努力努力努力

原创 一[3.7] YOLO系列基础(4)- “归一化层（BN层）到CBS模块”

假设有一层刚刚跟新完，这一层的前端输入就变化了，我的更新岂不是成了笑话？我们需要注意的是不同的通道我们选择的卷积核是不一样的，这就导致了输出的特征内容是完全不相干的，我们若是在后面针对全通道进行归一化处理，那么就会一定程度上丢失这些差异性。实际上，这和通道意义有关，在一开始，三通道仅仅指的是rgb三色，但是随着通道数增加 or 减少，通道数实际上意味着不同维度的特征信息。首先我们复习，针对一个3个通道的输入特征图，假设我们需要输出4通道的特征图，我们需要4个过滤器，每个过滤器有3个卷积核。

原创 1、零基础解码Transformer与大模型核心原理

本文以通俗易懂的方式，为“大模型小白”解析，包括其与大模型的关系、自注意力机制、多头注意力机制、位置编码、Encoder和Decoder的组成等内容，帮助读者全面理解这一支撑现代AI的语言模型基石。

原创 一[3.7] YOLO系列基础(3)- “残差网络(Residual network,ResNet)到C3层”

C3层在自己的多层瓶颈层的外面，构建了一个仅有一个conv层的残差结构。相比于ResNet的残差结构，C3层将原始数据进行了一次卷积操作。正常参数流动是从上到下每层都跑不掉，残差网络用了一个shortcut来为不相邻的网络层之间开辟了一条高速路，也就是说，此外，多增加的一个Conv层大大提高了模型的拟合速度，因为不管怎么说，好歹是做了一次特征提取的操作。这是因为：退化现象的本质在于数据特征在深度网络中逐渐丢失，而我们希望的现象是：直接将。显然，C3层借鉴了残差层的设计理念。，以达成上诉的目标！

原创 一[3.7] YOLO系列基础(2)- “Bottleneck模块详解”

Bottleneck 模块在YOLOv8中的作用是进行特征提取和增强，是网络中的核心构建模块之一。它的主要功能是通过卷积操作来处理输入特征图，并在适当情况下应用残差连接，使得信息能够有效地通过网络层进行传播。Bottleneck的作用是通过降低通道数来减少计算量，以增加计算与训练效率。传统的卷积层在每个位置上应用一组较大的滤波器（比如3x3或5x5），以获取局部特征。但是这样的卷积层有时可能会产生过多的计算和参数，尤其是在深层网络中，会导致训练过程缓慢，容易出现梯度消失或爆炸等问题。

原创 一[3.7] YOLO系列基础(1)- “卷积神经网络原理详解”

参考连接。

原创 一[3.8] YOLOv8 代码解析 (1)

原创 一、大模型学习相关连接

相关学习连接如下：1、2、3、

原创 一[4.1]、ubuntu18.04环境，python代码读取图像和激光雷达点云数据 —【bag/图片/视频/pcd】

目录一、 将 ROS bag 文件中的激光雷达点云数据转换为 PCD 格式方法一：使用 ROS 工具（推荐）1. 安装依赖2. 使用 rosrun pcl_ros bag_to_pcd 转换方法二：Python 脚本转换（适用于自定义处理）1. 安装依赖2. Python，convert_bag_to_pcd.py 代码如下：二、 读取pcd 数据中相关信息三、 读取激光雷达bag数据中topic等相关信息四、读取bag中的图像和点云数据五、读取设备发布 topic中的图像和点云数据安装工具包具体代码如下：

原创 一[3.5]、YOLO8自动化标注流程-全网最详细

其中，保存到 auto_labels_all_txt 文件夹里面的是txt 标注，检查标注信息和图片对应无误后，可以反复参与训练。：首次自动标注后，建议人工抽检10%~20%的数据进行质量验证，确保关键样本标注正确。代码，将 label_json 文件转换为 label_txt 文件;如果想修高标注不合适的地方，启动 工具中的 “编辑多边形” 功能即可。典型场景：工业检测常用1-30帧/秒，交通监控常用0.5-2帧/秒。迭代训练：将自动标注数据加入训练集进行多轮迭代提升精度。标注将自动加载并显示在图像上；

