自定义博客皮肤VIP专享

*博客头图：

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览 取消 提交

自定义博客皮肤

-+
上一步保存

taifyang的博客

  • 博客(520)
  • 资源 (3)
  • 收藏
  • 关注
排序：
按最后发布时间
按访问量
RSS订阅

原创 Jetson Thor测试 Qwen-VLM

摘要：本文介绍了在Jetson Thor上搭建Qwen3-VL-2B-Instruct模型环境的详细步骤。主要包括：1）通过特定源安装PyTorch及相关库；2）解决常见依赖缺失问题（如libnvpl_lapack、libcublas等）；3）提供完整的Python实现代码，展示如何加载多模态视觉语言模型Qwen3VL，并实现物体检测功能。代码包含图像预处理、模型推理、结果解析和可视化模块，特别处理了中文显示问题。文中还给出了各依赖库的官方下载链接和环境变量配置方法。

2026-04-01 09:28:39 388

原创 目标检测+分类模型流水线并行推理

本文实现了一个基于YOLOv5和MobileNet的多线程目标检测与分类流水线系统。该系统通过ONNX Runtime部署模型，支持CPU/GPU加速，主要包含以下功能：1) 使用YOLOv5进行目标检测，通过改进的letterbox预处理和NMS后处理提高检测精度；2) 采用MobileNet对检测到的目标区域进行分类；3) 利用ThreadPoolExecutor实现检测和分类任务的多线程并行处理。系统通过线程锁保证结果一致性，并包含完善的异常处理和模型验证机制。实验表明，该流水线能有效提升处理效率，在

2026-04-01 09:15:07 15

原创 DGCNN模型onnxruntime和tensorrt部署

本文介绍了DGCNN模型在ONNX Runtime和TensorRT两种框架下的部署方法。首先通过修改PyTorch测试代码导出ONNX模型，然后分别实现了ONNX Runtime和TensorRT的推理流程。实验结果表明，两种部署方式都能正确运行并输出预测结果（类别4）。具体步骤包括：1）修改PyTorch测试代码导出ONNX模型；2）编写ONNX Runtime推理脚本；3）使用trtexec工具转换TensorRT引擎；4）实现TensorRT推理代码。该部署方案可用于3D点云分类任务，为边缘计算等场

2026-03-17 19:19:13 166

原创 web网页显示点云

本文介绍了一个基于ThreeJS的PCD点云浏览器可视化项目。通过HTML页面加载PCD文件（示例为pig.pcd），实现3D点云交互式展示。用户可通过鼠标操作（旋转、缩放、平移）和键盘快捷键（调整点大小、改变颜色）与点云交互。技术栈采用ThreeJS配合PCDLoader和TrackballControls插件，通过本地HTTP服务器运行。页面包含操作说明和功能链接，适合PCL点云库学习者使用。

2026-03-17 18:57:18 413

原创 yolo_deepstream测试

本文介绍了在Docker环境下配置和运行YOLOv7模型推理的步骤。首先从GitHub下载yolo_deepstream源代码，并按照指南配置Docker环境。在编译过程中遇到了问题，通过修改Makefile中的编译参数（包括CUDA路径和依赖库）得以解决。接着下载YOLOv7模型文件，并修改配置文件以适配该模型。最后运行deepstream-app命令启动推理，成功加载模型并生成引擎文件。日志显示模型加载成功，并输出了引擎的层信息。整个过程涉及环境配置、编译调试和模型部署等关键环节。

2026-03-02 10:41:05 196

原创 OpenCV进入源码调试

本文介绍了如何编译OpenCV源码并进行调试。首先从GitHub获取OpenCV源码，使用CMake和VS进行Debug模式编译。然后创建VS测试项目，编写简单的图像处理程序。重点说明了如何配置项目属性表以链接OpenCV库，并通过在关键代码行设置断点实现源码级调试。文中配有配置截图，展示了如何进入OpenCV内部函数进行逐语句调试的方法。

2026-03-02 10:09:47 41

原创 OpenMMlab导出CenterPoint模型并用onnxruntime推理

【代码】OpenMMlab导出CenterPoint模型并用onnxruntime推理。

2026-02-26 11:19:05 37

原创 OpenMMlab导出VisionTransformer模型并用onnxruntime推理

本文介绍了如何使用MMDeploy工具将Vision Transformer模型导出为ONNX格式并进行推理。首先通过torch2onnxAPI将PyTorch模型转换为ONNX模型，然后使用ONNXRuntime进行推理。推理过程包括图像预处理（尺寸调整、中心裁剪、归一化等），最后通过ONNX模型预测类别。代码示例展示了完整的导出和推理流程，包括模型转换、图像处理以及推理执行步骤。

2026-02-26 09:12:27 153

原创 PointMLP分类模型tensorrt部署

本文介绍了PointMLP模型的部署流程。首先配置环境并训练模型，然后导出ONNX模型并处理自定义算子。最后使用TensorRT 10进行推理测试，验证了模型在测试数据上的分类效果。整个过程涵盖了从模型训练到推理部署的关键步骤，展示了PointMLP模型在实际应用中的可行性。

2026-02-04 14:56:40 356

原创 docker-desktop安装测试DeepStream

摘要 本文介绍了在Windows系统下搭建DeepStream 8.0开发环境的详细步骤。通过Docker容器部署NVIDIA官方镜像，配置图形界面和SSH服务，并测试Python SDK的运行。重点包括：1) 容器创建与GPU支持配置；2) 图形界面安装；3) Python环境搭建与依赖安装；4) 运行测试样例验证环境。测试结果显示系统能正确识别视频中的车辆和行人目标，证实环境配置成功。该方案适用于Win10/Win11系统，为DeepStream应用开发提供了便捷的本地测试环境。

2026-02-04 10:40:22 238

原创 fastsam3d部署

摘要：本文提出将原始SAM3D中的SAM模型替换为FastSAM模型，构建FastSAM3D系统，并通过ONNXRuntime或TensorRT框架部署以提升推理速度。代码实现了基于FastSAM的图像分割、点云处理和3D重建流程，包括ONNX模型推理、深度图与彩色图对齐、点云坐标转换及分组处理等功能。该系统通过优化后的模型架构和部署方案，显著提高了3D场景理解任务的执行效率。

2026-01-28 09:08:40 343

原创 yolo目标检测线程池高性能视频tensorrt推理（每秒1400帧）

本文介绍了基于TensorRT的YOLOv5目标检测推理框架实现。主要包括以下几个核心模块： 日志系统(Logger)：实现了TensorRT的ILogger接口，提供不同级别的彩色日志输出功能 图像预处理(Preprocess)： 实现了LetterBox函数，用于保持图像比例的同时进行缩放和填充 支持CPU和GPU两种预处理方式(通过USE_CUDA宏控制) YOLOv5推理框架： 封装了TensorRT的运行时环境 管理输入输出内存(主机端和设备端) 提供模型加载和推理接口 包含预处理、推理、后处理完

