<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[sunshineine的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/sunshineine</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; sunshineine]]></copyright><item><title><![CDATA[新手从安装到pycharm代码运行]]></title><link>https://blog.csdn.net/sunshineine/article/details/163103886</link><guid>https://blog.csdn.net/sunshineine/article/details/163103886</guid><author>sunshineine</author><pubDate>Wed, 22 Jul 2026 13:25:18 +0800</pubDate><description><![CDATA[【免费】最新社区版pycharm-community-2025.1.2最新社区版pycharm-community-2025.1.2最新社区版pycharm-community-2025.1_pycharm社区版下载资源-CSDN下载。通过“电脑设置 → 系统 → 系统信息/关于 → 系统类型”查看自己电脑类型下载适合的pycharm版本。官网下载链接，但是官网现在取消了社区版本，想要社区版本可以参考后面的链接。想要社区版本的可以通过这个链接下载资源。]]></description><category></category></item><item><title><![CDATA[FreeCAD]]></title><link>https://blog.csdn.net/sunshineine/article/details/160484666</link><guid>https://blog.csdn.net/sunshineine/article/details/160484666</guid><author>sunshineine</author><pubDate>Tue, 02 Jun 2026 13:43:39 +0800</pubDate><description><![CDATA[作用：定义 AICad 模块的安装和拷贝规则。让 Init.py、InitGui.py、脚本、规则文件在构建/安装后进入 FreeCAD 的 Mod/AICad 目录。作用：AICad 工作台的 GUI 入口。目标是输入一个 FCStd/STEP，输出带图框、主视图、剖视图、标注、件号、BOM 的 PDF/DXF/SVG。作用：AICad 模块的 App 层初始化入口。作用：把 AICad 目录作为 Python 模块使用，便于后续拆分更多 Python 文件。作用：这次的核心脚本。]]></description><category></category></item><item><title><![CDATA[YOLOv9论文详解]]></title><link>https://blog.csdn.net/sunshineine/article/details/156203821</link><guid>https://blog.csdn.net/sunshineine/article/details/156203821</guid><author>sunshineine</author><pubDate>Thu, 25 Dec 2025 17:18:03 +0800</pubDate><description><![CDATA[本文提出了一种新的深度学习框架YOLOv9，通过可编程梯度信息(PGI)和广义高效层聚合网络(GELAN)解决深度网络中的信息丢失问题。PGI通过辅助可逆分支和多级辅助信息机制，为不同规模的网络提供可靠的梯度信息，有效缓解了信息瓶颈和深度监督带来的误差积累问题。GELAN则是一种轻量高效的网络架构，仅使用常规卷积就实现了优于深度卷积设计的参数利用率。在MS COCO数据集上的实验表明，YOLOv9在目标检测任务中全面超越了现有实时检测器，即使从头训练的模型也能优于使用大型数据集预训练的SOTA方法。该方法为]]></description><category></category></item><item><title><![CDATA[（论文篇）Railway intruding pedestrian image sequence generation method with pose transfer techniques]]></title><link>https://blog.csdn.net/sunshineine/article/details/156150320</link><guid>https://blog.csdn.net/sunshineine/article/details/156150320</guid><author>sunshineine</author><pubDate>Wed, 24 Dec 2025 15:02:09 +0800</pubDate><description><![CDATA[本文针对高速铁路入侵检测中行人样本稀缺问题，提出基于姿态迁移的GSGAN网络生成方法。通过图卷积网络（GCN）实现精确姿态特征提取与转移，结合空间注意力机制（SA）保留关键外观特征，生成逼真的铁路入侵行人图像序列。实验表明，该方法生成的图像在结构相似性（SSIM提升0.0557）和姿态准确性（Pckh0.5提高0.0236）方面表现优异。将生成数据用于Yolov5等检测模型训练，可使检测准确率提升12.7%，有效解决了样本不足问题，同时大幅降低了人工标注成本。]]></description><category></category></item><item><title><![CDATA[YOLOv9导出ONNX文件，快速查看模型结构及部署]]></title><link>https://blog.csdn.net/sunshineine/article/details/156159532</link><guid>https://blog.csdn.net/sunshineine/article/details/156159532</guid><author>sunshineine</author><pubDate>Wed, 24 Dec 2025 15:01:39 +0800</pubDate><description><![CDATA[本文介绍了如何将YOLOv9模型导出为ONNX格式。操作步骤包括：修改export.py文件，添加数据集配置和权重路径，选择ONNX导出格式；通过清华源安装ONNX 1.14.1；运行export.py导出模型；最后使用Netron在线工具可视化模型结构。