墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
200+累计阅读
275平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
| title | category | layout | tags | date | |
|---|---|---|---|---|---|
conda无法安装opencv的解决办法 | other | post |
| 2020-06-23 11:00:24 |
在新电脑中用conda命令安装opencv，但不是403错误就是超时。错误如下：
Collecting package metadata (repodata.json): done
Solving environment: failed
Initial quick solve with frozen env failed. Unfreezing env and trying again.
Solving environment: failed
解决的办法是使用pip安装：pip install opencv-python即可解决。
SiamFC++ vs SiamRPN++：AAAI2020 与 CVPR2019 双算法 3 维度性能对比
本文深入对比了AAAI2020提出的SiamFC++与CVPR2019的SiamRPN++两种孪生网络跟踪算法，从架构设计、性能指标到实际部署进行全面分析。测试显示SiamFC++在OTB-2015、VOT2018等数据集上性能提升2-3%，速度达45FPS，特别适合实时性要求高的场景。文章还提供了详细的配置指南和场景选型建议，帮助开发者高效应用这些跟踪算法。
完美解决Conda安装opencv出现的问题
anaconda独立环境下安装的opencv不能使用，让人很是烦躁，思考后明白了一个问题：anaconda推荐的最优版本并不是万能的，有很多时候跟系统和代码环境需求有关系（当然大部分时间是对的），下午各种碰壁解决了opencv的问题，这里记录一下。 error: -------src-dir-------/opencv-2.4.10/modules/highgui/src/window.cpp:...
2020年NLP工程化分水岭：MMF、结构化IR与SpaCy架构演进
自然语言处理（NLP）作为人工智能的核心分支，其工业落地正从模型精度竞争转向系统级工程能力构建。多模态框架（MMF）通过标准化接口实现VQA等任务的流水线交付；结构化文档理解将OCR升维为语义对齐起点，依托Schema约束提升关键字段准确率；而SpaCy v2.3的语言无关架构则标志着NLP基础库向领域适配平台跃迁。这些技术共同指向一个趋势：在低延迟、高鲁棒、可复现的约束下，构建可维护的生产级NLP系统。本文聚焦2020年6月这一关键时间点，解析MMF模块化设计、Google Structured IR闭环
Conda 安装 OpenCV
温馨提示：安装opencv 注意python 版本最低要求和支持python 最高版本。结论：安装OpenCV 3.4.2 不在 Python支持范围内。opencv 环境初步搞定。温馨提示：查询虚拟环境列表。
3DGS与Colmap环境配置：三维重建开发基座搭建指南
3D Gaussian Splatting（3DGS）是当前主流的神经辐射场替代技术，其核心依赖高精度稀疏重建与可微光栅化管线。理解colmap作为SFM工具在三维重建中的坐标系标定、相机参数解算和尺度归一化作用，是打通真实图像到可交互3D内容的关键前提。该技术栈对CUDA版本兼容性、C++编译器链、OpenGL后端及Python环境隔离提出严苛要求，远超常规深度学习环境配置范畴。典型应用场景包括AR/VR内容生成、工业三维扫描验证、移动端3D建模等。本文聚焦于构建稳定、可复现、可调试的3DGS+colma
ComfyUI Windows 部署避坑指南：从 nvlddmkm 报错到零失败启动
ComfyUI 作为基于节点的 Stable Diffusion 前端，其部署本质是 Python、CUDA、GPU 驱动与操作系统内核的深度协同。理解 torch CUDA 版本绑定原理和 Windows 图形子系统（如 nvlddmkm 内核模块）的调度机制，是解决 DLL load failed、事件 ID 153 等高频故障的技术前提。该技术栈的价值在于提供比 WebUI 更细粒度的计算控制能力，广泛应用于 AI 绘图工作流定制、多模型串联推理及插件化生产管线搭建。本文聚焦 Windows 平台真实