2026-01-28 09:02:21 488

原创 sam3d环境搭建和运行

本文介绍了SegmentAnything3D（SAM3D）的环境搭建、数据准备和测试运行流程。首先通过conda创建Python 3.8环境，安装PyTorch、Segment-Anything等依赖库。然后下载ScanNet数据集并预处理点云和RGB数据。测试运行阶段使用预训练模型生成3D分割结果，并通过可视化代码展示分割效果。整个过程涵盖了从环境配置到结果可视化的完整流程，为3D场景分割任务提供了实践指南。

2026-01-16 09:40:26 332 10

原创 yolo26目标检测尝鲜测试

摘要：本文介绍了如何配置Ultralytics YOLOv8.4.2环境并进行模型训练和推理。首先从GitHub下载官方代码，安装指定版本的PyTorch和依赖项。环境配置完成后，通过Python脚本加载预训练的YOLO26n模型，展示模型信息，并在COCO8数据集上进行100个epoch的训练。最后使用训练好的模型对示例图像"bus.jpg"进行目标检测推理并可视化结果。整个流程涵盖了从环境搭建到模型训练和测试的完整步骤。

2026-01-16 00:01:12 396

原创 C++打包成动态库给python调用

本文介绍了如何将YOLOv5模型推理功能封装为C++动态库。通过定义common.h/cpp和yolo.h/cpp文件，实现了TensorRT引擎的初始化、图像预处理（LetterBox处理）、推理执行和结果处理等功能。重点展示了如何用extern "C"导出函数接口，避免C++名称修饰问题，使动态库能被其他语言调用。封装内容包括：模型加载、CUDA流创建、输入输出内存管理以及推理结果处理等核心功能。该实现支持跨语言调用，可作为深度学习模型部署的通用解决方案。

2026-01-14 11:09:24 294

原创 C++和python程序之间通信

本文展示了C++与Python程序间通过共享内存实现图像数据传输的两种方式。第一种是C++发送数据给Python，使用Boost.Interprocess创建共享内存，存储图像信息(宽、高、通道数)和像素数据；Python端通过multiprocessing.shared_memory读取并重构图像。第二种是Python发送数据给C++，Python创建共享内存并写入图像信息，C++读取后转换为OpenCV Mat格式。两种方法都实现了跨语言的高效图像数据传输，代码中包含错误处理和资源清理机制。

2026-01-14 08:57:11 249

原创 通用多相机多线程采图框架

本文实现了一个通用的相机采集框架，包含抽象基类BaseCamera和USB相机实现USBCamera。BaseCamera定义了相机初始化、图像采集、线程管理等通用接口，采用生产者-消费者模式，通过线程安全队列缓存图像数据。USBCamera继承BaseCamera，基于OpenCV实现具体功能，支持设置分辨率、帧率等参数。框架采用多线程设计，主线程通过get_frame()获取图像，采集线程持续捕获帧数据并存入队列，当队列满时自动丢弃旧帧。该设计实现了硬件控制与图像处理的解耦，支持多相机并行采集，确保系统

2026-01-05 12:57:26 315

原创 cuda-kdtree实现的icp算法（40w点耗时1ms）

本文对比了自实现ICP算法与PCL库ICP算法的性能差异。测试结果显示，在处理bunny点云数据时，自实现ICP耗时0.76ms，PCL耗时1.47ms；处理table_scene点云时，自实现耗时1.14ms，PCL耗时62.68ms。两种算法均能正确收敛，但自实现ICP在小规模数据上更快，而PCL在大规模数据上性能下降明显。两种算法输出的变换矩阵结果基本一致，验证了自实现ICP的正确性。完整工程已提供下载。

2026-01-05 11:31:29 355

原创 yolo tensorrt视频流检测软解码和硬解码

链接: https://pan.baidu.com/s/15EDzhLEWywpcelyKDEUkAw 提取码: btae 复制这段内容后打开百度网盘手机App，操作更方便哦。–来自百度网盘超级会员v7的分享。

2026-01-03 21:06:18 460

原创 sam3模型onnxruntime和tensorrt推理

本文介绍了ONNX模型推理流程及预处理方法，主要包括两部分内容：1) 图像预处理模块(image_preprocess.py)实现了图像尺寸调整、归一化和维度转换；2) 简化版CLIP BPE分词器(SimpleCLIPBPETokenizer)实现了从vocab.json和merges.txt加载词表，包含bytes转unicode映射、BPE编码和正则分词功能。其中图像预处理将输入调整为1008×1008分辨率并转换为模型所需格式，分词器则提供文本编码功能，支持特殊token处理。整个流程为ONNX模型

2026-01-03 20:46:58 775 1

原创 openvino同步和异步推理

摘要：本文介绍了两种OpenVINO推理方式：同步推理和异步推理。同步推理会阻塞主线程直到推理完成，适合单任务场景；异步推理在后台执行，提高吞吐量，适合实时应用。代码示例展示了YOLOv8模型的加载、预处理、推理结果处理流程，并比较了两种方式的性能差异（同步FPS 27.90）。异步推理通过AsyncInferQueue实现多请求并发处理，提升效率。

2025-12-02 08:23:43 411

原创 模型流水线推理

摘要 本文展示了流水线并行处理技术在Python中的实现。通过串行和并行两种方式对比处理数据，并行版本采用多线程和队列实现任务分解与流水线执行。在示例中，串行处理每个数据需要1秒，而并行处理首数据1秒后，后续数据仅需0.5秒，效率提升显著。随后将流水线技术应用于图像推理任务，构建了包含图像加载、预处理和模型推理的三阶段处理流程。测试表明，流水线并行能有效提高处理效率，特别适合计算密集型任务的批处理场景。

2025-12-02 08:06:20 307

原创 tensorrt自定义fp16插件

本文介绍了如何在PyTorch自定义算子基础上编写支持FP16的TensorRT插件。主要内容包括： 自定义PyTorch模型导出ONNX模型，包含自定义算子的实现和属性设置 TensorRT插件开发，实现了IPluginV2DynamicExt接口，支持FP16推理 插件包含两个构造函数，分别用于引擎构建和推理阶段 实现了必要的插件方法如序列化、反序列化、格式支持检查等 提供了FP16和FP32两种精度的CUDA核函数实现 该方案展示了将自定义PyTorch算子高效转换为TensorRT插件的过程，支持F

