Ubuntu 20.04下OpenPose环境配置全攻略:从零到运行

Ubuntu 20.04 + RTX 3070 显卡下 OpenPose 环境搭建全攻略(含 Conda 虚拟环境避坑指南) 本文详细介绍了在Ubuntu 20.04系统和RTX 3070显卡环境下搭建OpenPose的完整流程,特别针对Conda虚拟环境中可能遇到的问题提供了解决方案。从环境准备、依赖安装到编译配置和性能优化,涵盖了OpenPose环境搭建的各个环节,帮助开发者高效完成计算机视觉项目的部署。 阅读详情

1. 环境准备:打好地基,事半功倍

大家好,我是老张,一个在AI和计算机视觉领域折腾了十多年的“老码农”。今天咱们不聊那些虚头巴脑的理论,直接上手干一件实事:在 Ubuntu 20.04 系统上,从零开始把 OpenPose 这个强大的人体姿态估计库给配置好,让它能顺顺当当地跑起来。OpenPose 是卡内基梅隆大学开源的一个项目,它能从图片或视频里精准地识别出人体的各个关节点,比如手肘、膝盖、肩膀的位置,在动作分析、人机交互、健身评估这些领域应用非常广。如果你是做相关研究、项目开发,或者单纯想体验一下前沿的视觉技术,那跟着我走一遍,保准你能避开我当年踩过的那些坑,一路绿灯。

咱们这次的目标很明确,就是让 OpenPose 在你的 Ubuntu 20.04 上成功编译并运行。我自己的测试环境是一台搭载了英伟达 RTX 3070 显卡的机器,系统是纯净安装的 Ubuntu 20.04 LTS。为什么强调 20.04?因为这个版本长期支持,生态稳定,很多库的兼容性都经过充分验证,是搞开发非常稳妥的选择。对于使用 30 系显卡(比如 3060, 3070, 3080, 3090)的朋友来说,配置过程会有点特殊的小波折,因为新显卡只支持 CUDA 11 以上的版本,而 OpenPose 依赖的 Caffe 框架对高版本 CUDA 支持不太友好。别担心,后面我会详细告诉你怎么办。

在开始敲命令之前,咱们先理清一个关键点:要不要用 Anaconda? 官方文档明确警告说,Anaconda 自带的 Protobuf 库版本可能会和 Caffe 冲突,建议要么卸载 Anaconda,要么在系统全局环境里编译。但根据我多次实测的经验,这个警告可以“选择性忽略”。我们完全可以在 Conda 创建的虚拟环境里完成所有编译工作,这样既能保持系统环境的干净,又能灵活管理 Python 版本和依赖。我下面的所有操作,除非特别说明,都是在 Conda 虚拟环境中进行的。所以,第一步,先去 Miniconda 或 Anaconda 官网下载安装包,把它装好。然后创建一个新的 Python 3.6 环境(OpenPose 的 Python 接口对 3.6 兼容性最好),命令很简单:conda create -n openpose python=3.6.13,激活环境用 conda activate openpose。好了,地基选好了,咱们开始砌墙。

1.1 安装系统级依赖

编译 OpenPose 就像盖房子,需要一堆“建筑材料”。这些材料大部分是 C++ 库,需要通过 Ubuntu 的包管理器 apt 来安装。首先,确保你的系统软件源是最新的,打开终端,执行:

sudo apt-get update

接下来,安装最核心的编译工具链和基础库:

sudo apt-get install -y build-essential cmake git

build-essential 包含了 GCC、G++、Make 等核心编译工具,cmake 是 OpenPose 使用的构建系统,git 用来下载源代码。

然后,安装 OpenPose 运行和编译所需的一系列依赖库。这里我推荐直接使用 OpenPose 官方仓库里提供的一个脚本,它本意是给 Caffe 安装依赖的,但其中大部分库 OpenPose 也用得上。不过,那个脚本会尝试安装很多东西,包括用 pip 安装一些 Python 包,这可能会和我们虚拟环境的管理产生冲突。我的建议是,只提取其中必要的系统库安装命令。你可以新建一个脚本文件,比如叫 install_deps.sh,把下面这些内容放进去:

