<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[weixin_51154380的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/weixin_51154380</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; weixin_51154380]]></copyright><item><title><![CDATA[工业车间散热器组件数据集19085张：目录结构和标注都在下面]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/170663263</link><guid>https://blog.csdn.net/weixin_51154380/article/details/170663263</guid><author>weixin_51154380</author><pubDate>Fri, 13 Nov 2026 00:35:45 +0800</pubDate><description><![CDATA[数据量与类别：19085 张图，3 个类别（左侧阳极氧化散热器 ENRTUST、左侧阳极氧化散热器 ENTRUST、右侧阳极氧化散热器 ENTRUST）划分情况：训练集 17133 张，验证集 1295 张，测试集 657 张标签格式：YOLO，yaml 里 train/val/test 的路径已经写好训练顺序：默认参数先跑一遍，再看 mAP50 和 mAP50-95 差多少，差得多通常是小目标或框不准，而不是模型不够大。]]></description><category></category></item><item><title><![CDATA[4类28522张的雾霾数据，训练前做三件事]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/170566599</link><guid>https://blog.csdn.net/weixin_51154380/article/details/170566599</guid><author>weixin_51154380</author><pubDate>Wed, 11 Nov 2026 23:57:57 +0800</pubDate><description><![CDATA[数据量与类别：28522 张图，4 个类别（雾霾、阳光、火）划分情况：训练集 19962 张，验证集 4254 张，测试集 4306 张标签格式：VOC + YOLO，yaml 里 train/val/test 的路径已经写好训练顺序：默认参数先跑一遍，再看 mAP50 和 mAP50-95 差多少，差得多通常是小目标或框不准，而不是模型不够大看完这篇如果不确定该不该用这套数据，先看第二节的样例图——和你的拍摄场景接近就值得训一轮。下载地址在「数据集获取」小节。]]></description><category></category></item><item><title><![CDATA[YOLOv11超市货架牛奶目标检测数据集]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/162179859</link><guid>https://blog.csdn.net/weixin_51154380/article/details/162179859</guid><author>weixin_51154380</author><pubDate>Mon, 22 Jun 2026 00:52:11 +0800</pubDate><description><![CDATA[该数据集专注于超市货架上各类牛奶产品的目标检测，涵盖了多种品牌、类型和包装规格的牛奶商品。通过精确标注不同形态的牛奶包装（包括盒装和瓶装），该数据集为自动化识别和管理零售环境中牛奶产品提供了高质量的视觉数据支持。从数据分布来看，该数据集包含463张图像，其中训练集324张、验证集93张、测试集46张，比例分配合理。该数据集可广泛应用于零售业的智能货架管理、库存盘点自动化以及无人商店的商品识别系统，在提升运营效率和优化顾客购物体验方面具有显著的应用价值。所有数值均为相对于图片宽高的归一化值（0~1）。]]></description><category></category></item><item><title><![CDATA[YOLOv11超市货架牛奶目标检测数据集]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/162179792</link><guid>https://blog.csdn.net/weixin_51154380/article/details/162179792</guid><author>weixin_51154380</author><pubDate>Mon, 22 Jun 2026 00:40:11 +0800</pubDate><description><![CDATA[YOLOv11超市货架牛奶目标检测数据集📊 数据集基本信息。]]></description><category></category></item><item><title><![CDATA[YOLOv11超市货架牛奶目标检测数据集]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/162179760</link><guid>https://blog.csdn.net/weixin_51154380/article/details/162179760</guid><author>weixin_51154380</author><pubDate>Mon, 22 Jun 2026 00:35:12 +0800</pubDate><description><![CDATA[YOLOv11超市货架牛奶目标检测数据集📊 数据集基本信息。]]></description><category></category></item><item><title><![CDATA[YOLOv11农田烟草叶片病害目标检测数据集]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/162179666</link><guid>https://blog.csdn.net/weixin_51154380/article/details/162179666</guid><author>weixin_51154380</author><pubDate>Mon, 22 Jun 2026 00:25:49 +0800</pubDate><description><![CDATA[YOLOv11农场羊只面部目标检测数据集📊 数据集基本信息目标类别： [‘bandi’, ‘jamie’, ‘rabbit’, ‘ted’, ‘tic’]中文类别：[‘斑点羊’, ‘杰米羊’, ‘兔子’, ‘泰德羊’, ‘蒂克羊’]训练集：243 张验证集：22 张测试集：10 张总计：275 张📄 data.yaml 配置信息该数据集提供了data.yamYOLOv11农田烟草叶片病害目标检测数据集📊 数据集基本信息。]]