heguu的博客

尝试springboot调用python的demo

一些理解，不一定正确请求通过API，进入Basic Authentication Filter，在这里拿到token，解析token，拿到username和password，将用户输入的用户名密码进行封装，并提供给 AuthenticationManager.authenticate()进行验证，验证成功后，返回一个认证成功的UsernamePasswordAuthenticationToken（Authentication）对象，然后放在security的context中，继续过滤链。如果没有tok

1.安装依赖yum -y install gcc glibc-devel make ncurses-devel openssl-devel xmlto perl wget2.安装erlang语言环境一定要注意erlang和rabbitmq版本要对应查看版本对应关系https://www.rabbitmq.com/which-erlang.html选择合适版本下载，我rabbitMQ3.9.5和erlang4.0匹配下载包，很可能443wget http://www.erlang.org/.

多线程概述串行 并行 并发串行sequential 是排队进行任务，比如接力并行parallel 所有任务同时进行，一边打游戏一边听歌并发concurrent 是在一个任务等待的时候，开始进行另外一个任务，线程的生命周期• 新建状态:使用 new 关键字和 Thread 类或其子类建立一个线程对象后，该线程对象就处于新建状态。它保持这个状态直到程序 start() 这个线程。• 就绪状态:当线程对象调用了start()方法之后，该线程就进入就绪状态。就绪状态的线程处于就绪队列中，要等

把voc 目标框的坐标信息（xmin，xmax，ymin，ymax）提取出来转换成yolo格式（x,y,width,height），并且重新保存。# todo# 把voc数据集标注（xml）信息转换成yolo标注格式(txt）,并将对应图像文件复制到对应文件夹# 根据voc的json文件，生成对应的names标签import osfrom lxml import etreeimport jsonimport shutilfrom tqdm import tqdmvoc_root =

调用板卡摄像头使用gstream或使用jetcamgstream本人使用失败了，下次有机会尝试再更新jetcam安装过程忘了，自行查找

安装dlib下载dlib去官网下载https://pypi.org/project/dlib/#history或者pip下载pip install dlib==19.22.0face recognition可以从我的码云克隆git clone https://gitee.com/pro-kie/face_recognition.gitcd face_recognitionpython3 setup.py buildpython3 setup.py install或者pip下载

SSD网络backbone由VGG16网络的全部卷积层，即到conv5为止，去掉之后的全连接层。如下图：然后是conv6:3x3x1024;conv7:1x1x1024;conv8:1x1x256,stride=1,3x3x512,stride=2,padding=1;conv9:1x1x128,stride=1,3x3x256,stride=2,padding=1;conv10:1x1x128,stride=1,3x3x256,stride=1,padding=0;conv11:1x1x1

VGG是一个很简单很常用的分类网络模型conv3是3x3的卷积，stride为1，padding为1maxpool是最大池化下采样，stride为2，kernel_size为2由于网络的模型很简单，所以直接记录代码import torchimport torch.nn as nnnet_type = {}# 记录每一种网络的输出channel，net_type["11"] = [64, 'm', 128, 'm', 256, 256, 'm', 512, 512, 'm', 512, 5

前言Camouflaged Object Derection主要对一些融入背景的目标进行检测，且取得了不错的效果，并且提出了一个新的数据集COD10K，具体情况感兴趣的可以去搜索原文进行阅读，我在这里只记录一下网络模型的复现。整体模型整体模型论文给出了清楚的图片介绍，如下总体分为search model（SM) 和 identification（IM）部分，SM负责搜索目标，后者负责检测。现在对模型逐块分析，首先是左上角的backbone- backbonebackbone使用了ResNe

最近许多目标检测网络的backbone都有用到resnet-50的部分结构，于是找到原论文，看了一下网络结构，在这里做一个备份，需要的时候再来看看。整体结构原论文中一共有5种网络模型，可以分为两类，18-layer，34-layer为一类，另外三种为一类。layer0首先是layer0，这部分在各个网络都一样，如图，由一个7x7，步距为2的卷积+BN+relu，加上3x3最大值池化，步长为2的池化层构成。layer1以18和50举例18的basicblock如下,layer1共有2个下图的b

答题卡识别很简单的一个任务！目标是识别选项，根据正确答案打分经典两件套import cv2import numpy as npdef imshow(img): cv2.imshow('img',img) cv2.waitKey(0) cv2.destroyAllWindows()自定义一下正确答案answer = [2,3,1,3,4]读取图片，转换成灰度图，高斯滤波去噪，二值化img_rgb = cv2.imread(r'images\test_

世上无难事，只要肯放弃！这次本来打算做一个停车场视频，把空车位框起来的，但是由于我的pytorch始终没有办法构建好自己的数据集，虽然有大佬给的keras训练好的模型，而恰好我使用的是python3.8，安装keras有点麻烦。并且我很懒，所以这次试手只完成了一半。好了，话不多说，开始。先从视频里截一张图经典开局两件套import cv2import numpy as npimport torchdef imshow(img): cv2.imshow(str(img),img)

经历上次的失败后，这一次我学聪明了。我自己做不出东西乱折腾啥也不是，我跟着别人，啃别人的代码，借鉴一下别人的它不香吗。所以这次是用python做银行卡号码识别。话不多说，开始！import cv2import numpy as np# 定义绘图函数def imshow(name, img): cv2.imshow(name, img) cv2.waitKey(0) cv2.destroyAllWindows()cv2.imshow(）画个图还要一套组合拳，接化发，

一个人靠着csdn在图像处理里摸爬滚打快一个月，大部分时间都在摸鱼。今天朋友圈看见一张图片，征得po主的同意，拿来检验一下最近摸鱼的成果。右上角的反光让本强迫症很不爽，得想办法干它一炮。先把这一块给扣下来RGB = imread('4.png');[m,n,p]=size(RGB);% size返回列长，行长度，m行n列figure(1),imshow(RGB),title('原图'),hold on ,h = impixelinfo;% 用鼠标确定一下坐标%画出来看一哈对不对plot(x