csdn_xmj的博客

我们使用 Google （GCP） 作为我们的云平台，并选择使用 Apache Beam 作为我们的分布式计算框架来加快处理时间，因为 GCP 为 Beam 提供了一个名为 Dataflow 的执行引擎，该引擎功能相当齐全。由于我们的图像处理管道结合了自定义 Python 库以及大型外部依赖项（如机器学习模型），因此我们需要使用灵活的计算框架（如 Beam 或 Spark），而不是 BigQuery 等结构化程度更高的数据处理平台。

 在培养皿中寻找细菌菌落是药物制造过程中控制生产环境无菌性的常规方法。经过几次模型选择试验，我成功训练出一个 YOLOv8 模型，其准确率为 76%，召回率为 99%。这种性能足以满足药物制造的需求，目前唯一阻碍实际应用的因素是缺乏用于拍摄图像的自动硬件。

在本文中，我们将探讨如何使用 TensorFlow Lite 的 MoveNet Lightning 模型和 OpenCV 构建实时姿势检测系统。这个项目使我们能够使用网络摄像头检测身体关节并动态地可视化运动。 

如题

为了尽我们的微薄之力，我们将在本文中使用 PyTorch训练一个用于洪水识别的语义分割模型。有趣的是，我们在 epoch 33 上获得了最小的验证损失 0.222，而最高的像素准确度出现在 epoch 3。也许我们可以用更低的初始学习率进行训练，以缓解这种不稳定的训练。为了获得更好的性能，我们将使用预训练的权重。其中包括用于保存最佳模型的类、用于保存准确率和损失图的函数，以及用于在图像上叠加分割图的函数。但我们可以通过更多的训练数据和更好的训练技术来纠正这个问题。这将返回标记像素的总数和正确分类的像素。

MS COCO 数据集是 Microsoft 发布的大规模对象检测、图像分割和字幕数据集。机器学习和计算机视觉工程师广泛使用 COCO 数据集进行各种计算机视觉项目。

计算机视觉领域正在迅速发展，尤其是随着生成式人工智能的出现，它正在推动该领域的进一步发展。当我们考虑检测物体时，通常首先想到的是物体检测。但为了获得更好的结果，应该考虑使用物体跟踪。这种方法不仅可以检测物体，还可以随着时间的推移跟踪它们，为每个物体分配唯一的 ID，以获得更准确、更全面的结果。

本篇文章是Stitcher类的扩展介绍，通过例程stitching_detailed.cpp的使用和参数介绍，帮助大家了解Stitcher类拼接的具体步骤和方法。

OpenCV的常用图像拼接方法（三）：基于特征匹配的图像拼接，本次介绍SIFT特征匹配拼接方法，OpenCV版本为4.4.0。特点和适用范围：图像有足够重合相同特征区域，且待拼接图像之间无明显尺度变换和畸变。

OpenCV常用图像拼接方法(二) ：基于模板匹配的图像拼接。基于模板的图像拼接特点和适用范围：图像有重合区域，且待拼接图像之间无明显尺度变化和畸变。常用实例：两个相邻相机水平拍摄图像拼接。优点：简单、快速(相比于SIFT特征匹配拼接)。

OpenCV常用图像拼接方法(一) ：直接拼接，俗称硬拼，就是简单的将两张图片合并成一张大图。

在本文中，我们将探讨如何使用 Python 中的 YOLO（You Only Look Once）和 EasyOCR（Optical Character Recognition）从视频文件中实现车牌检测。这种方法利用深度学习实时检测和识别车牌。

检查对象的对齐方式包括确保它正好位于需要的位置以及正确的位置和方向。对象的对齐和位置可能需要在各个领域中具有高水平的精度。例如，在制造过程中，即使是很小的不对中也会导致缺陷。同样，在机器人技术中，拾取物体等任务需要精确定位。

全球轮胎制造商一直是质量保证等各个领域人工智能技术的早期采用者之一。人工智能的主要应用之一是使用基于深度学习的计算机视觉系统进行轮胎缺陷检测。由于轮胎制造过程中使用的原材料的性质，轮胎部件可能会受到金属或非金属杂质（例如钢丝、螺钉和塑料碎片）、气泡和重叠的污染。当轮胎有缺陷的车辆高速行驶时，这些缺陷会导致轮胎寿命缩短，甚至爆胎。

想象一下，您想要创建一架无人机或一辆可以沿着路线行驶的简单汽车。事实上，创造和使用它似乎很有趣。或者您可能想跟踪道路上的线路并根据车道对汽车进行分类。对于这些类型的程序，您需要检测线条，并且可能需要根据您的目的提取角度。OpenCV 提供了多种检测直线和提取角度的函数。

YOLOv11 在 YOLOv10 的基础上进行了重大升级，在性能和适应性方面有了显著的提高。

姿势估计是一个研究深入的领域，可应用于动作识别、活动跟踪、增强现实、动画、游戏等。姿势估计的目标是检测图像或视频中人体部位（如关节和四肢）的位置和方向。

本文主要分成两个部分。首先，我们将深入研究RT-DETR和YOLO-WORLD模型。然后，我们将继续讨论基于补丁的技术，如SAHI和其他类似方法。最后，我将总结一下检测效果。

在工业场景中，网络结构决定了下限，数据决定着上限，要想模型有好的表现，数据是至关重要的。下面就这个项目来说一说，工业缺陷检测在标注数据时需要注意的几个事项。

在智能交通系统领域，实时检测车辆事故的能力变得越来越重要。该项目利用先进的计算机视觉技术，采用最先进的对象检测模型 YOLOv11 来准确识别和分类车辆事故。主要目标是通过向紧急服务提供及时警报并实现更快的响应时间来提高道路安全。

