<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[JulyLi2019的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/JulyLi2019</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; JulyLi2019]]></copyright><item><title><![CDATA[yolo检测适配昇腾Atlas300IDuo笔记]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/168559219</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/168559219</guid><author>JulyLi2019</author><pubDate>Sat, 24 Oct 2026 19:03:58 +0800</pubDate><description><![CDATA[本文记录在昇腾Atlas 300I Duo推理卡上部署YOLO检测模型的完整适配流程，涵盖银河麒麟系统下aarch64架构的驱动与固件安装、Ascend Docker Runtime配置、MindIE推理镜像拉取及容器化部署。重点实现PyTorch模型（yolov7）到ONNX，再转为昇腾OM格式的模型转换，并通过AIPP加速前处理，最终在容器内完成推理服务集成，确保高效、稳定运行于昇腾NPU平台。]]></description><category></category></item><item><title><![CDATA[基于光电球机低空无人机智能追踪系统]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/162225985</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/162225985</guid><author>JulyLi2019</author><pubDate>Thu, 23 Jul 2026 20:11:26 +0800</pubDate><description><![CDATA[本文介绍了一个基于光电球机的低空无人机智能追踪系统，包含主动和被动两种跟踪模式。主动模式通过视觉检测锁定目标并控制云台自动跟踪，被动模式则通过Remote ID计算PTZ参数进行跟踪控制。文章详细展示了两种模式的运行效果，并提供了主动模式下海康球机SDK的Python控制代码实现，包括PTZ脉冲控制、动态速度调节和死区处理等核心功能。项目采用多线程设计，实现了稳定的无人机追踪效果。]]></description><category></category></item><item><title><![CDATA[RK3576 yolov8部署笔记]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/159279470</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/159279470</guid><author>JulyLi2019</author><pubDate>Fri, 20 Mar 2026 15:21:37 +0800</pubDate><description><![CDATA[因工作上需要用到瑞芯微的RK3576进行部署目标检测算法，故本文以yolov8为例，记录RK3576部署过程。本文记录了基于瑞芯微RK3576的yolov8部署流程。需要注意的是pt转onnx这一步不能使用原生的方式，在基于不影响输出结果, 不需要重新训练模型的条件下,  修改输出结构, 移除后处理结构；dfl 结构在 NPU 处理上性能不佳，移至模型外部的后处理阶段；模型输出分支新增置信度的总和，用于后处理阶段加速阈值筛选。]]></description><category></category></item><item><title><![CDATA[大疆妙算3适配yolov5检测与分割]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/156295100</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/156295100</guid><author>JulyLi2019</author><pubDate>Thu, 15 Jan 2026 14:59:46 +0800</pubDate><description><![CDATA[本文记录了大疆妙算3适配YOLOv5目标检测算法的过程。妙算3是基于NVIDIA Orin的机载计算机，但没有root权限，无法直接安装所需库。适配步骤包括：1) 查看设备信息；2) 下载YOLOv5和tensorrtx源码；3) 生成.wts权重文件；4) 修改CMakeLists.txt配置文件；5) 编译生成TRT引擎文件；6) 实现图片和视频的目标检测推理。最终成功在妙算3上运行YOLOv5检测模型，并展示了检测效果图。该方案为无人机等移动平台提供了高效的边缘计算目标检测能力。]]></description><category></category></item><item><title><![CDATA[海光DTK开发环境安装与Docker环境部署]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/153266775</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/153266775</guid><author>JulyLi2019</author><pubDate>Fri, 24 Oct 2025 09:44:22 +0800</pubDate><description><![CDATA[本文记录了在海光DCU机器上部署深度学习开发环境的完整流程。首先介绍了DCU作为海光信息推出的GPU架构协处理器产品，其基于DTK计算平台兼容ROCm生态的特点。