该流程实现了模型的标准化保存和可视化查看，便于后续部署和应用。]]></description><category></category></item><item><title><![CDATA[YOLOv9训练自己的数据集及验证]]></title><link>https://blog.csdn.net/sunshineine/article/details/156149084</link><guid>https://blog.csdn.net/sunshineine/article/details/156149084</guid><author>sunshineine</author><pubDate>Wed, 24 Dec 2025 15:00:51 +0800</pubDate><description><![CDATA[本文介绍了YOLOv9目标检测模型的完整使用流程，包括代码下载、环境配置、模型训练和评估四个主要步骤。首先从GitHub获取代码并准备数据集，然后配置Python 3.10虚拟环境和CUDA相关依赖。训练阶段需要设置权重路径、数据配置和训练参数，评估阶段通过evaluate.py脚本生成包含各类别指标和整体性能的CSV报告。整个过程详细说明了参数配置方法，并提供了评估指标的计算方式，帮助用户完成从模型训练到性能评估的全流程。]]></description><category></category></item><item><title><![CDATA[YOLO系列模型配置的yaml文件解读]]></title><link>https://blog.csdn.net/sunshineine/article/details/156160721</link><guid>https://blog.csdn.net/sunshineine/article/details/156160721</guid><author>sunshineine</author><pubDate>Wed, 24 Dec 2025 15:00:14 +0800</pubDate><description><![CDATA[YOLOv5-v8版本的yaml文件格式解析摘要：YOLO模型的yaml文件保存了关键配置信息，包括检测类别数(nc)、模型深度/宽度系数、锚框尺寸以及模型结构(backbone和head)。以backbone第二层为例，参数依次表示输入来源(-1)、模块数量(1)、模块类型(Conv)和具体参数(输出通道128、3x3卷积核、步长2)。修改网络层时需要调整后续层的输入来源。该文件定义了YOLO模型的整体架构和超参数配置。]]></description><category></category></item><item><title><![CDATA[（论文篇）Local and Global Information in Obstacle Detection on Railway Tracks]]></title><link>https://blog.csdn.net/sunshineine/article/details/156150368</link><guid>https://blog.csdn.net/sunshineine/article/details/156150368</guid><author>sunshineine</author><pubDate>Tue, 23 Dec 2025 08:06:12 +0800</pubDate><description><![CDATA[本文提出了一种结合局部与全局信息的铁路障碍物检测方法，通过浅层网络学习铁路分割并引入随机非铁路图像增强异常识别能力。该方法利用自编码器或GAN生成&quot;无障碍铁路图像&quot;，通过比较原始与重建图像的语义差异检测异常，无需真实障碍物样本训练。在RailSem19增强数据集上的实验表明，该方法在AUROC(0.936)和F1分数(0.863)上显著优于基线模型，尤其擅长检测小型或颜色相近的障碍物。消融实验验证了适度限制感受野(21-29像素)能有效平衡局部与全局信息，避免过度依赖上下文导致的误判。虽]]></description><category></category></item><item><title><![CDATA[（论文篇）Towards Scenario-based Safety Validation for Autonomous Trains with Deep Generative Models]]></title><link>https://blog.csdn.net/sunshineine/article/details/156150407</link><guid>https://blog.csdn.net/sunshineine/article/details/156150407</guid><author>sunshineine</author><pubDate>Tue, 23 Dec 2025 08:05:44 +0800</pubDate><description><![CDATA[本研究考虑了一个基于摄像头的铁路场景分割系统的具体用例，该系统旨在支持列车自主运行。我们使用深度生成模型演示了对铁路场景进行语义编辑的能力，以使有限数量的测试数据更具代表性。我们还展示了我们的方法如何帮助分析系统符合典型的奇怪需求的程度。具体地说，我们重点评估在不同的照明和天气条件下以及在它们之间转换时的正确操作。]]></description><category></category></item><item><title><![CDATA[（论文篇）RailSet: A Unique Dataset for Railway Anomaly Detection]]></title><link>https://blog.csdn.net/sunshineine/article/details/156150437</link><guid>https://blog.csdn.net/sunshineine/article/details/156150437</guid><author>sunshineine</author><pubDate>Tue, 23 Dec 2025 08:05:04 +0800</pubDate><description><![CDATA[本文提出RailSet铁路异常检测数据集，包含6600张正常场景图像和1100张人工生成的异常图像。针对现有数据集缺乏驾驶员视角和异常样本的问题，研究团队通过两种方式构建数据集：1）基于23个火车视频构建RailSet-Seg语义分割数据集，采用精细标注策略；2）利用StyleMapGAN生成对抗网络创建RailSet-Ano异常数据集，包含轨下空洞和钢轨不连续两类异常。