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

自定义博客皮肤

-+
  • 博客(23)
  • 收藏
  • 关注

原创 正点原子 迷你 miniSTM32用ST link烧录后程序不运行(已解决)

不推荐JLINK供电,也不推荐ST linkv2供电。烧录后有时程序可行,有时不可行。烧录使用ST linkv2。建议直接用USB转串口烧录。加USB供电配合SW烧录。

2025-04-04 15:35:58 77

原创 三个STM32时钟配置函数的区别

通过正确区分这三个函数的使用场景,可以确保外设时钟配置的准确性,从而保障STM32系统的稳定运行。使用外设前,必须通过对应的总线时钟函数开启其时钟。

2025-04-03 15:05:57 219

原创 【GPIO8个函数解释】

三种方法在功能上完全等效,但代码风格和可维护性差异显著。

2025-04-03 15:00:00 650

原创 【STM32:OLED和TFT LCD屏幕对比,及LCD屏幕注意事项】

预算有限的消费电子(如中低端手机、平板)、工业控制屏、户外显示屏、长时间静态显示设备。按照上述步骤连接硬件并移植驱动代码,即可快速实现屏幕显示功能。高端手机、VR设备、需要高对比度的显示器、柔性屏应用。

2025-04-03 14:46:44 564

原创 STM32F1开发手册与版本解析

LWIP(Lightweight IP)是一个轻量级TCP/IP协议栈,用于实现网络通信功能(如HTTP、TCP、UDP)。通过此手册,您可以学习如何显示文本、绘制图形、创建按钮等交互界面元素,适合需要屏幕显示的项目(如触摸屏设备)。HAL(Hardware Abstraction Layer)是ST官方提供的硬件抽象层库,通过标准化API简化硬件操作(如GPIO、UART配置)。确保手头有对应的开发板(如精英版),ENC28J60模块(用于LWIP网络实验),以及显示屏(用于EMWIN)。

2025-04-02 17:50:25 228

原创 基于STM32H745I的消防灭火小车开发软件工具推荐

遇到问题时,优先查阅官方文档和STM32社区(如。

2025-04-02 17:48:20 817

原创 2025嵌赛备赛指南 ST选题指南解读

2025-04-02 11:05:08 102

原创 STM32H745I运行YOLO算法实现火焰识别的可行性分析

核心性能:外设支持:标准YOLO(如YOLOv3/v4):轻量化YOLO变体:计算能力不足:内存不足:存储限制:下一步行动:

2025-04-02 09:16:54 388

原创 STM32比赛灭火小车材料申请

根据比赛规则和消防灭火小车的需求,以下是具体的申请建议:(1) 3轴加速度计和陀螺仪套件(STEVAL-MK1227KA)(2) LPS22DF压力传感器适配板(STEVAL-MK1224V1)MCU开发板备选:传感器开发板备选:项目简介重点:开发能力证明:

2025-04-01 11:06:28 640

原创 ST开发板如何选择与灭火小车方案设计-学习路线

在STM32G4等资源受限的MCU上,直接运行复杂的目标检测模型(如YOLO)可能不切实际。进行验证,既能降低计算量,又能保证一定的准确性。:降低噪声、增强火焰特征。提取火焰特征,再通过。

2025-03-31 11:21:21 636

原创 【STM32产品系列和主控的相关知识】

STM32是意法半导体(STMicroelectronics)推出的32位基于ARM Cortex-M内核的微控制器系列,具有高性能、低功耗、丰富的外设资源,是嵌入式开发的主流选择。针对嵌入式人工智能比赛,你需要选择性能较强、支持复杂算法的型号。STM32按性能和应用场景分为多个子系列,命名规则通常为。如果有具体比赛题目或硬件需求,可以进一步讨论方案!,例如:STM32F103C8T6。

2025-03-31 10:40:51 913

原创 【计算机网络入侵防护系统】IPS

NIPS(Network-based Intrusion Prevention System)是一种部署在网络边界或关键节点的安全设备,通过实时监控和分析网络流量,识别并阻断恶意攻击。

2025-03-26 16:50:57 777

转载 Graduate thesis proposal study notes

1

2025-03-24 11:21:49 12

原创 YOLOv1到YOLOv5回顾

摘要目标检测技术是人工智能领域的基础。本研究论文简要回顾了You Only Look Once(YOLO)算法及其后续的先进版本。通过分析,我们得出了许多有意义的结论和见解。研究结果展示了不同YOLO版本之间的差异和相似之处,以及YOLO与卷积神经网络(CNN)之间的关系。核心观点是,YOLO算法的改进仍在持续进行。本文简要描述了YOLO算法的发展过程,总结了目标识别和特征选择的方法,并为金融等领域的图像新闻和特征提取提供了文献支持。此外,本文对YOLO和其他目标检测文献做出了重要贡献。关键词:回顾;