2025-12-01 08:55:27 1023

原创 tensorrt自定义算子编写的两种方法

本文介绍了如何在PyTorch中导出包含SVD运算的ONNX模型，并为其开发TensorRT插件。主要内容包括： 在PyTorch中定义包含torch.svd的模型，并注册自定义符号函数以支持ONNX导出，注意处理ONNX SVD算子与PyTorch的返回值差异。 导出ONNX模型的结构展示，包含输入和三个输出(U, S, V)。 开发TensorRT插件流程： 下载TensorRT 10.6.0.26库和源码 创建svdPlugin插件类，继承IPluginV2DynamicExt接口 实现插件核心功能，

2025-12-01 08:29:25 868

原创 模型部署在docker中对外提供服务

本文实现了一个基于Flask的图像分类API服务，使用MobileNetV2模型进行图像识别。主要功能包括：1) 提供数值处理接口；2) 实现图片分类功能，返回Top3预测结果；3) 通过Docker容器化部署。项目结构包含Flask主程序、依赖文件和Docker配置，支持两种请求方式：处理数值数组（/predict）和图片分类（/classify）。测试表明，系统能正确识别公交车图像并返回概率分布，数值处理功能也正常运行。该服务通过Docker部署在9201端口，调用方可通过HTTP请求获取预测结果。

2025-11-16 22:10:55 225

原创 open3d使用gpu加速icp

本文展示了使用Open3D库实现多尺度ICP配准的方法。通过源点云和目标点云("cloud_bin_0.pcd"和"cloud_bin_1.pcd")，设置不同体素大小、收敛准则和最大对应距离进行多尺度ICP配准。程序分别在CPU和CUDA设备上运行，记录运行时间和配准精度(fitness和inlier RMSE)。结果显示，迭代过程中fitness从64.02%提升至80.06%，RMSE从0.1435降至0.1089。该方法可有效实现点云配准，并支持性能分析和参数

2025-11-16 22:09:35 485

原创 FastSAM模型onnxruntime和tensorrt部署

本文介绍了FastSAM模型在ONNXRuntime和TensorRT框架下的部署方法。首先展示了如何将PyTorch模型导出为ONNX格式，并提供了ONNXRuntime的完整推理脚本，包括图像预处理、模型推理、后处理（NMS、掩膜处理）和结果可视化。然后简要提及了TensorRT的部署方案，虽未提供完整代码，但表明可通过类似流程实现。两种部署方式均支持目标检测和实例分割任务，能够处理输入图像的尺寸变换、预测框解码、置信度过滤、非极大值抑制等关键步骤，最终输出带有类别、分数和掩膜的可视化结果。

2025-11-10 08:42:51 270 3

原创 模仿学习模型idp3部署

本文介绍了将IDP3模型转换为ONNX格式并进行推理的完整流程。首先通过GitHub下载Improved-3D-Diffusion-Policy代码，编写ONNX导出脚本加载预训练模型并导出ONNX格式。随后分别给出了ONNX Runtime和TensorRT两种推理实现方案：ONNX推理脚本展示了如何使用onnxruntime进行模型推理，而TensorRT脚本则通过trtexec工具将ONNX转换为TensorRT引擎，并提供了完整的CUDA加速推理示例。文中还包含了用于TensorRT缓冲区和流管理的

2025-11-10 08:07:27 385

原创 lerobot框架部署diffusion policy模型

文章摘要：该代码实现了一个基于扩散策略的机器人动作生成模型，主要修改了src/lerobot/policies/diffusion/modeling_diffusion.py文件。核心功能包括： 实现Diffusion Policy算法，通过动作扩散学习视觉运动策略 包含输入/输出数据的归一化和反归一化处理 使用队列缓存历史观测数据和动作轨迹 提供动作预测方法predict_action_chunk和动作选择方法select_action 支持图像和环境状态特征处理 包含模型重置功能，用于环境重置时清空缓存

2025-11-02 22:10:25 683

原创 lerobot框架部署act模型

摘要 本文介绍了Action Chunking Transformer (ACT)模型的关键实现细节，该模型用于细粒度双手机器人操作。主要修改包括： 在src/lerobot/policies/act/modeling_act.py文件中实现了ACTPolicy类，继承自PreTrainedPolicy 提供了模型初始化、优化参数获取、动作选择等功能 实现了reset()方法用于环境重置时清除动作队列 包含select_action()方法处理单个动作选择，通过动作队列管理实现高效执行 支持时间集成(tem

2025-11-02 22:09:39 667

原创 DEIMv2模型onnxruntime和tensorrt部署

文章摘要：本文介绍了DEIMv2模型在ONNX Runtime和TensorRT两种环境下的部署方法。通过Python代码示例演示了图像预处理、模型推理和后处理流程，包括保持宽高比的图像缩放、边界框调整和结果可视化。两种部署方式都支持目标检测任务，能够处理输入图像并输出检测框、类别和置信度分数。ONNX Runtime使用CPU执行，而TensorRT则利用CUDA加速，展示了深度学习模型在不同推理引擎上的实现方式。

2025-10-24 08:55:12 587 1

原创 DEIM模型onnxruntime和tensorrt部署

本文展示了DEIM模型在ONNX Runtime和TensorRT两种框架下的部署实现。两种方案都包含图像预处理、模型推理和后处理三个主要步骤。预处理部分采用resize_with_aspect_ratio函数保持图像宽高比并进行填充，推理部分分别使用ONNX Runtime和TensorRT加载模型执行预测，后处理通过draw函数绘制检测框和类别标签。两种方案的核心区别在于：ONNX Runtime使用CPU执行，而TensorRT通过CUDA引擎实现GPU加速。代码提供了完整的端到端部署流程，从图像加载

2025-10-24 08:31:45 249

原创 DINOv3分类网络onnxruntime和tensorrt部署

本文介绍了DINOv3视觉模型的三种部署方式：PyTorch推理、ONNX Runtime部署和TensorRT部署。在PyTorch部分，详细展示了模型加载、图像预处理和推理过程，并提供了将模型导出为ONNX格式的代码。ONNX Runtime部分说明了如何加载ONNX模型并进行推理，包括图像预处理和推理执行步骤。TensorRT部署部分则着重介绍了显存需求（约30GB）和推理流程，包括引擎加载、缓冲区分配和推理执行。三种方式均提供了完整的代码示例，涵盖了从图像预处理到最终推理输出的完整流程。