#!/bin/bash
# 基础编译工具(上面已安装,这里列出以示完整)
# sudo apt-get install -y build-essential

# 通用依赖
sudo apt-get install -y libatlas-base-dev libprotobuf-dev libleveldb-dev libsnappy-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install -y --no-install-recommends libboost-all-dev

# 其他依赖
sudo apt-get install -y libgflags-dev libgoogle-glog-dev liblmdb-dev

# OpenCV 开发库(非常重要!)
sudo apt-get install -y libopencv-dev

给脚本加上执行权限 chmod +x install_deps.sh,然后运行 sudo bash install_deps.sh。这里重点说一下 libopencv-dev,OpenPose 的输入输出处理严重依赖 OpenCV,这个包必须装上。另外,protobuf 和 libprotobuf-dev 也很关键,它们是谷歌的数据序列化工具,Caffe 模型文件用它来定义和存储。安装完成后,基础的“建筑材料”就备齐了。

1.2 搞定 CUDA 和 cuDNN

对于有 Nvidia 显卡的用户,这一步是性能的关键。CUDA 是 Nvidia 的并行计算平台,cuDNN 是针对深度神经网络的加速库。30系显卡的朋友们注意了,你们必须安装 CUDA 11.x 版本,因为驱动不支持更老的 CUDA 10.2。我使用的是 CUDA 11.1 和 cuDNN 8.0.4,这个组合比较稳定。

  1. 安装 CUDA 11.1:去 Nvidia 官网的 CUDA Toolkit 存档页面,找到 11.1 版本,选择对应 Ubuntu 20.04 的 runfile 本地安装方式。下载后,在终端运行:

    sudo sh cuda_11.1.0_455.23.05_linux.run
    

    安装过程中,记得取消勾选驱动安装(Driver),因为你的显卡驱动应该已经通过 ubuntu-drivers 或官方 .run 文件装好了。只安装 CUDA Toolkit 即可。安装完成后,按照提示将 CUDA 路径加入环境变量。通常是在 ~/.bashrc 文件末尾添加:

    export PATH=/usr/local/cuda-11.1/bin${PATH:+:${PATH}}
    export LD_LIBRARY_PATH=/usr/local/cuda-11.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
    

    然后执行 source ~/.bashrc 使其生效。验证安装:nvcc --version 应显示 11.1。

  2. 安装 cuDNN 8.0.4:去 Nvidia 开发者网站下载 cuDNN,需要注册账号。选择对应 CUDA 11.1 的 cuDNN 8.0.4 版本(例如 cudnn-11.1-linux-x64-v8.0.4.30.tgz)。下载后解压,将其中的头文件和库文件复制到 CUDA 目录:

    tar -xzvf cudnn-11.1-linux-x64-v8.0.4.30.tgz
    sudo cp cuda/include/cudnn*.h /usr/local/cuda-11.1/include
    sudo cp cuda/lib64/libcudnn* /usr/local/cuda-11.1/lib64
    sudo chmod a+r /usr/local/cuda-11.1/include/cudnn*.h /usr/local/cuda-11.1/lib64/libcudnn*
    

    至此,GPU 计算的软硬件基础就搭建完成了。

2. 获取源码与 CMake 图形化配置

材料备齐,该拿“设计图纸”了。OpenPose 的源代码托管在 GitHub 上,我们用 git 把它克隆到本地。找一个你喜欢的目录,执行:

git clone https://github.com/CMU-Perceptual-Computing-Lab/openpose.git
cd openpose

这个过程可能会有点慢,因为仓库包含了模型文件。克隆完成后,你会看到一个 openpose 文件夹,里面就是所有的源代码。

接下来是最核心也最容易出错的环节:CMake 配置。CMake 的作用是根据你的系统环境,生成适合的编译脚本(Makefile)。官方推荐使用 CMake 的图形化界面(GUI)来操作,对新手非常友好。首先确保安装了 GUI:sudo apt-get install cmake-qt-gui。