该数据集覆盖多种天气条件，为铁路异常检测提供了标准化测试基准。通过复制-粘贴算法和GAN技术，解决了真实异常样本获取困难的问题，为基于计算]]></description><category></category></item><item><title><![CDATA[（论文篇）Intelligent road segmentation and obstacle detection for autonomous railway vehicle]]></title><link>https://blog.csdn.net/sunshineine/article/details/156150467</link><guid>https://blog.csdn.net/sunshineine/article/details/156150467</guid><author>sunshineine</author><pubDate>Tue, 23 Dec 2025 08:04:33 +0800</pubDate><description><![CDATA[本文提出YOLOSEG策略，用于铁路场景的智能障碍物检测。该方法首先利用Unet网络分割铁路轨道区域生成掩码，再将掩码引入YOLO网络，仅检测轨道区域内的障碍物。针对真实数据获取困难的问题，通过合成方法构建包含多种场景的8000张训练数据集，并提出随机亮度增强策略。实验表明，相比传统目标检测方法，YOLOSEG能有效减少无关物体的误检，在mAP@0.5等指标上表现更优，适用于复杂铁路环境下的入侵检测任务。]]></description><category></category></item><item><title><![CDATA[（论文篇）ContRail: A Framework for Realistic Railway Image Synthesis Using Stable Diffusion]]></title><link>https://blog.csdn.net/sunshineine/article/details/156150503</link><guid>https://blog.csdn.net/sunshineine/article/details/156150503</guid><author>sunshineine</author><pubDate>Tue, 23 Dec 2025 08:03:54 +0800</pubDate><description><![CDATA[本文提出ContRail框架，基于改进的ControlNet模型生成逼真铁路场景图像。通过融合语义分割掩码和边缘图作为多条件输入，并采用BLIP-2自动生成文本提示，有效解决了铁路领域数据稀缺问题。实验表明，该方法在FID指标和视觉质量上均取得良好效果，生成的合成图像能显著提升语义分割模型的训练性能。该研究为自动驾驶列车等铁路感知系统的开发提供了高质量数据合成方案。]]></description><category></category></item><item><title><![CDATA[（论文篇）SynDRA: Synthetic Dataset for Railway Applications]]></title><link>https://blog.csdn.net/sunshineine/article/details/156150028</link><guid>https://blog.csdn.net/sunshineine/article/details/156150028</guid><author>sunshineine</author><pubDate>Mon, 22 Dec 2025 14:23:21 +0800</pubDate><description><![CDATA[SynDRA是一个基于虚幻引擎5构建的铁路应用合成数据集，包含逼真的动态场景和精确的像素级标注。该数据集通过整合OpenStreetMap地理信息和3D建模资产，生成了4种典型铁路场景，涵盖不同光照和天气条件。实验表明，在语义分割和轨道识别任务中，SynDRA能显著提升模型性能：使用15张真实样本时，BisenetX39模型的mIoU从0.28提升至0.35。该数据集支持多种视觉任务扩展，为铁路计算机视觉研究提供了高质量的合成数据资源。数据集已开源：https://syndra.retis.santanna]]></description><category></category></item><item><title><![CDATA[（论文篇）Data Augmentation Using Generative Models for Track Intrusion Detection]]></title><link>https://blog.csdn.net/sunshineine/article/details/156149992</link><guid>https://blog.csdn.net/sunshineine/article/details/156149992</guid><author>sunshineine</author><pubDate>Mon, 22 Dec 2025 14:21:38 +0800</pubDate><description><![CDATA[在铁路系统中检测轨道入侵者的入侵识别算法往往存在学习数据不足和数据不平衡的问题。本研究利用生成模型学习可用数据的底层分布并创建与原始数据相似的新样本来生成合成入侵数据，再使用增强的入侵数据训练深度神经网络，以准确地识别入侵。]]></description><category></category></item><item><title><![CDATA[（论文篇） SynRailObs: A Synthetic Dataset for Obstacle Detection in Railway Scenarios]]></title><link>https://blog.csdn.net/sunshineine/article/details/156149903</link><guid>https://blog.csdn.net/sunshineine/article/details/156149903</guid><author>sunshineine</author><pubDate>Mon, 22 Dec 2025 14:19:07 +0800</pubDate><description><![CDATA[《SynRailObs：铁路场景障碍物检测的合成数据集》提出了一种创新性的高保真合成数据集构建方法。该研究通过结合稳定扩散模型、SAM分割技术和图像和谐化处理，生成包含多样化障碍物（行人、岩石、车辆等）和复杂天气条件的铁路场景图像。实验表明，基于该数据集训练的模型在真实场景测试中表现出色，平均精度超过50%，分类准确率达90%以上，并能有效处理零样本情况。