<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[CharmsLUO的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/CharmsLUO</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; CharmsLUO]]></copyright><item><title><![CDATA[SLAM学习——开启cmake的第一个项目]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/126691397</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/126691397</guid><author>CharmsLUO</author><pubDate>Sun, 04 Sep 2022 19:10:46 +0800</pubDate><description><![CDATA[老样子，同样的，还是为了记录自己的学习过程，鄙人以前做深度学习的，主要使用Python，最近由于工作需要使用C++各种库，所以记录一下自己使用Cmake编译代码的过程。

1.2 文件路径解释
cmake编译的文件结构一般相对固定，大家可以模仿，创建自己的文件结构，简单解释一下：
2.2 命令介绍
：最低版本需要，根据自己安装的版本来，必须有的。：使用的C++标准，可以不用设置。：项目名称。：文件执行输出。:设置库文件输出到代码源路径下的lib文件夹中。：找Pangolin的库，REQUIRED表示必须用到]]></description><category></category></item><item><title><![CDATA[ORB_SLAM3复现——上篇]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/125949694</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/125949694</guid><author>CharmsLUO</author><pubDate>Sat, 23 Jul 2022 20:59:49 +0800</pubDate><description><![CDATA[最近由于工作需要，鄙人被迫转入SLAM领域，实属无奈，为了讨口饭吃，被迫放弃最初的梦想，哭哭哭哭哭，最近发现SLAM也蛮好玩的哈，哎，真香！话不多说，还是那句话，为了督促自己认真学习，记录以下复现的第一个SLAM相关的项目吧。今天博客就写到这里，由于，博客内容太多，页面总是卡顿，所以剩下的部分，我另外再接着写，后面我会多所有数据都测试一遍，并且做结果评价。httpshttpshttpshttpshttpshttpshttpshttpshttpshttpshttpshttps。............]]></description><category></category></item><item><title><![CDATA[超分重建网络——DASR]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/125332095</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/125332095</guid><author>CharmsLUO</author><pubDate>Sat, 18 Jun 2022 14:12:42 +0800</pubDate><description><![CDATA[为了督促自己认真学习，碧波自己把最近学的东西，写成博客/(ㄒoㄒ)/~~
想深刻学习这个网络的提出思路，推荐大家看下面这个博主的连接，他比我讲的好，所以我就不过多解释了。
论文解读：https://blog.youkuaiyun.com/weixin_43972154/article/details/119327182
至于学习代码的话，根据作者的操作步骤一步步来就ok了，学习新网络，最重要的是复现代码。
代码连接：https://github.com/The-Learning-And-Vision-Atelier-L]]></description><category></category></item><item><title><![CDATA[视频图像增强——FastDVDNet]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/125265807</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/125265807</guid><author>CharmsLUO</author><pubDate>Mon, 13 Jun 2022 19:45:08 +0800</pubDate><description><![CDATA[下面分享一个博主对FastDVDNet的论文解读
论文解读
代码连接
论文作者提供的代码：
https://github.com/m-tassano/fastdvdnet根据需要准备环境就好了，要下载vimeo_septuplet数据集可以直接使用我的代码