  1. 准备构建目录:在 openpose 文件夹内,创建一个 build 目录,并进入。

    mkdir build
    cd build
    
  2. 启动 CMake-GUI:在终端里输入 cmake-gui ..(注意最后有两个点,代表上一级目录)。图形界面会弹出。

  3. 指定路径:

    • 在 “Where is the source code:” 栏,点击 “Browse Source…”,选择你刚克隆的 openpose 文件夹的根目录。
    • 在 “Where to build the binaries:” 栏,它应该自动填充为 openpose/build,也就是你当前所在的目录。如果 build 目录是空的,CMake 会问你是否创建,点 “Yes”。
  4. 首次配置:点击左下角的 Configure 按钮。会弹出一个对话框让你选择生成器(Generator),保持默认的 “Unix Makefiles” 即可。指定本地工具链(Specify native compilers)也可以默认。点击 “Finish”。CMake 会开始第一次扫描和配置。

  5. 关键参数设置:第一次配置结束后,中间区域会出现一堆红色(表示新变量或修改过的变量)的配置项。我们需要关注几个最重要的:

    • BUILD_PYTHON:务必勾选。这样才会编译生成 Python 接口,我们才能用 Python 来调用 OpenPose。
    • GPU_MODE:确保它是 CUDA。如果你没有 Nvidia 显卡,才需要选择 CPU_ONLY。
    • CUDA_TOOLKIT_ROOT_DIR:这个路径应该自动指向你的 CUDA 安装目录(如 /usr/local/cuda-11.1)。检查一下是否正确。
    • Python_EXECUTABLE:非常重要! 点击这一行,然后点击右边的 “…” 按钮,手动导航到你 Conda 虚拟环境中的 Python 解释器。路径类似 /home/你的用户名/miniconda3/envs/openpose/bin/python3.6。这样能确保 CMake 找到正确环境下的 Python 和其头文件。
    • Python_LIBRARY 和 Python_INCLUDE_DIR:在指定了 Python_EXECUTABLE 并再次 Configure 后,这两个路径通常会自动填充正确。如果不正确,同样需要手动指定到你的 Conda 环境下的库和头文件目录。
  6. 30系显卡用户的特殊操作:这是避坑关键点!找到 USE_CUDNN 这个选项。取消它的勾选。为什么呢?因为 OpenPose 底层使用的 Caffe 框架对 CUDA 11+ 和 cuDNN 8+ 的兼容性有问题,直接启用 cuDNN 编译会报错(比如 cudnn version not supported)。我们先关掉它,让编译通过。这会导致运行时无法使用 cuDNN 加速,但至少能让程序跑起来。后面我们会讨论这个取舍带来的影响和替代方案。

  7. 完成配置:修改完上述参数后,再次点击 Configure 按钮。这次红色条目会变少。如果还有红色,检查是否是其他路径问题。反复点击 Configure,直到红色条目全部消失,底部信息窗口最后一行出现 “Configuring done”。

  8. 生成 Makefile:点击 Generate 按钮。成功后,底部会显示 “Generating done”。现在,你可以关闭 CMake-GUI 了。build 目录里已经生成了编译所需的所有文件。

注意:CMake 过程可能会因为缺失某些库而报错。常见的错误信息会明确指出缺少哪个库(比如 Could NOT find xxx)。根据提示,用 sudo apt-get install libxxx-dev 安装对应的开发包即可。耐心一点,这是配置过程中最需要排查问题的阶段。

3. 编译与安装:漫长的构建过程

配置搞定,接下来就是体力活了——编译。这个过程会消耗大量时间和 CPU/内存资源,喝杯咖啡等着吧。回到终端,确保你在 openpose/build 目录下。

执行编译命令:

make -j`nproc`

这个命令非常关键。make 是启动编译,-j 参数表示并行编译,后面的 nproc 命令会获取你电脑的 CPU 核心数,比如 8 核就是 -j8。用上所有核心能极大缩短编译时间。整个编译过程可能会持续 30 分钟到 2 小时,取决于你的机器性能。你会看到屏幕上飞速滚过大量的编译信息。

编译过程中如果报错停止,最常见的还是依赖问题。仔细看错误输出,通常能定位到是哪个文件或库出了问题。我遇到过的几个典型问题:

