- 博客(20)
- 收藏
- 关注
RSS订阅原创 铁路通信信号基础知识点（2）轨旁与车载ATP关系
轨旁ATP：接收车载ATP发送的列车位置和速度信息，结合联锁系统提供的道岔、信号机等设备状态，生成并发送行车许可给车载ATP。车载ATP：通过车地通信系统接收轨旁ATP发送的行车许可和线路数据，同时将列车的实时位置、速度等信息发送给轨旁ATP。轨旁ATP：在CBTC系统中，轨旁ATP的功能可以由RBC实现，RBC负责处理列车位置信息和联锁状态，生成行车许可。轨旁ATP：与ATS紧密配合，ATS通过轨旁ATP获取列车的位置和速度信息，用于列车运行的监控和调度。在目标距离控制模式下，发送目标距离和线路数据。
2025-08-06 16:39:10
561
原创 【从零开始基于ubuntu+ROS学习机器人开发】#2.0 ROS系统基础理解散记（1）grep/awk/sed
作用：在文本或文件里按行查找匹配正则的行，并打印出来。中文速查链接：grep 命令，Linux grep 命令详解：强大的文本搜索工具 - Linux 命令搜索引擎最简语法：grep [常用选项] 模式 [文件…]高频选项（记住 5 个就够）| 选项 | 含义 | 速记 || -i | 忽略大小写 | ignore || -n | 显示行号 | number || -r | 递归子目录 | recursive || -v | 反向匹配（取反） | invert |
2025-07-21 16:30:28
928
原创 【从零开始基于ubuntu+ROS学习机器人开发】#1.0 Linux系统基础理解散记
把电脑比作一辆“乐高巴士”，Windows 与 Linux 就是两种截然不同的组装说明书。下面用“乐高比喻 + 实景对比”把 Linux 的核心概念、设计哲学以及与 Windows 的巨大差异一次讲透，帮你为 ROS 机器人开发打好“世界观”地基。1. 内核 vs 外壳：发动机与整车厂• **Linux 只是发动机**（内核），Ubuntu、CentOS 才是“整车厂”。你可以换发动机、换轮胎、甚至拆掉车顶，全都合法。
2025-07-21 16:30:24
759
原创 【从零开始基于ubuntu+ROS学习机器人开发】#2 ROS1（noetic）安装与测试
操作很简单，时间稍有点长，十几分钟吧安装完成后，可以跑下面的小例子试试是否安装上了。
2025-07-17 16:10:23
333
1
原创 【从零开始基于ubuntu+ROS学习机器人开发】#1.2 Linux系统基础命令散记
pwd 查看当前路径ls -l 详细列出文件cd 目录名 进入目录（Tab 补全）mkdir 目录名 新建文件夹cp 源 目标 复制文件/夹（-r 递归）mv 源 目标 移动/重命名rm 文件或目录 删除（-r 递归，谨慎）sudo 命令 用管理员权限执行apt install 包 装软件history | grep 关键字 快速找历史命令。
2025-07-17 15:09:29
276
原创 【从零开始基于ubuntu+ROS学习机器人开发】#0 ubuntu 20.04双系统U盘安装教程
Ubuntu 是“地基”，ROS 是地基上专为机器人设计的“钢筋混凝土”，二者版本必须配套。
2025-07-17 14:47:06
1011
原创 【从零开始基于YOLO V8 实现目标检测任务】#7 模型轻量化改造——模型剪枝（1）
剪枝比例：设置剪枝比例，如将模型的参数量减少到原来的一定比例（如减少到80%），以减小模型规模，提升推理速度。迭代步骤：确定剪枝的迭代步骤，如分4次迭代完成剪枝，逐步减少模型的参数量。目标剪枝率：设置目标剪枝率，如剪枝率为20%，即剪除20%的参数或通道。# 保存剪枝性能图try:except:pass功能：保存剪枝过程中的性能变化图，包括mAP（平均精度均值）和MACs（乘加运算次数）。参数x：剪枝比例列表。y1：恢复后的mAP值列表。y2：MACs值列表。y3：剪枝后的mAP值列表。实现使用。
2025-05-07 17:26:02
1525
原创 【从零开始基于YOLO V8 实现目标检测任务】#6 模型训练后界面的参数详解
模型训练结束后，在终端会显示一些总结的参数信息，现对这些信息详细说明。
2025-04-30 10:51:31
844
原创 【python语法问题】scipy中的find_peaks参数详解
网上一直没找到特别详细易懂的解析，所以现在自己整理一个。其他的都简单，主要是理解prominence的用法，因为它最好用。scipy.signal.find_peaks 函数中的 `prominence` 参数用于设置峰值的突出度阈值。突出度衡量的是峰在信号周围基线上的突出程度，即峰与其最低等高线之间的垂直距离。只有突出度大于或等于所设阈值的峰值才会被检测出。
2025-04-29 10:06:19
1916
原创 【python语法问题】特殊语句、语法结构1：try...except...