Anaconda环境下安装opencv
Anaconda，opencv，python，镜像
Stable Diffusion本地部署：硬件适配、环境隔离与系统级避坑指南
Stable Diffusion本地部署本质上是AI推理工作流的系统工程，涉及GPU显存调度、CPU预处理吞吐、Python环境隔离等底层机制。其核心原理在于模型权重加载、VAE解码、采样张量动态分配共同决定显存占用，而Windows WDDM驱动、OneDrive同步、CMD编码陷阱等系统层因素常导致‘CUDA out of memory’‘模型加载失败’‘中文乱码’等高频故障。技术价值体现在规避云服务成本、保障数据隐私、实现毫秒级响应与长期工作流稳定；典型应用场景包括高校AIGC毕设、设计师可控出图、制
在conda虚拟环境中安装OpenCv并在pycharm中使用
注意：cp39指Python的版本为3.9，amd64指操作系统为64位，我下载的是opencv_python-4.5.5-cp39-cp39-win_amd64.whl我的虚拟环境名称为testOpencv，Python版本为3.9使用cd命令定位到虚拟环境创建的路径中，为后面安装OpenCV文件做准备。
LeRobot GR00T模型部署实战：从仿真到AGX Orin机械臂的工程化落地
机器人模仿学习通过让机器人观察和模仿人类演示来获取技能，其核心原理是利用深度神经网络（如Transformer）从视觉和语言输入中直接映射出控制指令。这项技术的价值在于能快速赋予机器人完成复杂操作任务的能力，而无需繁琐的手动编程。在实际应用中，将训练好的模型部署到实体机器人（如搭载AGX Orin的SO-101机械臂）是价值实现的关键，这涉及模型微调以适应真实世界噪声、嵌入式平台深度环境配置以及机器人中间件集成。本文聚焦于解决这一过程中的核心工程挑战，特别是针对**jetson agx orin刷机**遇到
树莓派边缘AI部署：从PyTorch模型到裸机二进制实战
边缘AI是指在终端设备本地完成感知、推理与决策的智能范式，其核心在于突破云端依赖，实现低延迟、离线化与资源确定性。技术原理上需融合模型轻量化（剪枝/量化）、ARM64交叉编译、NEON指令优化及内存池化管理，以应对嵌入式平台的算力、功耗与内存硬约束。该技术显著提升工业质检、农业传感、车载中控等场景的实时响应与系统鲁棒性，避免网络抖动或服务中断导致的功能失效。本文聚焦AI on the Edge落地关键路径，详解如何将PyTorch训练模型转化为树莓派可直接执行的静态链接二进制，覆盖量化感知训练、ONNX固化
conda安装tensorflow2.x和pytorch1.8.0的一些常用命令
本文提供了关于安装和使用Miniconda/Anaconda的详细指南，包括下载地址、镜像源配置、常用命令以及TensorFlow和PyTorch的安装方法。主要内容包括： 推荐开发者使用Miniconda，并提供了清华源下载地址 详细说明如何添加清华conda镜像源 列出常用的conda命令，如环境管理、包安装等 提供TensorFlow GPU版本的安装步骤和验证方法 介绍PyTorch的安装方式及版本选择建议 包含Jupyter Notebook的配置命令 提供pip安装包的国内镜像源加速方法 所有内
ESRGAN超分模型开箱实操指南：解压、部署与水印定制
AI图像超分辨率（Super-Resolution）是计算机视觉中提升画质的核心技术，其原理基于深度学习重建高频细节，关键在于感知损失与生成对抗网络协同优化。ESRGAN作为经典架构，通过VGG特征空间约束显著优于双三次插值等传统方法，具备强泛化性与工程落地价值。在设计、短视频、电商等场景中，用户更关注‘开箱即用’——尤其涉及微信dat转jpg、Linux解压zip失败、waterpck水印集成等高频实操问题。本文聚焦ESRGAN定制分支（heyo/crewxbh）的环境适配、反常规zip封装识别、CUDA
100个OpenCV练手项目：从环境搭建到实战的完整路线
计算机视觉作为人工智能的重要分支，核心是让机器理解图像数据。而图像处理则是计算机视觉的基础，涉及滤波、边缘检测、轮廓分析等一系列操作。学习OpenCV这一主流视觉工具库时，若只记忆API而缺少项目实践，很难真正掌握图像数据的处理逻辑与参数调优方法。通过项目驱动的方式，能够在真实任务中理解从图像读取、预处理到算法组合的完整链路，从而提升解决实际工程问题的能力。这类技能广泛应用于人脸识别、目标检测、文档矫正、工业质检等场景。本文围绕100个OpenCV练手项目，提供从环境搭建、难度分层到项目速查的完整路线，帮助