  1. Protobuf 版本冲突:如果报错提到 Protobuf,这很可能是因为系统(或 Conda 环境)里存在多个版本。确保在 CMake 中指定的 Python 路径正确,并且 Conda 环境里没有安装与系统冲突的 protobuf 包。可以在 Conda 环境中尝试 conda install protobuf 安装一个兼容版本。
  2. CUDA 相关错误:如果错误指向 CUDA 代码,再次确认 CUDA_TOOLKIT_ROOT_DIR 路径是否正确,以及你的显卡驱动、CUDA 版本是否兼容。30系显卡务必使用 CUDA 11.x。
  3. 内存不足:编译 Caffe 部分时非常吃内存。如果机器内存较小(比如小于 8GB),可以尝试减少并行任务数,比如用 make -j4。

当终端最后出现大量 [100%] 的提示,并且不再有新的编译动作时,说明编译成功了!此时,在 build 目录下会生成可执行文件 examples/openpose/openpose.bin,以及在 build/python/openpose/ 下生成 Python 模块文件(名字类似 pyopenpose.cpython-36m-x86_64-linux-gnu.so)。

为了让 Python 能直接导入 pyopenpose,我们需要把这个 .so 文件放到 Python 能找到的地方。有两种方法:

  • 方法A(推荐,虚拟环境专用):直接复制到你的 Conda 虚拟环境的 site-packages 目录。
    cp build/python/openpose/pyopenpose.cpython-36m-x86_64-linux-gnu.so /home/你的用户名/miniconda3/envs/openpose/lib/python3.6/site-packages/
    cd /home/你的用户名/miniconda3/envs/openpose/lib/python3.6/site-packages/
    ln -s pyopenpose.cpython-36m-x86_64-linux-gnu.so pyopenpose
    
    这样,在 Python 中就可以用 import pyopenpose as op 来导入了。
  • 方法B(系统级):如果你是在系统 Python 环境下编译的,就复制到系统的 dist-packages 目录,并创建软链接。

4. 运行测试与性能调优

激动人心的时刻到了,让我们看看 OpenPose 是否真的能工作。

基础测试:先用官方提供的命令行工具测试。在 build 目录下运行:

./examples/openpose/openpose.bin --video examples/media/video.avi

如果一切正常,你会弹出一个窗口,播放一段视频,视频中的人物身体上会被画出骨骼关节点。恭喜你,核心功能已经跑通了!

Python 接口测试:创建一个简单的 Python 脚本 test_openpose.py:

import cv2
import pyopenpose as op

# 设置 OpenPose 参数
params = dict()
params["model_folder"] = "../../models/"  # 指向 openpose 根目录下的 models 文件夹
params["net_resolution"] = "-1x368"  # 网络输入分辨率,-1表示保持宽高比

# 初始化 OpenPose
opWrapper = op.WrapperPython()
opWrapper.configure(params)
opWrapper.start()

# 读取图片
image = cv2.imread("../../examples/media/COCO_val2014_000000000192.jpg")
if image is None:
    print("图片读取失败,请检查路径")
    exit()

# 处理图片并获取结果
datum = op.Datum()
datum.cvInputData = image
opWrapper.emplaceAndPop([datum])

# 显示结果
print("检测到的人体关键点:", datum.poseKeypoints.shape)
cv2.imshow("OpenPose 结果", datum.cvOutputData)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行这个脚本,如果能看到图片上绘制了姿态,并且终端打印出关键点的形状(例如 (1, 25, 3) 表示检测到1个人,25个关键点,每个点有x,y,置信度3个值),那么 Python 接口也完全正常了。

关于 30 系显卡和 cuDNN 的深度讨论:前面我们为了编译通过,关闭了 USE_CUDNN。这带来的直接影响是,在首次加载 Caffe 模型时,OpenPose 会使用一个纯 CUDA 的实现来初始化一些层,这个过程会临时占用大约 8GB 的显存,持续半秒到一秒后释放。如果你的显卡显存小于或刚好 8GB(比如 RTX 3070 是 8GB,RTX 3060 有 12GB 和 8GB 版本),就可能在启动瞬间遭遇 CUDA out of memory 错误。