训练


训练过程图

3. 测试...]]></description><category></category></item><item><title><![CDATA[好玩的人脸识别小软件]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/125178982</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/125178982</guid><author>CharmsLUO</author><pubDate>Wed, 08 Jun 2022 14:31:57 +0800</pubDate><description><![CDATA[在毕业的小空闲里面，利用pyqt写了一个简单实现人脸检测的小软件，非常好玩，推荐给大家玩一下。主要是利用Retinaface和Facenet实现人脸识别的。这两个网络我这里就不做介绍了，不太了解的朋友可以搜一下，我就默认你们都知道哈。链接：https://pan.baidu.com/s/15cNBdXaJVjeLYGo4a05E7w
提取码：fasf我们来看一下效果吧
做这个初始的想法是，安装在门口，对于一些独居的人很有用。先把这个放出来给大家玩一下，感兴趣的同学可以下载代码玩一玩。......]]></description><category></category></item><item><title><![CDATA[图像增强小程序——Img+]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/125121017</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/125121017</guid><author>CharmsLUO</author><pubDate>Sat, 04 Jun 2022 14:46:48 +0800</pubDate><description><![CDATA[最近闲来无事，用PyQt5写了一个图像增强查看器，可以实时查看图像增强结果，集成了常用的图像增强方式。包括等，想具体了解增强方式可以查看https://blog.youkuaiyun.com/CharmsLUO/article/details/123788365。下面介绍一下这个工具吧。
大家可以根据需要选择自己想增强的方式，亲测非常好用，尤其是写毕业论文，没得图片的时候，用上他，可以丰富你的图片，非常丝滑。软件代码，太多了，我就不放在这里了，下面是网盘连接：
链接：https://pan.baidu.com/s/1k]]></description><category></category></item><item><title><![CDATA[计算机视觉方向面试宝典总结]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/124689232</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/124689232</guid><author>CharmsLUO</author><pubDate>Tue, 10 May 2022 15:23:04 +0800</pubDate><description><![CDATA[学习目标：
马上快答辩了，实在是无心学习，闲来无事，就整理一下，去年找工作以来总结的一些我认为面试常考的东西吧，希望能对今年找工作的你，有所帮助。首先说一下我的研究方向是计算机视觉，我的目标是算法工程师，这里面就很多了，大家根据自己的意愿来吧。
学习内容：
我直接放这里哈
if __name__ == "__main__":
    """
    机器学习类别不平衡问题处理方法： 行欺诈问题，客户流失问题，电力盗窃以及罕见疾病识别，预测结果往往倾向于类别较多的观测数据
    1.采样 
        ]]></description><category></category></item><item><title><![CDATA[yolov5使用教程训练our数据——手把手教你训练预测(以阿里天池比赛为例)]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/124316147</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/124316147</guid><author>CharmsLUO</author><pubDate>Thu, 21 Apr 2022 20:31:53 +0800</pubDate><description><![CDATA[玩转yolov5前言1、yolov5项目克隆和安装1.1 代码下载1.2 安装环境1.3 下载预训练权重1.4 安装测试2、数据准备2.1 数据形式2.2 数据转换2.3 转换结果3、相关配置3.1 数据配置文件2.读入数据总结

前言
以阿里天池比赛为例，手把手教你玩转yolov5，妈妈再也不用担心用yolov5训练自己的数据集啦。

1、yolov5项目克隆和安装
1.1 代码下载
下面提供两种下载代码的方式：

通过官网提供的代码下载


提示：
1. 如果是win系统的话，建议安装一个git，可以直]]></description><category></category></item><item><title><![CDATA[阿里天池比赛——街景字符编码识别]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/124313955</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/124313955</guid><author>CharmsLUO</author><pubDate>Thu, 21 Apr 2022 10:39:38 +0800</pubDate><description><![CDATA[文章目录前言一、街景字符编码识别1. 目标2. 数据集3. 指标总结
前言
之前参加阿里天池比赛，好久了，一直没有时间整理，现在临近毕业，趁论文外审期间，赶紧把东西整理了，5月底学校就要让我们滚蛋了，哭哭哭！！！大运会的牺牲品！！！

一、街景字符编码识别
先说一下比赛的基本情况吧，没有认真比赛，所以，你懂的，下面提供一下比赛连接和我的代码连接，感兴趣的小伙伴可以下载玩一玩哈。

比赛连接：https://tianchi.aliyun.com/competition/entrance/531795/intr]]></description><category></category></item><item><title><![CDATA[open-mmlab / mmpose安装、使用教程]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/124218186</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/124218186</guid><author>CharmsLUO</author><pubDate>Sat, 16 Apr 2022 20:32:45 +0800</pubDate><description><![CDATA[mmpose安装、使用教程mmpose安装教程1. 安装mmcv-full2. 安装MMPose2. 安装mmdet使用教程1. 预测图片2. 预测视频
mmpose
mmpose是商汤旗下有又一款好用的工具箱，主要是针对姿态识别任务开发的，包括人体姿态识别和动物姿态识别。里面继承很多现成的网络可以供大家使用，并且提供了训练好的权重。用户可以更具自己的需求训练自己的数据，或者直接应用他们的结果，反正就是很全面啦！！！！
github连接：https://github.com/open-mmlab/mmpos]]></description><category></category></item><item><title><![CDATA[高分辨率图像剪切——目标检测]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/124109179</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/124109179</guid><author>CharmsLUO</author><pubDate>Mon, 11 Apr 2022 21:10:31 +0800</pubDate><description><![CDATA[高分辨率图像剪切前言代码