ESRGAN水印去除实战：从zip包解压失败到ComfyUI集成
图像超分辨率是AI视觉基础技术之一，其核心原理在于通过深度生成模型重建高频细节而非简单插值放大；ESRGAN作为代表性对抗式超分架构，凭借感知损失、RRDB模块与相对判别器，在纹理真实感上显著优于传统方法；该技术延伸至水印去除（watermark removal）场景时，需结合数据双域合成、水印掩膜损失与后处理修复，形成端到端语义修复能力；典型落地障碍集中于工程封装环节——zip包结构缺陷、路径硬编码、缺失__init__.py及CUDA环境错配，直接导致file is not a zip file、Mod
AI漫剧实战：MiniMaxH3本地部署+ComfyUI工作流，6G显存出长视频
随着AI视频生成技术的普及，创作者开始追求在有限硬件条件下的本地化部署。本地部署不仅降低使用成本，更能获得对生成流程的完全可控性，这为高频次的内容生产提供了基础。以开源工作流引擎ComfyUI为依托，通过量化模型与显存优化，即便是6G显存的中端显卡也能流畅运行MiniMaxH3视频生成模型，输出60秒级别的AI漫剧片段。本文从视频生成原理出发，讲解模型选择、节点搭建、参数调优与提示词结构化设计，并延伸到剧本拆分、角色一致性控制、后期合成及平台变现路径，为AI漫剧创作者提供一套低成本、可复制的工程化方案。无论
jetson orin nx模组刷机及环境配置（二）
前篇文章把系统和一些环境配好了，接下来可以根据自己的需求配置一些其他的包。由于项目需要，本人配了pytorch，opencv with cuda，在此继续记录一下。
摄像头模组CCM简介
摄像头模组，全称Camera Compact Module，简写为CCM。CCM 包含几大件： 镜头(lens)、音圈马达(VCM)、传感器（sensor）、软板（FPC）、图像处理芯片（DSP）。工作原理：物体通过镜头（lens）聚集的光,通过CMOS或CCD集成电路，把光信号转换成电信号，再经过内部图像处理器（ISP）转换成数字图像信号输出到数字信号处理器（DSP）加工处理，转换成标准的GRB、YUV等格式图像信号。摄像头模组主要由以下几个部分组成：镜头(Lens)：将光线汇聚到图像传感器上。
LingBot-Map依赖图谱：VGGT、DINOv2与FlashInfer三位一体
LingBot-Map 是一个开源的**前馈式 3D 基础模型**（Geometric Context Transformer，GCT），能从连续视频流中完成**流式 3D 重建**：无需逐场景优化，单帧前向即可完成相机位姿与稠密几何预测，在超过 10000 帧的长序列上仍可保持约 20 FPS 的稳定推理。🧩 它的整套能力由三个开源组件共同支撑：**VGGT 提供架构范式、DINOv2 提供预
毕设-YOLOv8-OBB 实现自有数据集缺陷旋转检测全过程记录
这次项目让我深入理解了 YOLOv8-OBB 的原理和使用流程。步骤内容工具数据标注制作倾斜缺陷样本格式转换从 HBB 转换为 OBB模型训练使用 Ultralytics YOLOv8 OBBCLI 命令模型测试推理与结果可视化通过 OBB 模型，我的缺陷检测系统获得了更高的精度和鲁棒性。未来我打算继续优化数据增强方式，比如引入随机旋转、仿射变换等，让模型更适应不同角度的样本。
SPI 总线信号完整性与时序一致性测试
SPI总线测试的核心目标是验证其电气与时序行为是否满足芯片规格要求，确保通信可靠性
【OpenVLA复现】在LIBERO环境中复现OpenVLA
OpenVLA复现与LIBERO环境部署摘要 OpenVLA是首个开源的视觉语言动作模型（VLA），基于7B参数的Llama 2架构，结合DINO-v2和SigLIP视觉编码器，在Open-X Embodiment数据集（970k真机演示）上训练，性能超越RT-2-X 55B模型16.5%且参数更小。本博客内容为openvla在libero仿真环境中的记录
华为OD机考双机位C卷 - 手机App防沉迷系统（Java & Python& JS & C/C++ & GO ）
华为OD机考双机位C卷 - 手机App防沉迷系统（OD上机考试双机位C卷）。提供在线OJ刷题。Java、C++、Python、GO语言、C语言、JavaScript题解，并提供完整思路讲解。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
413
扫一扫