原创 一[3.6] YOLOv8训练结果评估

在YOLOv8中评估训练好的模型（如best.pt。

原创 一[3.0]、 yolov8 性能评估指标（mAP、Precision、Recall、FPS、IoU）

在根据测试集数据评估模型时，得到各特征线性组合后的置信度得分，当确定某阈值后，若得分小于阈值则判为负类，否则为正类，计算出此时的Precision和Recall结果并保存。一般来说，在同一测试集，上面的比下面的好。当P和R的值接近时，F1值最大，此时画连接(0,0)和(1,1)的线，线和PRC重合的地方的F1是这条线最大的F1，此时的F1对于PRC就好像AUC对于ROC一样。图中的蓝色折线代表“person”类别，整体趋势为随着置信度的增加，精确度也在增加，在置信度为0.92时，精确度达到了1。

原创 一[3.0]、 yolov8 简介与模型网络结构图理解

1.1 引言YOLO 模型彻底改变了计算机视觉领域。识别物体是计算机视觉中的一项关键任务，可应用于机器人、医学成像、监控系统和自动驾驶汽车等多个领域。YOLO 模型的最新版本 YOLOv8 是一种先进的实时物体检测框架，引起了研究界的关注。在所有流行的物体识别机器学习模型（如 Faster R-CNN、SSD 和 RetinaNet）中，YOLO 在准确性、速度和效率方面最受欢迎。作为尖端的、最先进的 (SOTA) 模型，YOLOv8 以之前版本的成功为基础，引入了新功能和改进，以提高性能、灵活性和效率。

原创 一[3.4]、ubuntu18.04环境 利用 yolov8n-seg实现“列车轨道”区域分割，并提取正确的轨道线【全网最详细】

模型不仅完成目标检测（识别类别和框位置），还为每个被检测到的独立物体实例生成一个二值掩码图像。这个掩码精确地标明了该物体在图像中占据的每一个像素，从而可以区分重叠物体和描绘不规则形状。检测框（Bounding Boxes） + 类别标签（Class Labels） + 置信度分数（Confidence Scores）。模型识别图像中有哪些物体（是什么类别），并用矩形框大致标出它们的位置和范围。结束后，训练模型在 新增文件夹 runs中的weights中。检测框 + 类别标签 + 置信度分数 +

原创 一[4.2]、ubuntu18.04环境 Lidar数据实现车道检测

相关资料连接。

原创 一[3.3]、ubuntu18.04环境 利用 yolov8 实现列车轨道检测，并提取正确的轨道线【全网最详细】

【代码】一[3.3]、ubuntu18.04环境 利用 yolov8 实现列车轨道检测，并提取正确的轨道线【全网最详细】

原创 一[3.1]、ubuntu18.04环境 利用 yolov8 训练开源列车数据集，并实现列车轨道检测【全网最详细】

数据集使用标注软件标注好，这里推荐两个标注软件，一个是labelimg，另外一个是labelme，可以在python环境，使用。label_jon存放labelme标注的标签，label_txt存放满足yolov需求的标签。其中，image存放要标记的图片，label_jon存放labelme标注的标签，在数据集标注之前，需要创建特定的文件夹，用来存放数据集中的。把所有图片标注完后，标注结果json也放在了对应的文件中。，是label_jon 通过代码转换来的，后续会说明。【文件-自动保存-输出路径】

原创 一[3.2]、ubuntu18.04环境 利用 yolov8 训练开源列车数据集，并实现列车轨道检测【全网最详细】

YOLOv8训练自己的数据集(超详细)-优快云博客

原创 一[2]、ubuntu18.04环境 yolov8 + realsenseD435i 实时效果测试

如果运行上述命令roslaunch realsense2_camera rs_camera.launch和roslaunch yolov8_ros yolo_v8.launch，不能出现yolo的识别框，则检查yolo v8.launch文件的两个地方。#.进入工作空间运行yolov8命令，直到终端出现waiting for image.进行下一步。2、话题中的color是否正确，如果是rgb则是在仿真环境下的话题，真实相机必须是color。至此，就可看到yolov8的检测效果，如下图所示。