该工作解决了铁路障碍物检测领域的数据短缺问题，为复杂环境下的检测任务提供了可靠解决方案。]]></description><category></category></item><item><title><![CDATA[（论文篇）RailFOD23: A dataset for foreign object detection on railroad transmission lines]]></title><link>https://blog.csdn.net/sunshineine/article/details/156149764</link><guid>https://blog.csdn.net/sunshineine/article/details/156149764</guid><author>sunshineine</author><pubDate>Mon, 22 Dec 2025 14:17:00 +0800</pubDate><description><![CDATA[本文提出RailFOD23数据集，用于铁路输电线路异物检测研究。通过三种方法生成数据：(1)人工PS合成412张图像；(2)结合ChatGPT生成文本提示，使用StableDiffusion和ESRGAN生成4000张高分辨率图像；(3)基于Railsem19数据集的图像合成方法。最终数据集包含14,615张图像和40,541个标注对象，涵盖四种常见异物。实验验证了AIGC生成图像的有效性，并对主流深度学习模型进行性能评估。该数据集解决了异常数据稀缺问题，为铁路异物检测研究提供了重要资源。]]></description><category></category></item><item><title><![CDATA[SAM训练自己的数据集]]></title><link>https://blog.csdn.net/sunshineine/article/details/146845870</link><guid>https://blog.csdn.net/sunshineine/article/details/146845870</guid><author>sunshineine</author><pubDate>Mon, 22 Dec 2025 13:59:14 +0800</pubDate><description><![CDATA[本文介绍了SAM（Segment Anything Model）模型的训练流程。主要内容包括：1）数据集预处理，涵盖自定义数据集标注（使用labelme工具）、公开数据集准备以及数据格式转换；2）创建SAM项目，包含代码上传、服务器环境配置（Python 3.8、CUDA 11.8等）和依赖项安装；3）模型训练过程，详细说明了参数配置、损失函数选择（DiceCELoss）、训练循环实现以及结果可视化方法。文章提供了完整的技术实现路径，包括数据预处理、模型训练和结果评估等关键环节，并附有相关参考文章的详细链接]]></description><category></category></item><item><title><![CDATA[服务器中配置虚拟环境]]></title><link>https://blog.csdn.net/sunshineine/article/details/154945490</link><guid>https://blog.csdn.net/sunshineine/article/details/154945490</guid><author>sunshineine</author><pubDate>Mon, 17 Nov 2025 12:54:49 +0800</pubDate><description><![CDATA[从下往上搜索，选择cuda版本大于11.0，小于12.0，cudatoolkit 11.*的cudnn。找到自己想要的cudatoolkit版本后，复制上图中的链接，执行如下代码下载。将requirements.txt文件修改成下面内容后，输入如下命令行。复制上图中的链接，执行以下命令。]]></description><category></category></item><item><title><![CDATA[虚拟环境配置]]></title><link>https://blog.csdn.net/sunshineine/article/details/154134623</link><guid>https://blog.csdn.net/sunshineine/article/details/154134623</guid><author>sunshineine</author><pubDate>Thu, 30 Oct 2025 17:55:18 +0800</pubDate><description><![CDATA[根据该链接下载requirements中相应的torch，torchvision等等  https://download.pytorch.org/whl/torch_stable.html, 例如文件中torch-1.10.2+cu113-cp36-cp36m-win_amd64.whl。下载cuda的官网  https://developer.nvidia.com/cuda-toolkit-archive。根据pytorch版本确定cuda版本，参考 “pytorch对应cuda.png”]]></description><category></category></item><item><title><![CDATA[图像生成、图像分割及目标检测的常用评价指标]]></title><link>https://blog.csdn.net/sunshineine/article/details/148474842</link><guid>https://blog.csdn.net/sunshineine/article/details/148474842</guid><author>sunshineine</author><pubDate>Tue, 10 Jun 2025 01:39:12 +0800</pubDate><description><![CDATA[FID 利用Inception v3 网络对图像提取高层特征（通常是 pool3 层（2048维）），然后将这些特征视为服从高维高斯分布。对于生成图像集和真实图像集，我们分别得到它们在特征空间中的分布：（生成图像特征的均值和协方差）；（真实图像特征的均值和协方差）。然后用 Fréchet 距离（又称 2-Wasserstein 距离） 计算两者的分布差异：第一项是均值的欧式距离，第二项是协方差的距离（矩阵范数）。]]></description><category></category></item></channel></rss>