部署过程包括：1）安装Ubuntu22.04基础环境及DTK-25.04依赖包；2）安装DCU加速卡驱动并重启；3）配置Docker环境，通过光源或本地加载获取PyTorch镜像；4）创建支持DCU的Docker容器并进行验证。作者指出PyTorch代码可无缝移植，但推理速度较NVIDIA TensorRT仍有差距，建议后续研究海光自研的MIGra]]></description><category></category></item><item><title><![CDATA[300I-Duo加速卡部署qwen2.5-vl-7b]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/153619982</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/153619982</guid><author>JulyLi2019</author><pubDate>Fri, 24 Oct 2025 08:41:24 +0800</pubDate><description><![CDATA[本文介绍了在华为昇腾AI硬件上部署Qwen2.5-VL-7B大语言模型的完整流程。首先在Atlas 300I Duo推理卡和Kylin V10系统上安装驱动、固件及MindIE软件包；接着通过Docker容器部署MindIE服务，配置模型权重路径和NPU设备参数；最后测试验证了模型的语言生成和图像理解能力。该方案为国产化AI部署提供了实践参考，展示了昇腾硬件对大模型推理的高效支持能力。]]></description><category></category></item><item><title><![CDATA[python内存分析memory_profiler简单应用]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/151363688</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/151363688</guid><author>JulyLi2019</author><pubDate>Tue, 09 Sep 2025 19:07:55 +0800</pubDate><description><![CDATA[本文介绍了Python内存分析工具memory_profiler的使用方法，帮助定位程序内存异常问题。主要内容包括：1）安装memory_profiler和matplotlib；2）使用@profile装饰器分析函数内存消耗；3）通过mprof命令行工具生成内存报告和图表；4）利用memory_usage()实时监控内存变化。该工具可精确到每行代码的内存分析，帮助开发者找出内存瓶颈，优化程序性能。文章提供了完整代码示例和参数说明，适用于Windows和Linux系统，是Python内存优化的实用指南。 （字]]></description><category></category></item><item><title><![CDATA[无人机云台跟踪目标实现]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/149596471</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/149596471</guid><author>JulyLi2019</author><pubDate>Thu, 24 Jul 2025 15:17:21 +0800</pubDate><description><![CDATA[本文介绍了一种基于目标检测的云台自动跟踪系统实现方案。系统通过计算目标检测框中心与画面中心的偏移量（dx,dy），采用比例控制生成云台转动指令（yaw,pitch）。技术要点包括：1）设置±100像素死区避免抖动；2）Y轴坐标转换处理；3）单轴指令优化减少数据传输；4）AES加密保障通信安全。该方案适用于无人机追踪、安防监控等需要实时目标跟随的场景，测试效果显示能稳定保持目标在画面中心。]]></description><category></category></item><item><title><![CDATA[sahi+yolov8实现图像切片推理]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/146062570</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/146062570</guid><author>JulyLi2019</author><pubDate>Thu, 06 Mar 2025 14:58:26 +0800</pubDate><description><![CDATA[本文记录项目中涉及到了无人机正射图像的推理（通常8000像素*8000像素以上），由于模型推理尺寸是640*640的，如果直接整图送入模型推理，推理效果极差，可以考虑采用多个切片进行分别进行推理，最后合并推理结果的方式。SAHI（Slicing Aided Hyper Inference，切片辅助超推理）是一种专为优化小目标检测设计的通用框架，其核心思想是通过图像切片和分层推理提升检测效果，尤其适用于处理大尺寸图像中的小目标。]]></description><category></category></item><item><title><![CDATA[NanoTrack原理与转tensorrt推理]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/143199036</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/143199036</guid><author>JulyLi2019</author><pubDate>Thu, 24 Oct 2024 08:52:57 +0800</pubDate><description><![CDATA[NanoTrack 是一种轻量级且高效的目标跟踪算法，基于Siamese网络架构，旨在在资源受限的设备（如无人机、嵌入式系统等）上实现实时且精确的目标跟踪。