原创 一[1]、ubuntu18.04 安装yolov8 + 实际测试

print(YOLO('yolov8n.pt'))" //验证安装。

原创 PTP（确时间协议，Precision Time Protocol）时间同步

主时钟定期发送带预估发送时间 t1 的报文（若支持硬件时间戳，实际 t1​ 由后续的Follow_Up报文携带）。所有设备启动后通过协商选举出唯一主时钟（Grandmaster），其余设备自动成为从时钟（Slave）。：从时钟记录接收时间 t2，随后向主时钟发送Delay_Req并记录发送时间 t3​。若使用支持PTP的交换机，可修正报文在交换机内的驻留时间，进一步提升精度。从时钟根据offset调整本地时钟，实现与主时钟同步。动态调整本地时钟，抵消传输延迟和时钟漂移。（或通过BMCA自动当选）。

原创 交换机的工作原理

一、什么是交换机交换机又名交换式集线器，是一种用于的网络设备。它可以为接入交换机的（连接不同种类的网络，使不同网络之间达到互连作用）。最常见的交换机是以太网交换机。其他常见的还有电话语音交换机、光纤交换机等。二、交换机的作用通过学习连接的每个终端的 MAC 地址，将数据发送给对应的目的终端上，避免将数据发送到无关端口，提供网络利用率（二层交换机，即数据链路层）。三、交换机的功能数据顿经过交换机，交换机会自动学习数据帧的源mac地址。

原创 列车轨道及其障碍物检测相关算法

GitHub - ELKYang/RailWay_Detection: 电车轨道与障碍物检测（SJTU数字图像处理课程设计）火车轨道铁路轨道检测识别（弯轨+直轨）通用性（Python源码+讲解）_opencv 火车识别-优快云博客

原创 Ubuntu运行sudo apt update报错：ModuleNotFoundError: No module named ‘apt_pkg‘

执行下面的命令即可：

转载 如何在ubuntu中利用ros自带的rviz工具实时可视化雷达点云的数据

我的是雷达数据对应的话题为/velodyne_points，使用自己查到的即可。—— 选择可视化数据话题 —— 点击。，也就是上述步骤打印出来的。参数修改为自己雷达数据的。

原创 零、ubuntu20.04 安装 anaconda

地址：Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror选择：Anaconda3-2023.07-2-Linux-x86_64.sh选择下载目录，选在在终端中打开，然后在终端输入安装命令:1、安装启动后，多次点击Enter，直到出现以下选择，选yes即可:2、接着会出现安装地址选择，选择Enter默认地址下载，也可直接输出希望下载的地址,如/home/ton/D/anaconda:3、最后一个选择是是否初始化，

原创 外星人A16 R2 安装ubuntu18.04 无wifi标识 - 已解决

二、

原创 ubuntu20.04安装完显卡驱动后黑屏问题

出现 Press Enter for maintenance.....，按回车Enter进入命令行后，输入下面代码卸载已有驱动，然后reboot重启进入系统；1、重启电脑，在系统选择界面选择ubuntu advanced（高级选项），然后选择。完成以上内容，正常启动电脑即可！，进入之后，在白框中选择。

原创 五、Ultra-Fast-Lane-Detection 训练数据集转换

也就是说0不能在中间只能在两边，这个是在训练时发现问题的关键，因此我们在转换的时候一定要注意。文件下的generate segmentation and train list(root, line txt,names)函数Q，形成自己的车道线顺序。，网上很多教程我也看过，自定义数据集的训练结果非常差，可能是我没有好好排査原因，所以建议大家转换为文章所用的数据集格式，这样不会出错。如果后边1,1,1,1生成不正确，则训练的LOSS是降不下去的，为了快速在自己的训练集Q上训练，接下来，我们需要修改。

原创 四、Ultra-Fast-Lane-Detection训练自己的【汽车】车道线数据集

一、数据集制作一、数据集制作。

原创 三、tusimple数据集分析

json。

原创 一、ubuntu18.04 安装CUDA 11.2和Torch 1.7.1

返回true，是需要安装 torch gpu麻，在现有的基础上怎么修改 CUDA Toolkit 11.2 和哪个torch版本匹配。以前版本的CUDA：https://developer.nvidia.com/cuda-toolkit-archive。CUDA最新版下载地址：https://developer.nvidia.com/cuda-downloads。，注意根据你的系统选，最后一项选择runfile(local)。根据你的 Python 版本和 CUDA 版本，下载以下。