OpenCV 是“开源计算机视觉”的缩写。从名称上看，它是一个开源计算机视觉和机器学习库。该库能够处理实时图像和视频，同时还具有分析能力。它支持深度学习框架TensorFlow、Caffe 和 PyTorch。

在本教程中，您将学习如何使用OpenCV和快速傅里叶变换(FFT)在图像和实时视流中执行模糊检测。

本文将手把手教你用YOLO11训练自己的数据集并实现缺陷检测。

本文主要介绍如何在OpenCV中使用EdgeDrawing模块查找圆(详细步骤 + 代码)。

我们来进行一项有趣的实验。假设我们想要混合两幅图像：一幅是苹果，一幅是橘子。这篇文章就能实现！

Python AkShare 是一个功能强大且灵活的金融数据获取工具，适合量化交易、金融研究和经济数据分析。它提供了丰富的 API，涵盖了股票、期货、基金、外汇和宏观经济数据等多个领域，帮助开发者快速获取所需的数据进行分析和决策。无论是实时数据获取还是历史数据回测，AkShare 都为金融数据分析提供了强有力的支持。

本文将向你展示如何利用OpenCV为Python中的图像提供卡通效果。赶紧来看看吧！

本文将介绍如何使用Streamlit和OpenCV创建一个虚拟化妆应用程序。

形态学操作是在二值图像上进行的。二值图像可能包含许多不完美之处。特别是由一些简单的阈值操作产生的二值图像（如果你对阈值不熟悉，现在不用担心）可能包含许多噪声和畸变。OpenCV库中提供了不同的形态学操作来处理这些噪声和缺陷。

本文主要介绍基于OpenCV传统方法实现密集圆形分割与计数应用，并给详细步骤和代码。

光学字符识别技术（OCR）目前被广泛利用在手写识别、打印识别及文本图像识别等相关领域。小到文档识别、银行卡身份证识别，大到广告、海报。因为OCR技术的发明，极大简化了我们处理数据的方式。

眩光是一种因过度和不受控制的亮度而引起的视觉感觉。眩光可能会使人丧失能力或只是让人感到不舒服。眩光是一种主观感受，对眩光的敏感度可能有很大差异。老年人通常对眩光更敏感，这是由于眼睛的老化特性。

我们编写了一个简单的Python应用程序以拍摄汽油泵的图像，然后尝试从中读取数字。OpenCV是用于计算机视觉应用程序的流行的跨平台库。它包括各种图像处理实用程序以及某些机器学习功能。除此之外我们希望可以先使用Python对其进行原型设计，然后将处理代码转换为C ++以在iOS应用程序上运行。

在本文中，我将介绍如何使用YoloV8在猪的自定义数据集上进行实例分割，以识别和跟踪它们的不同姿态。

为此，我们将首先使用cv2.cvtColor()函数将图像转换为灰度，然后使用cv2.threshold()它将其转换为二进制图像，其中像素为 0 或 255。然后，使用来自的函数将原始图像与蒙版组合，bitwise_and得到cv2一个只有具有相同标签的气泡可见的图像。我们将使用“泡泡射击”游戏中的图像作为示例，根据轮廓查找和过滤气泡对象，并应用 K 均值算法将颜色相似的气泡分组在一起。然后，我们将使用该cv2.mean()函数使用原始图像和气泡的蒙版计算气泡的平均蓝色、绿色和红色 (BGR) 通道值。

想象一下你正在看一张可能是一座独特形状的建筑物，一块色彩鲜艳的广告牌，或者一个独特的路标。其基本观察是在平坦区域（如晴朗的天空）中，强度保持相对恒定，而在边缘沿着一个方向急剧变化，但在垂直方向上变化不大。角点可以被看作是两条边缘的交点，或者是图像中梯度显著变化的点，它代表着多个方向上局部强度变化的高点。分数是根据Shi-Tomasi方法中的特征值或Harris中的响应函数确定的。虽然Harris使用基于梯度协方差矩阵的两个特征值的综合分数，Shi-Tomasi方法简化了这一过程，仅考虑其中较小的一个特征值。

从19年疫情爆发到现在，佩戴口罩对大家来说已是常态。应运而生的就有了很多相关应用，如病毒发展预测、口罩佩戴检测以及戴口罩的人脸识别等。今天介绍的人脸口罩佩戴检测系统主要使用OpenCV和百度飞浆(PaddlePaddle)的PaddleHub提供的检测模型。PaddleHub提供了很多实用的模型，包括图像处理、文字处理、音频处理、视频处理和工业应用等。

本文主要介绍YOLOv8及使用它做目标检测、实例分割和图像分类演示，仅供参考。

在本文中，我们使用YOLOv9+SAM在RF100 Construction-Safety-2 数据集上实现自定义对象检测模型。这种集成不仅提高了在不同图像中检测和分割对象的准确性和粒度，而且还扩大了应用范围——从增强自动驾驶系统到改进医学成像中的诊断过程。通过利用 YOLOv9 的高效检测功能和 SAM 以零样本方式分割对象的能力，这种强大的组合最大限度地减少了对大量再训练或数据注释的需求，使其成为一种多功能且可扩展的解决方案。

缺点：闵氏距离与它们所代表的距离度量有相同的缺点，因此，对哈顿距离、欧几里得距离和切比雪夫距离等度量标准有个好的理解非常重要。缺点：正如雅卡尔指数，Sørensen-Dice 系数也夸大了很少或没有真值的集合的重要性，因此，它可以控制多集合的平均得分，还可以控制多组平均得分并按相关集合的大小成反比地加权每个项目，而不是平等对待它们。换句话说，它就是沿着一个轴的最大距离。它是在范数向量空间（n 维实数空间）中使用的度量，这意味着它可以在一个空间中使用，在这个空间中，距离可以用一个有长度的向量来表示。