前言
最近做目标检测遇到一个问题，图像很大，几千几千的像素，直接输入网络训练效果不好，通常目标检测输入的图像都是固定大小的，例如：yolo系列，图片输入网路前会resize到416416。很大的图片直接做resize会丢失很多信息，因此训练出来的效果好，因此我们重叠剪切，对图像和标签同时做重叠剪切，然后输入网络训练。

代码
代码包含同时对标签和图像处理，标签格式是xml
import sys
import os
import cv2
import numpy as np
imp]]></description><category></category></item><item><title><![CDATA[数据增强(Data Augmentation)]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/123788365</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/123788365</guid><author>CharmsLUO</author><pubDate>Mon, 28 Mar 2022 11:17:33 +0800</pubDate><description><![CDATA[目录前言1. Data Augmentation1.1 数据增强的作用2. 数据增强的手段3. 数据增强的代码3.1 代码3.2 结果

前言
最近写论文需要插入很多图片，为了蒙混过关，找了很多很多数据增强的手段，增强论文的丰富性，大家不要学我哈，反正我把技巧放这儿了！！！哈哈哈哈哈哈哈哈哈

1. Data Augmentation
1.1 数据增强的作用
大家都知道在深度学习网络训练中，模型的样本越充足训练出来的网络模型泛化性越强，鲁棒性越高。最好的例子就是SSD对大目标效果很好，对小目标效果很差，但当]]></description><category></category></item><item><title><![CDATA[yolov5——训练策略]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/123577851</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/123577851</guid><author>CharmsLUO</author><pubDate>Sun, 20 Mar 2022 18:40:13 +0800</pubDate><description><![CDATA[yolov5——训练策略前言
前言
yolov5的训练策略big big丰富，这也是yolov5涨分厉害的reason，目前yolov5的使用量也是非常大的，官网的star已经23.5k了，无论是在迁移学习还是实际场景的应用都是非常广泛的。之前参加比赛，发现好几页的选手都在使用yolov5，确实有必要梳理一下，yolov5的训练策略。感觉这些策略对以后自己实验帮助会很大，所以要细嚼慢咽，好了，不说了，走起开吃！！！！！！！！！


...]]></description><category></category></item><item><title><![CDATA[yolov5——train.py代码【注释、详解、使用教程】]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/123542598</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/123542598</guid><author>CharmsLUO</author><pubDate>Thu, 17 Mar 2022 18:00:40 +0800</pubDate><description><![CDATA[yolov5——train.py代码【注释、详解、使用教程】
yolov5——train.py代码【注释、详解、使用教程】yolov5——train.py代码【注释、详解、使用教程】前言1. parse_opt函数2. main函数2.1 main函数——打印关键词/安装环境2.2 main函数——是否进行断点训练2.3 main函数——是否分布式训练2.4 main函数——是否进化训练/遗传算法调参3. train函数3.1 train函数——基本配置信息3.2 train函数——模型加载/断点训练3.3]]></description><category></category></item><item><title><![CDATA[yolov5——detect.py代码【注释、详解、使用教程】]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/123422822</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/123422822</guid><author>CharmsLUO</author><pubDate>Sat, 12 Mar 2022 17:50:48 +0800</pubDate><description><![CDATA[yolov5——detect.py代码【注释、详解、使用教程】
根据目前的最新版本的yolov5代码做出注释和详解以及使用教程，对了目前已经是v6,不知道你看博客的时候是什么版本呢，总的来说越来越先进越来越完善，越来越适合无脑啊哈哈哈，没你说哈IIII

detect.py代码注释详解
1. 函数parse_opt（）
def parse_opt():
    """
    weights: 训练的权重路径,可以使用自己训练的权重,也可以使用官网提供的权重
    默认官网的权重yolov5s.pt(yo]]></description><category></category></item><item><title><![CDATA[yolov5——断点训练/继续训练【解决方法、使用教程】]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/123410081</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/123410081</guid><author>CharmsLUO</author><pubDate>Thu, 10 Mar 2022 20:23:41 +0800</pubDate><description><![CDATA[断点训练
在训练过程中由于突发情况训练中断，从头训练耗时
解决办法
步骤一
再train.py文件中找到函数parse_opt，修改参数–resume的默认参数为Ture