我实测的解决方案和权衡如下:

  1. 硬扛法:对于 8GB 显存卡,关闭所有其他占用显存的程序,有较大概率能启动成功。一旦启动,后续处理图片/视频的显存占用会回落到正常水平(处理 1080p 图片约 1-2GB)。
  2. 升级硬件法:换用显存大于 8GB 的显卡,这是最根本的解决办法。
  3. 寻找补丁:社区有一些针对 Caffe 以支持 CUDA 11 和 cuDNN 8 的补丁,但将这些补丁集成到 OpenPose 的 Caffe 子模块中过程较为复杂,且稳定性需要自行验证。对于追求稳定和效率的用户,这可能是一个值得尝试的进阶方向。
  4. 使用 CPU 模式:在 CMake 中将 GPU_MODE 设为 CPU_ONLY。这当然能避免所有 GPU 内存问题,但处理速度会慢几十倍,仅适合测试或对实时性毫无要求的场景。

对于大多数拥有 30 系 8GB 显存卡的用户,我建议采用“硬扛法”,并确保在运行 OpenPose 前释放尽可能多的显存。虽然有一瞬间的惊险,但日常使用没有问题。

5. 进阶配置与实用技巧

环境搭好了,能跑起来了,咱们再聊聊怎么让它跑得更好、更顺手。

模型文件:OpenPose 依赖预训练模型。源代码克隆时,models/ 目录下应该有这些模型的下载脚本(.sh 文件)。如果 models/ 目录是空的,你需要运行:

cd models
sudo bash ./getModels.sh

这个脚本会下载身体、手部、面部等关键点检测模型,文件比较大,总共几个GB,确保网络通畅。

提高处理速度:

  • 调整 net_resolution:这是最重要的参数。值越小(如 656x368, -1x368),速度越快,但精度可能下降,对小目标检测变差。值越大(如 1312x736),精度高,速度慢。需要根据你的应用场景和硬件性能做权衡。
  • 限制检测人数:设置 number_people_max 参数。如果你场景中通常只有1个人,设为1可以节省计算资源。
  • 使用多尺度检测:scale_number 和 scale_gap 参数用于多尺度人物检测,提高检出率但会增加计算量。对于固定摄像头、人物大小变化不大的场景,可以关闭多尺度(scale_number=1)。
  • 选择性地关闭手部、面部检测:如果你只需要身体姿态,在参数中设置 hand=false 和 face=false,可以显著提升帧率。

Python 接口的优雅使用:op.WrapperPython 是主要的接口类。对于处理视频流(摄像头或视频文件),建议使用 op.VideoReader 和循环调用 opWrapper.emplaceAndPop 的方式,而不是为每一帧都创建新的 Datum 对象。记得在循环结束后释放资源。对于图像序列,可以使用 processImage 函数。

编译优化(针对二次编译或高手):如果你经常需要修改 OpenPose 源码并重新编译,可以研究一下 CMake 的 CMAKE_BUILD_TYPE 选项。Release 模式会进行最高级别的优化,生成速度最快的代码,但编译时间更长。Debug 模式包含调试信息,方便定位代码问题。默认通常是 Release。你可以在 CMake-GUI 中修改这个变量。

最后,再分享一个我踩过的坑:有时更新了 Nvidia 驱动或 CUDA 后,重新编译 OpenPose 可能会失败。这时候,最干净的做法是彻底删除 build 目录,然后从头开始 CMake 配置和编译。虽然耗时,但能避免很多因缓存导致的诡异问题。OpenPose 的环境配置确实比一般的 Python 库要复杂,它更像是一个 C++ 工程。但一旦搭建成功,它的强大功能和稳定性会让你觉得这些努力都是值得的。希望这篇超详细的攻略能帮你顺利上车,开启你的人体姿态估计之旅。如果在实际操作中遇到新的问题,不妨去 OpenPose 的 GitHub Issues 页面看看,全球的开发者们在那里贡献了无数宝贵的经验。