></description><category></category></item><item><title><![CDATA[FDConv：频率动态卷积在密集图像预测中的突破性进展]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/153138732</link><guid>https://blog.csdn.net/weixin_51154380/article/details/153138732</guid><author>weixin_51154380</author><pubDate>Sun, 12 Oct 2025 22:10:52 +0800</pubDate><description><![CDATA[FDConv提出了一种创新的频率动态卷积方法，通过在傅里叶域学习频率分集权重，显著提升了密集图像预测任务的性能，同时保持参数高效性。该方法在COCO数据集上的目标检测、实例分割和语义分割任务中均取得突破性进展，仅增加3.6M参数即可超越传统动态卷积方法。FDConv通过傅里叶分离权重、核空间调制和频率带调制三大核心模块，实现了频率域的高效动态建模，为计算机视觉领域提供了新的参数优化思路。该技术已开源，可广泛应用于资源受限场景下的密集预测任务。]]></description><category></category></item><item><title><![CDATA[【测试picgo图床】]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/150537027</link><guid>https://blog.csdn.net/weixin_51154380/article/details/150537027</guid><author>weixin_51154380</author><pubDate>Tue, 19 Aug 2025 23:49:23 +0800</pubDate><description><![CDATA[本文简要测试了PicGo图床功能，成功上传图片并生成GitHub外链。示例图片通过CSDN图床转换后显示正常，验证了图片托管和外部引用的可行性。测试过程涉及图片上传、链接复制等基本操作，确认了图床工具的实用性和便捷性。]]></description><category></category></item><item><title><![CDATA[【最新实时目标检测YOLOv13添加PyQt可视化界面】]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/148881646</link><guid>https://blog.csdn.net/weixin_51154380/article/details/148881646</guid><author>weixin_51154380</author><pubDate>Tue, 24 Jun 2025 23:25:41 +0800</pubDate><description><![CDATA[本文介绍了最新YOLOv13目标检测算法及其PyQt可视化界面的应用。YOLOv13通过引入HyperACE机制和FullPAD范式，在MS COCO基准测试中实现性能提升3%，同时保持轻量化设计。配套的YOLOv13-PyQt界面提供模型选择、图片/文件夹检测、结果可视化与保存等功能，使实时目标检测更便捷。该系统兼顾算法创新与用户友好性，为计算机视觉应用提供了高效解决方案。]]></description><category></category></item><item><title><![CDATA[【python自动创建文件夹】]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/140451181</link><guid>https://blog.csdn.net/weixin_51154380/article/details/140451181</guid><author>weixin_51154380</author><pubDate>Mon, 15 Jul 2024 22:44:01 +0800</pubDate><description><![CDATA[借鉴https://github.com/ultralytics/yolov5/blob/master/utils/general.py中的increment_path函数。python自动创建文件夹，在模型推理时，可自动生成结果文件夹且自动更新，不会覆盖上一次结果，和yolov5中类似；判断给出给出的路径是文件，还是文件夹。判断给出的路径是图像还是一个视频；自动生成新的exp保存文件。]]></description><category></category></item><item><title><![CDATA[【读写yaml文件】]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/140450935</link><guid>https://blog.csdn.net/weixin_51154380/article/details/140450935</guid><author>weixin_51154380</author><pubDate>Mon, 15 Jul 2024 22:31:25 +0800</pubDate><description><![CDATA[使用yaml.load()和yaml.safe_load() 都可以，后者一般更安全。]]></description><category></category></item><item><title><![CDATA[【Samba端口映射文件共享】]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/139939282</link><guid>https://blog.csdn.net/weixin_51154380/article/details/139939282</guid><author>weixin_51154380</author><pubDate>Mon, 24 Jun 2024 21:39:08 +0800</pubDate><description><![CDATA[在windows下访问 \[\IP-ADDRESS\SHARE-NAME](file://IP-ADDRESS/SHARE-NAME)，提示输入用户名和密码，就能进入了，地址斜杠方向不能错，没有端口，用户名是smb的用户名。首先需要安装samba，Samba是在Linux和UNIX系统上实现SMB协议的一个免费软件，由服务器及客户端程序构成。SMB(Server Messages Block，信息服务块)新建一个名为lyrichu 的共享账户，账户名随意，若是公用服务器，则需要在root路径下；]]></description><category></category></item><item><title><![CDATA[【YOLOv9算法原理简介】]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/138589124</link><guid>https://blog.csdn.net/weixin_51154380/article/details/138589124</guid><author>weixin_51154380</author><pubDate>Wed, 08 May 2024 22:51:40 +0800</pubDate><description><![CDATA[【代码】【YOLOv9算法原理简介】]]></description><category></category></item><item><title><![CDATA[【积分，微分，导数，偏导数公式推导】]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/138542494</link><guid>https://blog.csdn.net/weixin_51154380/article/details/138542494</guid><author>weixin_51154380</author><pubDate>Tue, 07 May 2024 19:21:09 +0800</pubDate><description><![CDATA[微分 ( df ) 与导数紧密相关，它描述了当 ( x ) 增加一个非常小的量 ( dx ) 时，函数 ( f(x) ) 的变化量。