2025-10-20 20:38:48 763

原创 DINOv2分类网络onnxruntime和tensorrt部署

DINOv2模型部署指南：提供ONNX Runtime和TensorRT两种部署方式。首先从GitHub下载DINOv2源码，通过PyTorch导出ONNX模型（输入尺寸700x700）。ONNX模型结构包含多层Transformer模块。ONNX Runtime部署时需进行图像预处理（归一化、标准化），TensorRT部署需转换引擎文件并使用CUDA加速。两种方式最终输出分类结果，通过argmax获取预测类别。包含完整的预处理流程和推理代码示例，支持CPU和GPU加速。

2025-10-20 20:12:44 372 1

原创 DINO分类网络onnxruntime和tensorrt部署

本文介绍了DINO模型的两种部署方式：ONNX Runtime和TensorRT。首先展示了PyTorch推理和ONNX模型导出的代码，包括图像预处理、模型构建和权重加载。接着分别给出ONNX Runtime和TensorRT的推理脚本，详细说明图像预处理流程和推理步骤。两种部署方式都能正确识别测试图像中的公交车（类别636）。代码包含完整的预处理、模型加载和推理过程，适用于计算机视觉任务的模型部署实践。

2025-10-15 20:34:50 421

原创 point-transformer模型tensorrt推理部署

本文介绍了对Point-Transformer代码库的修改方案，主要涉及CUDA和PyTorch版本兼容性问题以及ONNX模型导出优化。首先需要将多个CUDA源文件中的THC头文件引用替换为ATen库引用，包括aggregation、grouping等核心模块。其次针对ONNX模型导出，重点修改了sampling模块的三个关键文件：重新实现了采样内核头文件，更新了CUDA接口实现，并优化了采样内核计算逻辑。这些修改确保了代码能够适配较新的CUDA和PyTorch版本，同时支持高效的ONNX模型导出。

2025-10-15 19:55:10 817

原创 knnQuery自定义tensorrt算子编写

本文介绍了如何将点云KNN查询操作导出为ONNX模型并转换为TensorRT插件。首先通过PyTorch定义了一个包含pointops.knnquery运算的模型，并导出为ONNX格式。然后详细描述了TensorRT插件的实现过程，包括创建knnQuery.h头文件和knnQuery.cpp源文件，其中定义了插件类knnQuery及其creator类，实现了必要的接口如初始化、执行、序列化等功能。该插件能够处理动态输入维度，支持CUDA加速计算，最终将点云KNN查询操作高效部署到TensorRT推理引擎中。

2025-10-12 10:33:42 603

原创 furthestSampling自定义tensorrt算子编写

本文介绍了如何将点云采样算法转换为TensorRT插件，主要包含两个部分：(1) 使用PyTorch导出ONNX模型；(2) 编写TensorRT插件实现。首先通过Python代码定义自定义模型并导出为ONNX格式，然后详细展示了C++实现的TensorRT插件类结构，包括插件初始化、维度计算、执行逻辑等核心功能。该方案使用TensorRT 10.6.0.26版本，通过封装CUDA核函数实现高效的点云最远点采样，适用于深度学习推理加速场景。

2025-10-12 10:21:41 492

原创 pointconv模型onnxruntime和tensorrt部署

本文介绍了PointConv模型的部署方法，包括ONNX Runtime和TensorRT两种方式。首先从GitHub下载源代码并自行训练模型。ONNX部署部分展示了如何将PyTorch模型导出为ONNX格式，并提供了Python推理脚本。TensorRT部署部分说明了如何将ONNX模型转换为TensorRT引擎，并给出了对应的推理代码示例。两种部署方法都支持动态批量处理，并提供了从预处理到模型推理的完整流程，适用于3D点云分类任务。

2025-10-08 10:58:38 310

原创 onnx模型和tensorrt模型的量化标定

ONNX和TensorRT模型量化工具对比 ONNX模型量化： 提供动态量化功能，支持权重和激活值的INT8量化 包含模型验证、量化执行和模型比较完整流程 主要功能包括： 动态量化模型权重 比较量化前后模型输出差异 计算模型大小压缩比例 使用onnxruntime量化接口实现 TensorRT模型量化： 基于INT8熵校准器实现 使用CUDA进行数据预处理和传输 支持校准缓存文件的读写 主要功能包括： 批处理数据准备 数据从主机到设备的内存拷贝 校准缓存管理 两种量化方法都旨在优化模型推理性能，但实现方式不

2025-10-08 09:05:31 268

vtk7.0.0-msvc2015-qt5.9.1-win64
vtk7.0.0-msvc2015-qt5.9.1-win64编译包 编译了vtk的qt插件QVTKWidgetPlugin，可以和pcl1.8.0配套使用，替换pcl自带vtk库即可 release x64模式下使用 vtkalglib-7.0.lib vtkChartsCore-7.0.lib vtkCommonColor-7.0.lib vtkCommonComputationalGeometry-7.0.lib vtkCommonCore-7.0.lib vtkCommonDataModel-7.0.lib vtkCommonExecutionModel-7.0.lib vtkCommonMath-7.0.lib vtkCommonMisc-7.0.lib vtkCommonSystem-7.0.lib vtkCommonTransforms-7.0.lib vtkDICOMParser-7.0.lib vtkDomainsChemistry-7.0.lib vtkDomainsChemistryOpenGL2-7.0.lib vtkexoIIc-7.0.lib ......

2024-11-29

vtk9.1.0-msvc2019-qt5.14.2-win64编译包
vtk9.1.0-msvc2019-qt5.14.2-win64编译包 编译了vtk的qt插件，可以和pcl1.12.1配套使用，替换pcl自带vtk库即可 release x64模式下使用 vtkcgns-9.1.lib vtkChartsCore-9.1.lib vtkCommonColor-9.1.lib vtkCommonComputationalGeometry-9.1.lib vtkCommonCore-9.1.lib vtkCommonDataModel-9.1.lib vtkCommonExecutionModel-9.1.lib vtkCommonMath-9.1.lib vtkCommonMisc-9.1.lib vtkCommonSystem-9.1.lib vtkCommonTransforms-9.1.lib vtkDICOMParser-9.1.lib vtkDomainsChemistry-9.1.lib vtkDomainsChemistryOpenGL2-9.1.lib vtkdoubleconversion-9.1.lib ......