2025-03-21 21:10:52 563

原创 【论文精读】将CLIP与YOLOv8n相结合在光伏缺陷检测中的快速应用

在光伏(PV)系统中检测故障对维持光伏能源系统的有效性和可靠性至关重要。传统的方法训练object identification models,包括YOLO(You Only Look Once),通常需要大量的数据集以实现最佳性能。当可用数据量较少时,这就成为一个重大障碍。为了解决这一问题,通常采用预训练模型,因为它们能够捕捉到稳健且广泛适用的特征,这反过来又增强了微调过程中的学习效果。本研究提出了一种新的PV系统缺陷检测方法。

2025-02-11 11:19:16 866 1

原创 yolov8n中的n是什么意思

在YOLO系列模型中,中的**“n”“nano”轻量级版本**。YOLOv8n是YOLOv8系列中的版本,适合在的设备上运行,同时仍然保持了较高的检测速度和准确性。

2025-02-07 10:55:14 254

原创 yolov9数据集分类报错FileNotFoundError: [Errno 2] No such file or directory:

修改def toLabelPath函数。

2025-02-07 10:54:07 142

原创 【多模态论文学习】ZSD-YOLO论文阅读

为了推进零样本检测,我们开发了一种视觉-语言蒸馏方法,对齐来自零样本预训练模型的图像和文本嵌入。比如将像CLIP与将CLIP与修改后的语义预测头相结合。像YOLOv5这样的单阶段检测器的修改语义预测头。训练出一个对象检测器,在COCO零样本检测分割上达到了最先进的准确度,并且模型参数更少。在推理过程中,我们的模型可以适应检测任意数量的物体类别,无需额外训练。我们还发现,我们方法的扩展带来的改进在不同的YOLOv5规模上是一致的。

2024-12-25 11:48:51 703

原创 多模态学习笔记

Clip ViLT Bert GptLearning Transferable Visual Models From Natural Language SupervisionCLIP没有开源代码,但是开源了模型,即使开源代码,可能也没有公司能做到OPENAI公司那么大的数据集四亿个图片文字对的数据集。什么是上游任务和下游任务?什么是自回归预训练方式,自回归和完形填空对比学习是什么混精度训练图像和文本的输入分别通过 Image Encoder 和 Text Encoder 得到图像和文本的特征其

2024-11-22 08:51:07 1554

原创 2008阅读3笔记

2023-06-05 16:08:35 72 1

原创 概率论,多维随机变量考研笔记

2023-06-04 20:10:11 82 1

原创 2020-08-23

简单程序包含注释方便别人看 ,以突出此处的功能举例说明(演示代码)符号//单行注释/* code * / 多行注释c语言特有问题注释结尾不确定解决方法,个人注意用编译器快速注释按钮

2020-08-23 22:24:26 315

原创 2020-08-22

c语言学习笔记学习内容1简单程序2数据类型3运算符4流程结构5函数6文件操作7内容管理8其他部分C 程序主要包括以下部分:预处理器指令函数变量语句 & 表达式注释基本语法C 程序由各种令牌组成,令牌可以是关键字、标识符、常量、字符串值,或者是一个符号。分号=结束符...

2020-08-22 20:56:13 399

深度卷积神经网络在大规模图像分类中的应用研究-基于ImageNet数据集

内容概要:本文详细介绍了作者团队在2012年 ImageNet LSVRC 大规模视觉识别竞赛中,使用深度卷积神经网络(CNN)进行图像分类的研究成果。网络包含五层卷积层和三层全连接层,采用ReLU非线性激活函数、重叠池化技术和Dropout正则化方法。通过高效的GPU实现和大数据集的应用,显著降低了分类错误率。文章详细阐述了网络架构的设计、训练策略以及减少过拟合的方法。 适合人群:从事计算机视觉和深度学习领域的研究人员、工程师和技术爱好者。 使用场景及目标:① 使用大型数据集(如ImageNet)进行图像分类研究;② 探索卷积神经网络在视觉识别任务中的性能提升;③ 研究不同技术(如ReLU、Dropout等)对网络性能的影响。 阅读建议:此资源详细介绍了深度卷积神经网络的设计和训练方法,特别是针对大规模图像分类任务。阅读时可以重点关注网络架构设计、训练技巧和减少过拟合的方法,以便应用于实际项目中。

2024-12-25

ZSD-YOLO论文原文

论文

2024-12-25

线性概率评估结果pdf

线性概率评估结果pdf

2024-12-12

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