8G显存本地AI视频生成:ComfyUI部署与优化全攻略 AI视频生成技术正从云端走向本地,其核心原理基于扩散模型对图像序列的时序建模,通过逐步去噪生成连贯动态。这项技术的工程价值在于为个人开发者和创作者提供了低成本、高隐私的本地化解决方案,尤其适用于短视频素材制作、动态海报和AI漫剧等创意场景。针对消费级硬件,特别是8GB显存的NVIDIA显卡,通过ComfyUI节点式工作流进行模型选择与参数优化,结合ControlNet等控制网络,可以在有限资源下实现稳定的图生视频功能。本文聚焦于解决部署流程、显存优化和批量任务集成等实际问题,帮助用户在本地环境中高效运行AI 阅读详情

相关推荐

《图像处理与计算机视觉》全套课件PDF(武汉工程大学)

获取 《图像处理与计算机视觉》全套课件PDF(武汉工程大学)::https://download.csdn.net/download/m0_54748666/93260852。《图像处理与计算机视觉》全套课件PDF(武汉工程大学)第二讲-图像及其表达与性质.pdf。第五讲-图像形态学变换.pdf。第四讲-图像数据压缩.pdf。第三讲-图像预处理.pdf。第六讲-图像分割.pdf。第七讲-目标识别.pdf。第一讲-导论.pdf。

m0_54748666的博客 156

15分钟玩转Intel RealSense:MATLAB深度视觉开发全攻略

想用MATLAB快速接入深度视觉世界吗?Intel RealSense的MATLAB开发者包为你打开了通往三维感知的大门。这个开源项目让科研人员和工程师无需深入C++底层,就能轻松调用D400系列深度相机的强大功能,从基础数据采集到高级三维重建,一切都在熟悉的MATLAB环境中完成。 ## 🚀 快速入门:两种方式任你选 ### 方案一:一键安装(新手友好) 如果你是Windows用户,最快

gitblog_01075的博客 702

MATLAB实战:四桥臂逆变器3D-SVPWM调制算法仿真全流程(附代码)

本文提供了一份完整的MATLAB/Simulink实战指南,详细解析了四桥臂逆变器的3D-SVPWM调制算法仿真全流程。文章从工程实践出发,手把手指导如何搭建模型,涵盖从abc静止坐标系变换、三维空间矢量区域判定、作用时间计算到PWM信号生成与调试等核心环节,并附有代码示例和常见问题解决方案,旨在帮助工程师快速掌握这一应对不平衡负载的高效调制技术。

qsc90123456的博客 235

Muse Spark 1.2:中配硬件本地部署AI绘画工具全攻略

AI图像生成技术,特别是基于扩散模型的文生图、图生图应用,正成为内容创作与自动化生产的关键驱动力。其原理是通过学习海量图像-文本对,将随机噪声逐步去噪,生成符合文本描述的视觉内容。这项技术的核心价值在于将创意快速可视化,极大提升了设计、媒体、营销等领域的内容生产效率。本地化部署则解决了数据隐私与云端服务的延迟、成本问题,让开发者和创作者能在自有硬件上构建私有化AI能力。Muse Spark正是这样一款专注于在“中配”硬件上实现高质量图像生成的本地化工具,它通过优化模型与提供便捷的启动方式,旨在降低AI绘画的

weixin_34387468的博客 498

MATLAB去雾算法实战:5种经典方法对比+1种改进方案(附完整源码)

本文详细对比了MATLAB中5种经典去雾算法(包括暗通道先验、多尺度Retinex等)的实现效果,并提出一种创新的自适应融合改进方案。通过完整的源码展示和性能对比,帮助开发者掌握图像去雾的核心技术,提升计算机视觉应用中的图像质量。特别针对去雾算法中的光晕效应问题,给出了工程实践中的优化技巧。