步骤二
再runs/train/exp*/weights/路径下找到上次训练的最后的保存的权重，加载断点之前最后保留的模型即可，例如笔者的

步骤三
命令行输入命令：

全部流程


...]]></description><category></category></item><item><title><![CDATA[opencv二值图像分割——python]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/123398938</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/123398938</guid><author>CharmsLUO</author><pubDate>Thu, 10 Mar 2022 14:24:58 +0800</pubDate><description><![CDATA[二值化图像

图像二值化（ Image Binarization）就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。

全局阈值
cv2.threshold(src, thresholdValue, maxVal, thresholdingTechnique)
src:输入灰度图像数组。
thresholdValue:提及用于对像素值进行分类的值。
maxVal:如果像素值大于（有时小于）阈值，则给出的值。
thresholdingTechnique:要应用的阈值类型]]></description><category></category></item><item><title><![CDATA[激光条纹中心提取——Zhang-Suen法python]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/123274579</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/123274579</guid><author>CharmsLUO</author><pubDate>Fri, 04 Mar 2022 13:29:09 +0800</pubDate><description><![CDATA[Zhang-Suen法Zhang-Suen法python代码
Zhang-Suen法

细化法（又称形态学骨架法）是通过对光条纹不断地进行腐蚀操作，剥离光条纹边界，得到单像素宽度的光条纹连通线（又称骨架）的形态学处理方法。该方法是通过细化技术，将光条纹区域的细化曲线作为光条纹中心线。 由于细化法是基于形态学的方法，只是对光条纹骨架进行提取，没有考虑到光条纹的横截面灰度分布特点。因此，细化法提取的光条纹中心线精度有限。另一方面，由于该方法需要大量时间来进行反复的细化操作，提取算法的运算速度被大大降低。
细化的]]></description><category></category></item><item><title><![CDATA[阿里天池比赛——地表建筑物识别]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/123265566</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/123265566</guid><author>CharmsLUO</author><pubDate>Thu, 03 Mar 2022 23:31:01 +0800</pubDate><description><![CDATA[阿里天池比赛——地表建筑物识别
记录一下之前参加的阿里天池比赛，方便以后查看。

策略：
1.多模型训练
2.多模型测试
3.数据增强
4.预训练/冻结训练
5.迁移学习
6.TTA
7.后处理
8.finetue
阿里天池比赛
我的代码连接
链接：https://pan.baidu.com/s/1Bwvjflov0O1O6RBD898-5g
提取码：fasf
部分代码如下，想玩这个项目的可以看我的代码，里面包含所有代码、数据、技巧。
#!/usr/bin/env python
# coding: utf-]]></description><category></category></item><item><title><![CDATA[阿里天池比赛——食物声音识别]]></title><link>https://blog.youkuaiyun.com/CharmsLUO/article/details/123264298</link><guid>https://blog.youkuaiyun.com/CharmsLUO/article/details/123264298</guid><author>CharmsLUO</author><pubDate>Thu, 03 Mar 2022 23:15:01 +0800</pubDate><description><![CDATA[阿里天池比赛——食物声音识别
最近写毕业论文无聊之余，再次参加阿里天池比赛，之前一直做CV,第一次尝试做语音识别，记录一下过程。

策略：
1.梅尔频谱和梅尔倒谱以及混合
2.多模型测试
想玩这个项目的同学可以查看连接：
阿里天赐比赛
我的代码连接
链接：https://pan.baidu.com/s/1pX21kMX901O7QKcb-m-B6g
提取码：fasf
–来自百度网盘超级会员V5的分享
# 基本库
from audioop import mul
from functools import lr]]></description><category></category></item></channel></rss>