随着计算机视觉领域的快速发展，传统的目标跟踪算法（如KCF等）逐渐暴露出在复杂场景中的局限性，特别是在处理目标的尺度变化、遮挡和背景复杂时，性能难以保证。本文档将详细介绍 NanoTrack 的模型结构以帮助读者更好地理解并应用该算法，同时对比pt、onnx、tensorrt进行推理的耗时情况。]]></description><category></category></item><item><title><![CDATA[Jetson安装Python3.8 tensorrt库]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/141054462</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/141054462</guid><author>JulyLi2019</author><pubDate>Fri, 09 Aug 2024 12:25:23 +0800</pubDate><description><![CDATA[Jetson安装Python3.8 tensorrt库，需要确保正确Python与TensorRT版本，你的编译环境与目标平台（ARM架构）一致，避免使用不兼容的x86_64编译配置。后续使用python调用tensorrt与cuda进行推理速度还是很快的，能够达到50帧，这在板端也是很炸裂的存在！！！如果阅读本文对你有用，欢迎一键三连呀！！！2024年8月9日12:23:36。]]></description><category></category></item><item><title><![CDATA[通过cmakelist生成与调用C++动态链接库]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/138855295</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/138855295</guid><author>JulyLi2019</author><pubDate>Tue, 14 May 2024 16:26:14 +0800</pubDate><description><![CDATA[此前有写过用编译工具链直接通过命令行的方式生成与调用C++动态链接库的方法，本文记录下通过cmake来实现so的生成。通过cmake进行so编译还是比较简单的，主要是用生成so替换原来生成的可执行文件，然后对main.cpp进行配置，能够正确调用生成的so。这样我们就实现了通过cmakelist生成与调用C++动态链接库。如果阅读本文对你有用，欢迎一键三连呀！！！2024年5月14日16:25:40。]]></description><category></category></item><item><title><![CDATA[海思3559 yolov5 wk模型部署笔记]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/135701016</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/135701016</guid><author>JulyLi2019</author><pubDate>Thu, 22 Feb 2024 17:33:17 +0800</pubDate><description><![CDATA[本文记录海思3559 yolov5 wk模型部署的具体过程，成功生成了可执行文件，后面就可以在板端进行运行测试！！]]></description><category></category></item><item><title><![CDATA[海思3559 yolov5模型转wk详细笔记]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/135641886</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/135641886</guid><author>JulyLi2019</author><pubDate>Thu, 18 Jan 2024 17:08:36 +0800</pubDate><description><![CDATA[目前项目需要在海思3559上开发，但查了相关文档，感觉还是比较复杂的。相比于3403、3519的使用atc工具直接从onnx->om，3559需要从onnx->caffer->wk则显得复杂许多，特此记录一下。海思3559是早些年的芯片，因此在模型转换的方式上相比于3403、3519的使用atc工具直接从onnx->om，3559需要从onnx->caffer->wk则显得稍显复杂。本文记录了yolov5模型由pt->onnx->caffe->wk的过程，希望对读者有所帮助。]]></description><category></category></item><item><title><![CDATA[剑指Offer 队列&栈题目集合]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/135146370</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/135146370</guid><author>JulyLi2019</author><pubDate>Fri, 22 Dec 2023 10:38:45 +0800</pubDate><description><![CDATA[时间复杂度：在最坏情况下，pop 操作的时间复杂度是 O(n)，但在平均情况下，当栈2中有元素时，pop 操作的时间复杂度是 O(1)。这是因为在平均情况下，元素不会每次都从栈1移动到栈2。总体而言，这个实现的 push 操作是 O(1)，而 pop 操作的最坏情况下是 O(n)，平均情况下是 O(1)。如果为空，则将栈 1 中的所有元素移到栈 2。使用两个栈来实现队列的功能。栈 1 用于存储入队的元素，而栈 2 用于存储出队的元素。