weixin_26801149的博客 414

数字IC后端设计实现OCC(On-chip Clock Controller)电路介绍及时钟树综合案例

数字IC后端设计实现OCC(On-chip Clock Controller)电路介绍及时钟树综合案例

weixin_37584728的博客 4740

目标检测 16 道高频思考题全解——从 Faster R-CNN 到 YOLO v1 的复习手册

无论哪个版本,loss、输出形状、一次前向都只反映训练/前向过程,真正衡量检测好坏仍要靠独立验证集上的 Precision、Recall、AP、mAP——这是模型"检得准不准"的唯一可靠口径。随机初始化的 RPN 可能没提出与真实实例 IoU 达标(≥0.5)的正 RoI,那么即使图像里有有效 mask,这个 batch 也没有可用的正样本 RoI,loss 自然为 0。课程项目用的是 7×7 网格。把"在哪里"和"是什么"分开,每个候选区域都能拿到充分的特征计算资源做精细分类与回归,精度天花板更高。

anew___的博客 283

利用PLECS实现Boost变换器的闭环控制仿真与优化

本文详细介绍了如何利用PLECS仿真软件实现Boost变换器的闭环控制与优化。从基础原理到开环系统搭建,再到闭环控制设计与动态优化,提供了完整的仿真实践指南。通过PLECS的仿真功能,工程师可以有效诊断问题、优化参数,并实现高性能的DC-DC变换器设计。

weixin_42527401的博客 325

料箱抓取中的背面点:按面板读懂一张坐标可视化

料箱抓取画面里的背面点,是 HccePose(BF) 根据已知物体的 RGB 外观预测出的模型表面坐标。读图时把正面坐标、背面坐标和最后的位姿投影沿着同一个物体对照,才能看出各个中间结果在表达什么。

weixin_42605076的博客 349

基于POD和神经网络的多工况温度场重构反演系统

本文提出了一种基于本征正交分解(POD)和神经网络的多工况温度场重构反演系统。该系统通过POD方法从多工况温度场数据中提取主要特征模态,构建神经网络模型建立工况参数与POD模态系数的映射关系,实现温度场的快速重构。系统采用Python实现,包含数据预处理、POD分解、神经网络训练和温度场重构等模块。实验结果表明,该方法能够有效降低计算复杂度,实现高精度的温度场预测。

huanghm88的专栏 277

高级计算机体系结构--三次作业

中科大 高级计算机体系结构 作业

一杯水果茶!足矣~ 1396

目标检测上机实战手册——四套环境、COCO 数据坑与训练闭环验证全清单

跑目标检测项目,难的不是"看懂原理",而是"跑通并确认它真的跑对了"。这份手册把 Faster R-CNN、Mask R-CNN、YOLO v3、YOLO v1 四个上机项目里所有工程层面的坑一次性整理出来:环境怎么隔离、COCO 标注怎么转、训练一 batch 到底在验证什么、哪些数字能看哪些不能信。

anew___的博客 179

swl安装无法与服务器建立链接,如何解决?

🏆本文收录于《全栈Bug调优(实战版)》专栏,主要记录项目实战过程中所遇到的Bug或因后果及提供真实有效的解决方案,希望能够助你一臂之力,帮你早日登顶实现财富自由🚀;同时,欢迎大家关注&&收藏&&订阅!持续更新中,up!up!up!! 备注:部分问题/疑难杂症搜集于互联网。

**My Coding Family** 2079

无人机航拍垃圾检测数据集深度学习 目标检测 无人机航拍 垃圾检测 环境卫生 YOLO格式 数据集发布9029期

无人机航拍垃圾检测数据集深度学习 目标检测 无人机航拍 垃圾检测 环境卫生 YOLO格式 数据集发布9029期

qq_2529413168的博客 230

YOLOv12改进前必看 - YAML模型配置文件详细解读(再也不用担心通道数不匹配) 附网络结构图

YOLOv12的模型配置文件在中,里面包含yolov12的以及的不同大小的模型,本文将详细介绍一下YOLOv12模型文件中各参数的含义。

Limiiiing的博客 3279

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

YOLO算法室内环境玻璃瓶目标检测数据8979张:类别与标注速览

该数据集聚焦于室内环境中各类玻璃瓶的识别与定位,涵盖多种材质、颜色和形状的玻璃容器,适用于家庭、仓储、零售等场景下的物品管理与自动化识别需求。该数据集包含训练集7812张、验证集818张、测试集349张,共计8979张图像,分布结构合理,能够有效支持模型训练、调优与性能评估。落地场景大致有智能仓储管理系统、自动分拣设备、零售商品识别系统以及家庭安防监控等领域,尤其适用于需要对玻璃制品进行分类与追踪的工业与消费场景,具备良好的落地潜力与实用前景。数据量、场景复杂度、标注质量三样都过关,这份数据可以直接开训;