原创 二、UFAST车道线检测： Ultra-Fast-Lane-Detection 【跑通开源代码】

参考资料一、源码资料fccj二、环境搭建# 3.8也可以吧# 激活环境//用conda安装pytorch三、下载项目源码，并与数据整合在源码根目录中新建文件夹，将上述的压缩包解压后放入文件夹中。cdTUSIMPLEROOT代表你自己创建的文件夹TUSIMPLEROOT的路径。通过这一步将会产生上图中的两个.txt文件四、源码测试1、下载预训练模型（），放在源码根目录下，如下图，提取码：bghd2、执行test.py。

原创 MATLAB画柱状图

【代码】MATLAB画柱状图。

转载 SCQA 汇报模版

纵向跟不同发展阶段做比较，现在是萌芽期，爆发期，平稳期，还是下降期，哪个数据对你有利，你就说哪个，如果不能用数字量化的工作成果，那就统一说是为未来的发展沉淀了一套完整的方法论。注意，想要升职加薪，做汇报只是手段，核心是拥有+1视角，搞清楚三个问题，，就能展现出你的价值。这里有个小技巧，就是做汇报，其实是用嘴说的，目的是让人听懂，让领导的理解成本最低。四个方式，在时间上你跟去年比，跟上季度比，第二个跟目标比，跟目标的总体差值，你是没完成啊还是超额完成了多少？给出你的解决方案，以及你的成果，还有上价值。

原创 ubuntu 环境，python代码提取topic中特定信息，并保存到txt文件中

1、from sensor_msgs.msg import Imu // 这个 是通过 rostopic type /dji_osdk_ros/imu 来查看的；secs 、nsecs、angular_velocity 和 linear_acceleration 到 IMU.txt文件中。ubuntu环境中 HKairport01.bag中 IMU topic名称是： /dji_osdk_ros/imu。

原创 python画图显示放大图片局部 + 箭头指示+画四方匡

可以使用matplotib库中的imshow函数对图像进行显示，同时使用xim和yim函数对图像的坐标轴进行限制，实现局部放大的效果。

转载 INS/NHC(非完整性约束)/ODO组合导航

陆地车在经过城市峡谷、隧道等严重遮挡环境时，GNSS定位精度较差。为了防止低精度的INS发散较快，可以通过非完整约束和轮速计来进行约束。注：为便于理解INS/NHC/ODO组合导航原理，本文不考虑IMU和陆地车间的安装角（即，IMU和陆地车坐标系安装角为零）和ODO系数误差（即，比力因子）

原创 Linux环境下运行 KF-GINS（GNSS+IMU松组合） 详细步骤

除了基本的C++标准库之外，KF-GINS依赖三个库，分别为Eigen3，abseil-cpp和yaml-cpp. 这三个库已经作为三方库加到工程源代码中，不需要使用者单独安装。KF-GINS项目使用CMake管理，支持在Linux环境，MacOS环境和Windows环境下编译。我们建议优先选择Linux环境进行编译。KF-GINS编译成功后需要使用配置文件作为参数。程序调试时也需要添加命令行参数。1.3 在 Linux内编译。3.2 运行测试数据集。

原创 一、安全完善度等级SIL(Safety Integrity Level)介绍

原创 基于IM948(Low-cost IMU+蓝牙)模块的高精度PDR(Pedestrian Dead Reckoning)定位系统 — 可以提供模块和配套代码

工作原理PDR使用惯性感应（如加速度计、陀螺仪，有时也使用磁力计）来估计速度和方向。步行的基本模型包括步数、步长和方向。如果知道步长和步数，就可以推断出距离。再加上方向，就能得到一个完整的航位推算输出结果。实现阶段PDR的实现主要分为三个阶段：步频检测、步长估计和航向估计。步频检测通常通过检测行人行走时加速度的周期性变化来实现，常用的方法有峰值检测和过零检测。步长估计则是基于步频检测的结果，结合行人的身高、体重等生物特征，以及行走速度等因素进行估算。