这个值是 ( f(x) ) 在 ( x ) 从 ( a ) 到 ( b ) 区间内的累积效果，可以理解为 ( f(x) ) 与 ( x ) 轴之间形成的曲边梯形的面积。所以，函数 ( f(x) = x^2 ) 的导数 ( f’(x) = 2x )。如果这个极限存在，那么 ( f(x) ) 在点 ( x ) 是可导的。其中，( F(x) ) 是 ( f(x) ) 的一个原函数。]]></description><category></category></item><item><title><![CDATA[装饰器（Decorator）和迭代器（Iterator）]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/138542296</link><guid>https://blog.csdn.net/weixin_51154380/article/details/138542296</guid><author>weixin_51154380</author><pubDate>Tue, 07 May 2024 19:08:27 +0800</pubDate><description><![CDATA[装饰器是一种设计模式，用于修改或增强已有函数或方法的功能，而不需要更改其实际代码。装饰器通过在函数或方法的外部包装另一个函数来实现，通常用于日志记录、性能测试、事务处理、缓存、权限校验等场景。迭代器是一种对象，它允许你遍历一个集合对象，而不需要了解该对象的底层数据结构。Python中的匿名函数，也称为“lambda函数”，是一种简洁的定义单行函数的方式。，这个新函数在执行时会先执行一些额外的代码，然后调用原始的。是一个单个的表达式，匿名函数返回该表达式的值。函数，并在执行完毕后执行更多的代码。]]></description><category></category></item><item><title><![CDATA[【图像特征点匹配】]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/138507740</link><guid>https://blog.csdn.net/weixin_51154380/article/details/138507740</guid><author>weixin_51154380</author><pubDate>Mon, 06 May 2024 20:46:11 +0800</pubDate><description><![CDATA[基于深度学习的图像特征点匹配是利用深度神经网络来提取图像特征，并在不同图像间寻找并匹配这些特征点。这种方法相比传统的特征点匹配方法（如SIFT、SURF等）在特征表达能力上具有明显优势，尤其是在处理复杂场景和大规模数据集时。SuperPoint是一种自监督的特征点检测和描述方法，它能够提取像素级精度的特征点及其描述子。图像特征点匹配是计算机视觉中的一项关键技术，它涉及在两个或多个图像之间寻找并匹配具有独特属性的点，这些点被称为特征点。策略，通过对图像进行多尺度和多角度变换来增强特征点的复检率和跨域实用性。]]></description><category></category></item><item><title><![CDATA[【光流（Optical Flow）估计】]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/137727345</link><guid>https://blog.csdn.net/weixin_51154380/article/details/137727345</guid><author>weixin_51154380</author><pubDate>Sat, 13 Apr 2024 22:32:42 +0800</pubDate><description><![CDATA[光流（Optical Flow）是计算机视觉中的一种技术，用于估计图像中每个像素点在连续帧之间的运动情况。光流算法的目标是找到在两个相邻帧之间从一个位置移动到另一个位置的图像中的每个像素的位移向量。Lucas-Kanade 算法的基本思想是在一个局部窗口内对图像进行匹配，并假设这个窗口内的像素具有相同的运动。光流算法基于一个假设：相邻帧中的相同物体在图像中的运动应该是连续的。这些基于深度学习的光流算法通常在大规模的光流数据集上进行训练，以学习图像中的运动模式。]]></description><category></category></item><item><title><![CDATA[【OpenCV基础知识点总结】]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/136433731</link><guid>https://blog.csdn.net/weixin_51154380/article/details/136433731</guid><author>weixin_51154380</author><pubDate>Sun, 03 Mar 2024 16:33:25 +0800</pubDate><description><![CDATA[OpenCV（开源计算机视觉库）是一个广泛应用于图像和视频处理的Python库。]]></description><category></category></item><item><title><![CDATA[【Pycharm使用教程】]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/131138287</link><guid>https://blog.csdn.net/weixin_51154380/article/details/131138287</guid><author>weixin_51154380</author><pubDate>Sat, 10 Jun 2023 09:08:49 +0800</pubDate><description><![CDATA[pycharm中刷新项目文件]]></description><category></category></item><item><title><![CDATA[【yolo算法txt格式标签转json格式】]]></title><link>https://blog.csdn.net/weixin_51154380/article/details/130778281</link><guid>https://blog.csdn.net/weixin_51154380/article/details/130778281</guid><author>weixin_51154380</author><pubDate>Sat, 20 May 2023 10:01:51 +0800</pubDate><description><![CDATA[格式， 注意是一个图片对应一个json文件。yolo算法txt格式标签转。]]></description><category></category></item></channel></rss>