空间复杂度： O(n)，辅助栈的空间，最差的情况下两个栈共存储N个元素。]]></description><category></category></item><item><title><![CDATA[剑指Offer 链表题目集合]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/134837270</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/134837270</guid><author>JulyLi2019</author><pubDate>Wed, 06 Dec 2023 17:56:51 +0800</pubDate><description><![CDATA[采用双指针迭代，在遍历链表时，将当前节点的next 指针改为指向前一个节点。由于节点没有引用其前一个节点，因此必须事先存储其前一个节点。在更改引用之前，还需要存储后一个节点。最后返回新的头引用。我的第一想法是可以遍历链表，将每个节点的值存入数组中，然后将数组进行反转。空间复杂度：O(n)。额外使用一个数组存储链表中的每个节点。时间复杂度：O(n)。时间复杂度：O(n)，正向遍历一遍链表。空间复杂度：O(1)，常数空间复杂度。]]></description><category></category></item><item><title><![CDATA[目标检测中的损失函数：IOU_Loss、GIOU_Loss、DIOU_Loss和CIOU_Loss]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/134328810</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/134328810</guid><author>JulyLi2019</author><pubDate>Mon, 04 Dec 2023 20:04:16 +0800</pubDate><description><![CDATA[之前在项目中存在目标检测框内嵌的情况（目标检测框存在内嵌情况分析与解决），正好趁这个机会记录下目标检测中常用的几种IOU_loss函数。IOU_Loss作为传统的衡量标准，为我们提供了一个基础,而GIOU_Loss、DIOU_Loss和CIOU_Loss则在其基础上引入了更多的信息，如目标框的形状和相对位置等，从而使得模型更加准确地学习目标的位置和形状。！！2023年12月4日20:03:02。]]></description><category></category></item><item><title><![CDATA[昇腾Atlas 200I DK A2实现安全帽识别]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/134585816</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/134585816</guid><author>JulyLi2019</author><pubDate>Fri, 24 Nov 2023 14:56:59 +0800</pubDate><description><![CDATA[本篇文章可以算是昇腾系列的一个入门样例，跑通了应该就能知道大概的操作流程，接下来应该又是一段难忘的开发心路历程，希望自己挺住！！！！！2023年11月24日14:55:12。]]></description><category></category></item><item><title><![CDATA[目标检测框存在内嵌情况分析与解决]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/134465967</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/134465967</guid><author>JulyLi2019</author><pubDate>Mon, 20 Nov 2023 19:38:09 +0800</pubDate><description><![CDATA[目标检测模型输出的检测框存在内嵌情况。，在推理性能足够的情况下，可以考虑使用。的信息，不用考虑影响因子，因此直接用。设置过大，没能滤除重叠检测框，原来。：在IOU和GIOU的基础上，考虑。标注框的信息，在训练时用于回归。有读者会有疑问，这里为什么不用。的基础上，添加的影响因子，包含。根据经验，第一感觉是后处理。：在DIOU的基础上，考虑。：在IOU的基础上，解决。目前分析最可能的原因是。但在测试过程中，并没有。此项目中用的是基本的。]]></description><category></category></item><item><title><![CDATA[光流法动目标检测]]></title><link>https://blog.youkuaiyun.com/JulyLi2019/article/details/133998568</link><guid>https://blog.youkuaiyun.com/JulyLi2019/article/details/133998568</guid><author>JulyLi2019</author><pubDate>Tue, 24 Oct 2023 09:00:00 +0800</pubDate><description><![CDATA[动目标检测是计算机视觉领域的一个热门研究方向。传统的方法主要基于背景建模，但这些方法对于光照变化、遮挡和噪声敏感。因此，研究人员一直在寻找更加鲁棒和有效的技术来解决这一问题。光流法是一种基于运动信息的动目标检测方法，它通过分析相邻帧之间的像素位移来捕捉物体的运动。这种方法可以在不需要显式背景建模的情况下实现动目标检测。。光流是指描述相邻图像帧中像素位移的矢量场。在光流法中，假设相邻帧之间的像素强度保持不变，即一个像素点在两帧之间的运动可以由一个矢量表示。这个矢量可以表示物体的速度和方向。]]></description><category></category></item></channel></rss>