2024-10-18

yolov5-v7.0网络分类、检测和分割OpenCV C++部署demo
yolov5-v7.0网络分类、检测和分割OpenCV C++部署demo 对应https://blog.csdn.net/taifyang/article/details/128894598?spm=1001.2014.3001.5502

2024-11-23

VS2019+CUDA11.1 Release x64编译的OpenCV4.5.5（带CUDA和contrib模块）
OpenCV（开源计算机视觉库）是一个广泛应用于图像处理和计算机视觉领域的强大工具，它提供了丰富的函数库，可以处理从图像读取、处理到物体识别等一系列任务。CUDA（Compute Unified Device Architecture）是NVIDIA公司推出的一种并行计算平台，能够利用GPU进行高性能计算。将OpenCV与CUDA结合，能够充分利用GPU的并行计算能力，显著提升处理速度。 在本项目中，标题"VS2019+CUDA11.1 Release x64编译的OpenCV4.5.5（带CUDA和contrib模块）"表示使用了Visual Studio 2019作为集成开发环境，CUDA 11.1作为硬件加速平台，以x64架构为目标平台，编译了OpenCV的4.5.5版本，并且包含了CUDA支持以及额外的“contrib”模块。

2024-11-23

中心线提取-GPU加速
在IT领域，中心线提取是一种图像处理技术，用于找出图像中的线条或骨架，常用于图像分析、模式识别和机器视觉应用。在这个特定的项目中，"中心线提取-GPU加速"意味着开发人员利用GPU（图形处理器）的强大计算能力来加速这一过程，提高效率。 OpenCV（开源计算机视觉库）是C++的一个关键库，它提供了丰富的图像处理和计算机视觉功能。在这个项目中，OpenCV可能被用来读取、处理和显示图像，同时提供实现中心线提取算法的接口。OpenCV有一个名为`thin`的函数，它可以用于提取图像的骨架，这可能是实现中心线提取的核心部分。 CUDA（Compute Unified Device Architecture）是NVIDIA提供的并行计算平台和编程模型，允许开发者使用C++直接编程GPU，以执行通用计算任务。在“中心线提取-GPU加速”项目中，CUDA将用于将计算密集型的中心线提取算法转移到GPU上执行，利用其并行处理能力，从而大幅度提高运算速度。

2024-11-23

texture mapping纹理贴图
纹理贴图是计算机图形学中的一个关键概念，用于在三维模型上赋予颜色和细节，使其看起来更加真实。在“纹理映射”（texture mapping）的过程中，我们通常将二维图像（纹理）应用到三维物体的表面，使物体在渲染时呈现出丰富的视觉效果。这种技术广泛应用于游戏开发、电影特效、建筑设计等领域。 在给定的场景中，涉及到的是三维重建的纹理贴图。三维重建是通过多视角图像数据来恢复三维物体形状的过程。这通常需要一个PLY网格模型，它是一种用于存储三维几何数据的文件格式，包含了顶点、面和颜色信息。同时，还需要由多个摄像机拍摄的图片，这些图片可以从不同角度捕捉物体的外观。摄像机的内外参数是这个过程中的重要组成部分，内参包括焦距、主点坐标等，外参则涉及相机在空间中的位置和姿态。 在这个特定的项目中，有两个主要的工具被提及：PCL（Point Cloud Library）和OpenMVS。

2024-11-23

ICP算法加速优化-多线程和GPU
ICP算法加速优化--多线程和GPU 已成功编译配置： Windows10下环境配置：cmake3.23.3+VS2019+CUDA11.1+PCL1.12.1 对应博文https://blog.csdn.net/taifyang/article/details/128042532

2024-11-20

Open3D-v0.17.0-cuda11.1-msvc2019-win64.zip
Open3D-v0.17.0-cuda11.1-msvc2019-win64.zip编译包 Open3D.lib Open3D_3rdparty_assimp.lib Open3D_3rdparty_blas_mkl_core.lib Open3D_3rdparty_blas_mkl_intel_ilp64.lib Open3D_3rdparty_blas_mkl_sequential.lib Open3D_3rdparty_blas_mkl_tbb_thread.lib Open3D_3rdparty_blas_tbb_static.lib Open3D_3rdparty_civetweb_civetweb-cpp.lib Open3D_3rdparty_civetweb_civetweb.lib Open3D_3rdparty_curl.lib Open3D_3rdparty_embree_embree3.lib Open3D_3rdparty_embree_embree_avx.lib Open3D_3rdparty_embree_embree_avx2.lib ......

2024-11-06

open3d-0.15.2-cp38-cp38-win-amd64.whl
open3d-0.15.2-cp38-cp38-win_amd64.whl open3d cuda的python包 import open3d as o3d print(o3d.cuda.Device().is_cuda_available() )# 检查是否支持CUDA

2024-11-06

opencv4.10.0-cuda12.5.0-cudnn9.2.0-msvc2022-win64编译包
opencv4.10.0-cuda12.5.0-cudnn9.2.0-msvc2022-win64编译包 包括debug和release模式 opencv_cudaarithm4100.lib opencv_cudaarithm4100d.lib opencv_cudabgsegm4100.lib opencv_cudabgsegm4100d.lib opencv_cudacodec4100.lib opencv_cudacodec4100d.lib opencv_cudafeatures2d4100.lib opencv_cudafeatures2d4100d.lib opencv_cudafilters4100.lib opencv_cudafilters4100d.lib opencv_cudaimgproc4100.lib opencv_cudaimgproc4100d.lib opencv_cudalegacy4100.lib opencv_cudalegacy4100d.lib opencv_cudaobjdetect4100.lib ......

2024-10-23

opencv4.10.0-cuda12.5.0-cudnn9.2.0-python3.10.15编译包
opencv4.10.0-cuda12.5.0-cudnn9.2.0-python3.10.15编译包，拷贝到conda的envs环境下解压，修改cv2cuda\Lib\site-packages\cv2文件夹下config.py和config-3.10.py中的相关路径即可用。 其中config.py的第一个路径需依赖opencv4.10.0-cuda12.5.0-cudnn9.2.0-msvc2022-win64编译包 （https://download.csdn.net/download/taifyang/89916302）

2024-10-23

opencv4.9.0-cuda11.1-cudnn8.0.4-msvc2019-win64编译包
opencv4.9.0-cuda11.1-cudnn8.0.4-msvc2019-win64编译包 包括CUDA和contrib模块，在release x64模式下使用 ....... opencv_cudaarithm490.lib opencv_cudabgsegm490.lib opencv_cudacodec490.lib opencv_cudafeatures2d490.lib opencv_cudafilters490.lib opencv_cudaimgproc490.lib opencv_cudalegacy490.lib opencv_cudaobjdetect490.lib opencv_cudaoptflow490.lib opencv_cudastereo490.lib opencv_cudawarping490.lib opencv_cudev490.lib opencv_datasets490.lib opencv_dnn490.lib opencv_dnn_objdetect490.lib opencv_dnn_superres490.lib ......

