，并从数据集配置中提取训练和测试数据的路径。主要功能是检查数据集配置并获取训练和测试数据的路径。
2024-07-11 15:25:53
994
原创 YOLOV5_labels.jpg&labels_correlogram.jpg
汇总训练集数据的标签labels，并画出训练集数据标签 x, y, width, height 4个变量之间的关系图（线性或非线性，有无较为明显的相关关系）。（3，3）图表明框的高的分布情况，可以看到大部分框的高的大小超过整幅图的高的小一半，但也有大的框；（2，2）图表明框的宽的分布情况，可以看到大部分框的宽的大小大概是整幅图的宽的小一半；（1，1）图表明中心点纵坐标y的分布情况，可以看到大部分集中在整幅图的中心位置；第一张图可以看出样本的均衡性，最好的是各个类别的数量差不多一样。
2024-07-10 15:00:59
305
原创 目标检测评价指标
其实这要从排序型模型说起。拿逻辑回归举例，逻辑回归的输出是一个0到1之间的概率数字，因此，如果我们想要根据这个概率判断用户好坏的话，我们就必须定义一个。
2024-07-09 16:55:37
811
原创 Pascal VOC (Pascal Visual Object Classes)
对于分割任务， VOC2012的trainval包含07-11年的所有对应图片， test只包含08-11。**VOC2007：**中包含9963张标注过的图片， 由train/val/test三部分组成， 共标注出24,640个物体。VOC2007的test数据的label已经公布，之后的没有公布（只有图片，没有label）。共2913张图片，每一张图片都对应JPEGImages里的相应编号的图片。Annotation文件夹存放的是xml文件，该文件是对图片的解释，每张图片都对应于一个同名的xml文件。
2024-07-08 14:25:28
529
原创 Opencv cv::Mat问题？
为什么截图的数据就无法进行推理？需要保存为图片后，重新读取，才能够进行推理？使用opencv截图出来的数据--8UC4。imread默认读取的读取数据是uchar。
2024-07-05 15:38:46
83
原创 conda常用命令
可以在使用pip的时候加参数-i https://pypi.tuna.tsinghua.edu.cn/simple/中国科技大学: https://pypi.mirrors.ustc.edu.cn/simple/清华：https://pypi.tuna.tsinghua.edu.cn/simple/阿里云：https://mirrors.aliyun.com/pypi/simple/豆瓣：https://pypi.douban.com/simple/conda下添加国内镜像源（window下）（永久添加）
2024-07-04 14:52:36
223
原创 MATLA 复制文件到指定文件夹
用于将文件夹下的具有相同属性的图片分类。train文件下的有猫，也有狗......文件格式为：catxxx.jpg,dogxxx.jpg，xxx是序号。cat文件下，只有猫dog文件下，只有狗path = 'D:\猫狗数据\train\';path_cat = 'D:\猫狗数据\cat\';path_dog = 'D:\猫狗数据\dog\';fns = '*.jpg'; ...
2024-07-03 16:38:50
315
原创 STL map
键值对map存储的是键值对，其中每个键都是唯一的。排序map中的元素按照键的顺序自动排序，通常是升序。唯一性：每个键在map中只能出现一次。双向迭代器map提供了双向迭代器，可以向前和向后遍历元素。map包含在头文件中，使用包含头文件。声名map使用其中key_type是键的类型，value_type是值的类型。插入元素与访问元素// 插入元素// 访问元素遍历map，需要使用迭代器，也就是C++ STL中的iterator，通过移动指针访问元素。
2024-07-03 13:59:40
379
原创 GPS_DataFromat
URA（accuracy），73：76bit，用户测距精度是对所有由GPS地面监控部分和空间星座部分引起的测距误差大小的一个统计值，他是通过导航电文中的一个4bit表示的用户测距精度因子N而提供给非特许用户的。固定二进制值10001011：同步码，1：8bit，GPS接收机用它来匹配接收到的数据码，进而搜索、锁定子帧起始边沿，为接下来按照响应格式正确解译二进制数据提供了必要条件，如果接收机找到了一个卫星信号的子帧边沿，那么我们称该接收机对此卫星信号进入了子帧同步状态（或者称为帧同步状态）；
2024-07-03 11:29:59
918
原创 使用Opencv视频读取（avi格式)
vtest.avi这个视频文件，直接在“….\opencv\sources\samples\data”下面找到。使用opencv读取视频，并显示。
2024-07-02 16:41:55
253
原创 cuda理解
cudaMalloc的参数与我们设置的地址类型数据有一定的关系。由于cudaMemcpy等重要的内存操作函数均以指针作为形参，因此我们需要定义一个与之相同类型的指针完成形参赋值。由于指针是指向地址的，必须把我们声明的指针变量初始化为GPU的内存首地址。这样一来，addr实质上就变成了一个存放了地址的指针。这也决定了cudaMalloc函数调用时，需要对addr进行引用计算，将GPU内存首地址放在addr指向的地址中。完成了这个函数调用后，addr就变成了一个指向GPU内存首地址的地址（指针）了。
2024-07-02 16:19:34
345
空空如也
matlab simlink中调用m文件？
2024-08-06
TA创建的收藏夹 TA关注的收藏夹
TA关注的人