小秋的博客 259

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

OpenCV 车辆数量统计

涉及到的知识点:1)基本图像运算与处理2)形态学3)轮廓查找4)加载视频5)通过形态学识别车辆6)对车辆进行统计7)显示车辆统计信息。

ahccqw的博客 110

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

【无标题】无人机视角道路坑洞坑洼目标检测数据集深度学习 目标检测 无人机航拍 道路坑洞 路面病害 YOLO格式 数据集发布9032期

(一)类别构成该数据集聚焦单一类别——坑洞(类别 ID 为 0),任务指向明确,围绕无人机俯视视角下的道路坑洞目标开展检测标注。类别体系精简,与公路路面病害巡检的实际需求高度契合,图像中的坑洞样本可直接作为路面破损识别的核心正样本,便于对接道路养护排查流程。(二)数据数量数据集规模为 3285 张无人机俯视航拍图像,采用标准 YOLO txt 标注格式,标注框总计 4457 个,其中带有效标注的图片 2007 张,全部图片均带有有效标注。

qq_2529413168的博客 185

基于深度学习的猫图像目标检测方法研究:YOLOv8s模型海选、多种子对比训练与Django+ONNX部署实现详解

本课题基于深度学习研究猫图像目标检测问题。数据集含1000张猫图像、1188个标注框,按固定比例划分并冻结清单;训练前在多个候选族中短训海选,确定YOLOv8s为主模型,经学习率搜索与显存标定后完成150轮训练,验证集mAP50达到0.92,并以7个随机种子的对比实验验证稳定性。最优权重导出为ONNX接入Django系统,提供图片、视频、摄像头三种识别方式,配套识别记录管理与统计大屏,形成从训练到应用的完整闭环。

WEIXIN_JSJBSZDS的博客 218

基于深度学习的水下复杂场景鱼类目标检测系统:YOLOv8+Django实现详解

本课题面向水下复杂场景的鱼类检测问题,以YOLOv8s为主模型,在约8200张、13类的水下图像上完成训练。训练前通过短训海选自动选型,训练后与Faster R-CNN、SSD300在同一冻结划分和COCO评测口径下对比,三个随机种子重复实验并做统计检验,验证集mAP50-95为0.734。最优权重经对账后导出为端到端ONNX,接入Django与Vue系统,提供图片、视频、摄像头识别、识别历史管理与可视化大屏,形成从模型到应用的完整闭环。

WEIXIN_JSJBSZDS的博客 351

无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期

无人机巡检道路路面异常检测数据集 深度学习 目标检测 无人机巡检 道路病害 路面异常 YOLO格式 数据集发布9028期

qq_2529413168的博客 212

深度学习 目标检测 无人机巡检 防震锤 电力设备 YOLO格式 数据集发布

深度学习 目标检测 无人机巡检 防震锤 电力设备 YOLO格式 数据集发布 9038期

qq_2529413168的博客 315

OpenCV 图像轮廓

轮廓查找 绘制轮廓 计算面积 计算周长 approxPolyDP (多边形拟合) 作用: 用较少且平滑的直线段来近似表示一个复杂的轮廓。常用于提取物体的几何形状(如把圆角矩形简化为矩形,把五角星简化为五边形),是形状识别中非常常用的函数。参数含义: 作用: 找到能够将一个轮廓(或一堆点)完全包围住的最小凸多边形。就像是用一根橡皮筋把所有钉子(轮廓上的点)紧紧包住,橡皮筋的形状就是“凸包”。常用于检测物体的凸缺陷。参数含义: 大外接矩形 (Bounding Rectangle) 作

ahccqw的博客 243
上一篇: 渗透利器HackBar:从零开始安装与配置指南
下一篇: Windows下用C#开发RTSP/RTMP播放器的5个实战技巧(附大牛直播SDK示例)
code8
博客等级 码龄17年 65粉丝 1720原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值