2024-10-08

pcl1.12.0-cuda11.1-cudnn8.0.4-msvc2019-win64编译包
pcl1.12.0-cuda11.1-cudnn8.0.4-msvc2019-win64编译包 pcl gpu加速 需要安装cuda11.1和pcl1.12.0的3rdparty 在release x64模式下使用 pcl_common.lib pcl_cuda_features.lib pcl_cuda_sample_consensus.lib pcl_cuda_segmentation.lib pcl_features.lib pcl_filters.lib pcl_gpu_containers.lib pcl_gpu_features.lib pcl_gpu_octree.lib pcl_gpu_people.lib pcl_gpu_segmentation.lib pcl_gpu_surface.lib pcl_gpu_tracking.lib pcl_gpu_utils.lib pcl_io.lib pcl_io_ply.lib pcl_kdtree.lib pcl_keypoints.lib pcl_ml.lib pcl_octree.lib .......

2024-10-18

QOpenGLWidget显示点云
纯Qt实现使用QOpenGLWidget显示点云源代码和测试点云文件，无需借助PCL、VTK、Open3d等第三方库。

2024-10-08

两百行C++代码实现yolov5车辆计数部署
两百行C++代码实现yolov5车辆计数部署（通俗易懂版） 对应文章https://blog.csdn.net/taifyang/article/details/128264192?spm=1001.2014.3001.5502

2024-06-10

pyqt界面 计算树木las点云的树高、胸径、地径和冠幅面积
pyqt界面 计算树木las点云的树高、胸径、地径和冠幅面积 包含注释详细源代码和las点云数据，以及使用说明 # python >= 3.8 # Installtion: pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple # Usage: python main.py

2024-06-01

点云裁剪界面qt+pcl+vtk
点云裁剪界面 环境：qt5.14.2+vs2019+pcl1.12.1+vtk9.1 功能：用鼠标画任意多边形对区域的点云进行裁剪，并可以保存裁剪后的点云；裁剪中途错了可以重新加载点云；支持裁剪区域内部或者外部的点云；对点云按坐标值按不同颜色渲染；可视化单个或者多个点云。 有相关问题可以在评论区留言或者私信我，正常48小时内必定回复。

2024-05-27

深度相机和彩色相机对齐
对应博文https://blog.csdn.net/taifyang/article/details/131030025

2024-01-15

人体点云数据及分割标注
人体点云数据及其分割标注（分为头、手臂、肚子以及腿四个部分）txt格式。

2024-01-15

yolov5n模型权重
yolov5n模型权重（torchscript，onnx，openvino，tensorrt）

2023-11-26

orb slam+orb slam2+orb slam3 配好环境的虚拟机
orb slam+orb slam2+orb slam3 配好环境的虚拟机 orb slam1～3的工程在home目录下，所有程序成功编译并经过测试，包括example和ROS example。 虚拟机系统为Ubuntu16.04，需安装VMware17导入即可使用，开机密码是一个空格。 直接拍下即可，发货网盘链接(压缩大小约10g，解压大小20g)。 虚拟物品，售出不退，环境外其他问题不提供技术支持。 orb slam3测试命令： ./Examples/Monocular/mono_euroc ./Vocabulary/ORBvoc.txt ./Examples/Monocular/EuRoC.yaml ~/dataset/MH01 ./Examples/Monocular/EuRoC_TimeStamps/MH01.txt

2026-02-21

slam14讲配好环境的虚拟机
slam14讲配好环境的虚拟机 Ubuntu18.04系统，需要安装VMware17，直接导入可使用，开机密码是一个空格。 直接拍下即可，百度网盘链接(压缩包大小8g，解压大小20g)。虚拟物品，发出不退。 代码在home目录下，所有可执行程序已编译完成。环境外其他问题不提供技术支持。

2026-02-21

pcl+vtk+qt环境配好的win10虚拟机
pcl+vtk+qt环境配好的win10虚拟机 配置1:vs2015+qt5.9.1+pcl1.8.0+vtk7.0.0 配置2:vs2019+qt5.14.2+pcl1.12.1+vtk9.1.0 虚拟机大小约15g，解压占空间40g，拍下发百度网盘链接，导入VMware17可直接使用。虚拟机桌面上有图中可运行demo。

2026-02-21

openmvg＋openmvs配好的虚拟机环境
openmvg＋openmvs配好的虚拟机环境 openmvg＋openmvs源码编译配好的虚拟机环境，可以直接运行图片中的三维重建demo或者调试，桌面上有运行步骤说明文件。 需要安装VMware17,虚拟机可选系统Windows10(压缩大小23g解压大小80g)或Ubuntu20.04(压缩大小7g解压大小20g)，直接拍下即可，发货为百度网盘链接。虚拟物品，售出不退。环境外其他问题不提供技术支持。

2026-02-21

pcl+vtk+qt在线一键安装工具
pcl+vtk+qt在线一键安装工具 自己做的小程序，自动在线下载编译、配置环境变量，支持pcl+vtk+qt多版本，在pcl_visualizer文件夹下有qt5/qt6兼容的demo。使用时需先安装好vs和qt，保证网络畅通，并确保没有安装过其他版本的pcl和vtk。以管理员身份运行安装包中的exe文件，遇到弹窗全选默认选项即可安装完成。

2026-02-21

线激光网课相关视频和代码
1.1绪论 1.2线结构光三维重建现状 1.3四大坐标系及转换关系 1.4单目线结构光三维扫描系统数学模型及原理推导 1.5课程实验配套硬件组装、系统扫描流程 1.6课程所需软件安装、环境搭建 2.1单目标定意义 2.2单目标定原理 2.3单目位移方向标定 2.4代码实战：单目圆点标定及代码讲解（C++） 2.5代码实战：单目位移台标定及代码讲解（C++) 3.1Steger算法提取中心线 3.2灰度重心法提取中心线 3.3代码实战：两种中心线提取算法（C++） 4.1知识回顾 4.2光平面标定 4.3代码实战1：光平面标定实战（C++） 4.4代码实战2：全流程单目线结构光三维重建实战及代码讲解（C++） 5.1双目标定意义 5.2双目标定原理 5.3代码实战：双目圆点标定及代码讲解（C++） 6.1双目三维重建原理推导 6.2代码实战：双目单点三维重建实战及代码（C++讲解) 7.1双目线结构光三维重建流程 7.2代码实战：全流程双目线结构光三维重建实战（C++）

