chenyuan1111的博客

最近项目中用到了条码检测，查阅很多资料，说用Zbar等工具检测的比较多。但是我们会发现，检测是不稳定的，Zbar是解析条码的工具包，运用好它的前提是：能够准确将条码区域提取出来，以及图像质量（分辨率、打光效果等）要把握很好。本文基于YOLOV8+OnnxRuntime部署+滑动窗口+Zbar对于条码检测进行升级，可以有效解决条码检测问题，并且速度也很高。市面上有很多条码、二维码检测的算法，最让人印象深刻的就是腾讯微信扫码——基于SSD和超分算法的二维码检测方式。

其实我们可以看到应用onnx来预测确实是准确性有所降低，这里也是用的最小的模型yolov8n-pose的模型，可能用大的模型会更好。但重点是一些套路，比如onnx推理引擎的使用，opencv可视化的模版，这些套路对以后开发是很有帮助的。

本节所用是调用yolov8的函数完成预测，并使用python解析视频预测结果，并绘制。首先作者的代码跑出来效果是这样的。和yolov8提供的api跑出来不一致。这里的问题在于如果点数少于16，会被自动映射到原点。有机会再修改一下代码，或者有读者已经修改好了，可以发在评论区。但是会报错，然后网上查了一下，要加.data才可以。但是结果就是和视频跑出来的不一样了。特别注意按照源代码，这一行是。

本节所用是调用yolov8的函数完成预测，并使用python解析预测结果，并绘制预测结果。

【代码】如何便捷地使用matplotlib显示opencv的图片。

**方法一**：正常一张一张标注，标注完成之后另存一份classes.txt文件。如果打卡发现了classes.txt有误，将正确的复制回来即可。 - **方法二**：在第一张中标注所有类别，保存好第一张图片和对应的classes.txt。这样就是从一开始就确定**类别、顺序**。这也是实现**多人同时标注**，并且标注文件一致的有效手段。

如果模型最后结果和训练时候的精度对不上。比如训练精度0.99，推理精度0，则应该是模型预处理（归一化部分）有问题。模型推理时候输入的图片的归一化操作，必须和训练模型时候的图片归一化操作一致。

训练模型，需要提供给模型有一定对比性的图片，比如图片包含两个不同的目标；另一方面，增加batchsize也可以增加对比性，因为batchsize=1，所有图片仅仅包含一个目标时就很难训练好的模型。2） 如果标注的图片内部由多个目标，最好包含所有你想识别的目标，那么batchsize=1时，也可以得到理想的模型。1） 如果标注的图片内只有一个目标，那么训练batchsize=1，大概率得不到你想要的模型。onnx + openvino框架 + opencv。onnx runtime推理框架；

【代码】pip和conda如何清理缓存的包。

梯度下降法直观理解

在误差反向的过程中，误差传递到饱和神经元便不会更新包和神经元参数。这样W参数就会一直不改变。

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-