2026-02-15

yolo目标检测线程池高性能视频tensorrt推理（每秒1400帧）代码
yolo目标检测线程池高性能视频tensorrt推理（每秒1400帧） Using nvcodec avformat_open_input success avformat_find_stream_info success av_hwdevice_ctx_create success avcodec_find_decoder_by_name success avcodec_alloc_context3 success avcodec_parameters_to_context success [h264_cuvid @ 0x7292ccd83dc0] Invalid pkt_timebase, passing timestamps as-is. avcodec_open2 success av_frame_alloc success NV12 帧参数校验完成（全局生效）： 宽=1280 高=720 Y行步长=1536 FPS:995.006958 FPS:1402.666138 FPS:1401.745361 FPS:1397.949707 FPS:1396.142700 FPS:1400.215820 FPS:1397.886841 FPS:1395.608521 FPS:1404.317505 FPS:1399.883911 FPS:1401.903687 FPS:1399.732666 FPS:1401.914551 FPS:1401.559082 FPS:1397.706421 FPS:1399.470947 FPS:1401.383423 FPS:1397.094604 FPS:1401.063965 FPS:1400.266235 FPS:1398.696411 FPS:1395.996338

2026-01-30

yolov5 rk3588视频线程池推理190+FPS代码
yolov5 rk3588视频推理190+FPS代码 # 设置最低版本号 cmake_minimum_required(VERSION 3.11 FATAL_ERROR) # 设置项目名称 project(rk3588-demo VERSION 0.0.1 LANGUAGES CXX) # 输出系统信息 message(STATUS "System: ${CMAKE_SYSTEM_NAME} ${CMAKE_SYSTEM_VERSION}") # 设置编译器 set(CMAKE_CXX_STANDARD 14) set(CMAKE_CXX_STANDARD_REQUIRED ON) # 设置库架构 set(LIB_ARCH "aarch64") set(DEVICE_NAME "RK3588") # rknn_api 文件夹路径 set(RKNN_API_PATH ${CMAKE_CURRENT_SOURCE_DIR}/librknn_api) # rknn_api include 路径 set(RKNN_API_INCLUDE_PATH ${RKNN_API_PATH}/include) # rknn_api lib 路径 set(RKNN_API_LIB_PATH ${RKNN_API_PATH}/${LIB_ARCH}/librknnrt.so) # 寻找OpenCV库，使用自定义的OpenCV_DIR set(3RDPARTY_PATH ${CMAKE_CURRENT_SOURCE_DIR}/3rdparty) set(RGA_DIR ${3RDPARTY_PATH}/rga/${DEVICE_NAME}) set(RGA_LIB ${RGA_DIR}/lib/Linux/${LIB_ARCH}/librga.so) # set(OpenCV_DI

2026-01-27

opencv4.10.0 Windows .cache包
dbb095a8bf3008e91edbbf45d8d34885-v0.1.2d.zip 7505c44ca4eb54b4ab1e4777cb96ac05-face_landmark_model.dat 8862c87496e2e8c375965e1277dee1c7-ffmpeg_version.cmake bdfbd1efb295f3e54c07d2cb7a843bf9-opencv_videoio_ffmpeg.dll bfef029900f788480a363d6dc05c4f0e-opencv_videoio_ffmpeg_64.dll 59d154bf54a1e3eea20d7248f81a2a8e-ippicv_2021.11.0_win_intel64_20240201_general.zip a73cd48b18dcc0cc8933b30796074191-edb50da3cf849840d680249aa6dbef248ebce2ca.zip 6fb4976b32695f9f5c6305c19f12537d-detect.prototxt 69db99927a70df953b471daaba03fbef-sr.prototxt 238e2b2d6f3c18d6c3a30de0c31e23cf-detect.caffemodel cbfcd60361a73beb8c583eea7e8e6664-sr.caffemodel 0ae0675534aa318d9668f2a179c2a052-boostdesc_lbgm.i 0ea90e7a8f3f7876d450e4149c97c74f-boostdesc_bgm.i 98ea99d399965c03d555cef3ea502a0b-boostdesc_binboost_128.i ......

2025-12-11

cuda-kdtree实现的icp算法
cuda-kdtree实现的icp算法，第三方库只用了cuda和eigen，速度较pcl自带icp算法提升约60倍。

2025-12-11

opencv4.10.0-cuda12.5.0-cudnn9.2.0-msvc2022-win64带cuda、dnn、xfeatures2d、nonfree的编译包 包含debug和release
opencv_cudaarithm4100.dll opencv_cudaarithm4100d.dll opencv_cudabgsegm4100.dll opencv_cudabgsegm4100d.dll opencv_cudacodec4100.dll opencv_cudacodec4100d.dll opencv_cudafeatures2d4100.dll opencv_cudafeatures2d4100d.dll opencv_cudafilters4100.dll opencv_cudafilters4100d.dll opencv_cudaimgproc4100.dll opencv_cudaimgproc4100d.dll opencv_cudalegacy4100.dll opencv_cudalegacy4100d.dll opencv_cudaobjdetect4100.dll opencv_cudaobjdetect4100d.dll opencv_cudaoptflow4100.dll opencv_cudaoptflow4100d.dll opencv_cudastereo4100.dll opencv_cudastereo4100d.dll opencv_cudawarping4100.dll opencv_cudawarping4100d.dll opencv_cudev4100.dll opencv_cudev4100d.dll opencv_datasets4100.dll opencv_datasets4100d.dll opencv_dnn4100.dll opencv_dnn4100d.dll opencv_dnn_objdetect4100.dll opencv_dnn_objdetect4100d.dll ......

2025-12-08

opencv4.11.0 Linux.cache包
962ce79e0b95591f226431f7b5f152cd-v0.1.2e.zip 7505c44ca4eb54b4ab1e4777cb96ac05-face_landmark_model.dat d06e6d44ece88f7f17a6cd9216761186-ippicv_2021.12.0_lnx_intel64_20240425_general.tgz a73cd48b18dcc0cc8933b30796074191-edb50da3cf849840d680249aa6dbef248ebce2ca.zip 6fb4976b32695f9f5c6305c19f12537d-detect.prototxt 69db99927a70df953b471daaba03fbef-sr.prototxt 238e2b2d6f3c18d6c3a30de0c31e23cf-detect.caffemodel cbfcd60361a73beb8c583eea7e8e6664-sr.caffemodel 0ae0675534aa318d9668f2a179c2a052-boostdesc_lbgm.i 0ea90e7a8f3f7876d450e4149c97c74f-boostdesc_bgm.i 98ea99d399965c03d555cef3ea502a0b-boostdesc_binboost_128.i 202e1b3e9fec871b04da31f7f016679f-boostdesc_binboost_064.i 232c966b13651bd0e46a1497b0852191-boostdesc_bgm_bi.i 324426a24fa56ad9c5b8e3e0b3e5303e-boostdesc_bgm_hd.i ......

2025-12-08

opencv4.11.0 Windows .cache包

962ce79e0b95591f226431f7b5f152cd-v0.1.2e.zip 7505c44ca4eb54b4ab1e4777cb96ac05-face_landmark_model.dat 642b94d032a8292b07550126934173f6-opencv_videoio_ffmpeg.dll 8862c87496e2e8c375965e1277dee1c7-ffmpeg_version.cmake a8c3560c8f20e1ae465bef81580fa92c-opencv_videoio_ffmpeg_64.dll 402ff8c6b4986738fed71c44e1ce665d-ippicv_2021.12.0_win_intel64_20240425_general.zip 6fb4976b32695f9f5c6305c19f12537d-detect.prototxt 69db99927a70df953b471daaba03fbef-sr.prototxt 238e2b2d6f3c18d6c3a30de0c31e23cf-detect.caffemodel cbfcd60361a73beb8c583eea7e8e6664-sr.caffemodel 0ae0675534aa318d9668f2a179c2a052-boostdesc_lbgm.i 0ea90e7a8f3f7876d450e4149c97c74f-boostdesc_bgm.i 98ea99d399965c03d555cef3ea502a0b-boostdesc_binboost_128.i 202e1b3e9fec871b04da31f7f016679f-boostdesc_binboost_064.i ......

2025-12-08

opencv4.12.0 Windows .cache包
962ce79e0b95591f226431f7b5f152cd-v0.1.2e.zip 7505c44ca4eb54b4ab1e4777cb96ac05-face_landmark_model.dat 2821ea672a11147a70974d760a54e9bc-opencv_videoio_ffmpeg.dll 8862c87496e2e8c375965e1277dee1c7-ffmpeg_version.cmake e5c6936240201064b15bcecf1816e8f4-opencv_videoio_ffmpeg_64.dll 67a611ab22410f392239bddff6f91df7-ippicv_2022.1.0_win_intel64_20250130_general.zip 6fb4976b32695f9f5c6305c19f12537d-detect.prototxt 69db99927a70df953b471daaba03fbef-sr.prototxt 238e2b2d6f3c18d6c3a30de0c31e23cf-detect.caffemodel cbfcd60361a73beb8c583eea7e8e6664-sr.caffemodel 0ae0675534aa318d9668f2a179c2a052-boostdesc_lbgm.i 0ea90e7a8f3f7876d450e4149c97c74f-boostdesc_bgm.i 98ea99d399965c03d555cef3ea502a0b-boostdesc_binboost_128.i 202e1b3e9fec871b04da31f7f016679f-boostdesc_binboost_064.i ......

2025-12-08

opencv4.12.0 Linux.cache包
962ce79e0b95591f226431f7b5f152cd-v0.1.2e.zip 7505c44ca4eb54b4ab1e4777cb96ac05-face_landmark_model.dat 98ff71fc242d52db9cc538388e502f57-ippicv_2022.1.0_lnx_intel64_20250130_general.tgz 6fb4976b32695f9f5c6305c19f12537d-detect.prototxt 69db99927a70df953b471daaba03fbef-sr.prototxt 238e2b2d6f3c18d6c3a30de0c31e23cf-detect.caffemodel cbfcd60361a73beb8c583eea7e8e6664-sr.caffemodel 0ae0675534aa318d9668f2a179c2a052-boostdesc_lbgm.i 0ea90e7a8f3f7876d450e4149c97c74f-boostdesc_bgm.i 98ea99d399965c03d555cef3ea502a0b-boostdesc_binboost_128.i 202e1b3e9fec871b04da31f7f016679f-boostdesc_binboost_064.i 232c966b13651bd0e46a1497b0852191-boostdesc_bgm_bi.i 324426a24fa56ad9c5b8e3e0b3e5303e-boostdesc_bgm_hd.i e6dcfa9f647779eb1ce446a8d759b6ea-boostdesc_binboost_256.i ......

2025-12-08

pcl+vtk+qt在线一键安装工具
pcl+vtk+qt在线一键安装工具 自己做的小程序，自动在线下载编译、配置环境变量，支持pcl+vtk+qt多版本，自带qt5/qt6兼容的demo。使用时需先安装好vs和qt，保证网络畅通，并确保没有安装过其他版本的pcl和vtk。以管理员身份运行安装包中的exe文件，遇到弹窗全选默认选项即可安装完成。

2025-12-06

车流量多路视频实时统计
考虑到在系统功能以及接入视频路数上的可扩展，以及单个功能模块好优化的角度，我们将整个系统拆成了多个模块，主要包括：系统配置模块，视频解码模块，目标检测模块，目标跟踪模块，业务逻辑（车流量统计）模块，有了这些，这个项目的主干就有了，后面再在上面扩展，比如，日志记录，视频推流，和业务系统的交互通讯，甚至改吧改吧还可以做车辆的结构化分析，危险品车辆统计，特种车辆统计，车辆违法等等等，都非常方便。各个模块之间通过缓存队列通讯，先进先出，天然便利于后续功能拓展；以线程池的方式进行数据接入和处理，方便多路数据的接入。

2025-12-06

线结构光平面方程标定程序
该程序实现了基于激光三角测量法的线结构光传感器自动标定,包括相机标定、平面拟合、中心线提取等步骤。采用棋盘格 标定板在不同位姿下拍摄图像,通过OpenCV库进行相机内参和畸变系数标定。之后,提取激光条纹中心线,利用最小二乘法拟合…

2025-11-15

具身智能网课视频网盘链接
1.基于视觉的通用抓取 2.基于端到端的通用抓取 3.遥操作数据采集系统

2025-08-22

vtk8.2.0-msvc2019-qt5.15.2-win64编译包
vtk8.2.0-msvc2019-qt5.15.2-win64编译包 编译了vtk的qt插件QVTKWidgetPlugin，可以和pcl1.11.1配套使用，替换pcl自带vtk库即可 release x64模式下使用 vtkChartsCore-8.2.lib vtkCommonColor-8.2.lib vtkCommonComputationalGeometry-8.2.lib vtkCommonCore-8.2.lib vtkCommonDataModel-8.2.lib vtkCommonExecutionModel-8.2.lib vtkCommonMath-8.2.lib vtkCommonMisc-8.2.lib vtkCommonSystem-8.2.lib vtkCommonTransforms-8.2.lib vtkDICOMParser-8.2.lib vtkDomainsChemistry-8.2.lib vtkDomainsChemistryOpenGL2-8.2.lib vtkdoubleconversion-8.2.lib ......

2024-12-04

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章？
取消 删除