这个用法的巨大好处就是，即使某个地方出现错误，只要在你这个语句结构范围内，它就不会报错，只会把这个错误信息捕捉，然后按照既定的顺序继续往后执行程序。子句会执行，打印成功消息并处理响应数据。如果响应状态码不是 200，会引发。如果发生其他请求相关的异常，通用的。子句都会执行，打印完成消息。如果用户输入非数字，会引发。如果用户输入 0，会引发。块会捕获并处理这个异常。块会捕获并处理这个异常。如果发生连接错误，会引发。块会捕获并处理这个异常。如果请求超时，会引发。，然后打印错误消息。，然后打印错误消息。
2025-04-18 10:29:37
429
原创 【python语法问题】特殊语句、语法结构0：with...as...
一种用于管理资源的对象。通过实现和__exit__()方法来确保资源被正确地获取和释放，无论代码块中是否发生异常。说白了就是有打开和关上的操作的一个东西。案例：文件操作创建了一个文件对象，这个文件对象是一个上下文管理器。方法被调用，打开文件并返回文件对象赋值给file。在with代码块中，可以使用file变量来写入文件。当退出with代码块时，__exit__()方法被调用，关闭文件。案例：数据库连接管理案例：线程池管理。
2025-04-18 09:58:28
182
原创 【模型使用过程中算法提速问题】0 并发编程之多线程（一）
概念理解：一个抽象的模板，定义一类东西的属性和方法。案例理解：比如car是一类东西（一个类），可以给car定义颜色（color）、品牌（brand）、速度（speed）等属性，可以给car定义启动（start）、停车（stop）、加速（accelarate）等方法。
2025-04-18 09:20:35
286
原创 【学习深度学习】# 0 一些专业名词的理解汇总
编译器将一个源代码转换成目标文件（如二进制文件），供机器执行；解释器逐句翻译并执行（边解析边执行），不生成目标文件。中心思想就一句话：用N位状态寄存器对N个状态编码（专业版）；有几个分类类别就有几位二进制数，其中只有一位为0。意义：将离散型特征使用one-hot编码，会让特征之间的距离计算更加合理（来源于。余弦相似度：类似于数学中求两个向量夹角的余弦，也都是基础数学学过的。欧氏距离：就是我们数学中最常用的那个距离。曼哈顿距离：各坐标差的绝对值之和。切比雪夫距离：坐标差最大值。
2024-12-31 17:24:12
224
原创 【从零开始基于YOLO V8 实现目标检测任务】#4 Trouble-shooting
以上两个问题，感觉需要好好研究一下数据类型的问题：比如，什么情况下是tensor、numpy、tuple、list等，以及这些类型怎么用。这种情况一般都是前面应用到的某个函数没有检测到目标（比如canny等），代码本身是没有问题的，需要调整参数以得到检测目标。
2024-12-31 15:55:30
265
原创 【从零开始基于YOLO V8 实现目标检测任务】#5 CPU训练模型和GPU的差别
用一个案例直观的感受一下两者训练模型，在各方面情况的对比。下文中，上图为CPU（intel core i7-6700HQ），下图为GPU（RTX A4000）。
2024-12-26 16:27:00
635
原创 【从零开始基于YOLO V8 实现目标检测任务】#0 python + anaconda + CUDA + pytorch + pycharm 环境部署
包比较大时间较长。还可以先下载包再安装之类的别的办法，可以提高安装速度。
2024-12-25 15:40:34
1686
原创 【从零开始基于YOLO V8 实现目标检测任务】#3目标检测实验与检测结果信息提取
其中：boxes得到的坐标格式为[xmin,ymin,xmax,ymax]；classes得到的标签是0，1，……，可用class_names=[model.names[int(cls)] for cls in classes] 得到它对应的类别名称。import需要用到的库们：YOLO不必说，cv2用于视觉相关基操，os用于系统相关操作，numpy用于科学计算相关操作，pytesseract用于OCR字符识别相关操作。加载训练好的模型，然后读取待测图片，最后将预测得到的结果幅值给results。
2024-12-20 10:40:37
511
原创 【从零开始基于YOLO V8 实现目标检测任务】#2 训练模型得到的结果分析
其中，precision是精确度的曲线，recall是召回率曲线；P-R curve是precision和recall之间妥协的曲线，理想状态如下图，为一个正方形，也就是精确度和召回率都最好。右边2列都是metrics/***(B)，其中metrics代表验证数据集产生的指标，B是bounding box的缩写；四个象限对应常说的：真正、真负、假正、假负，告诉我们这4种情况的数据分别有多少个，具体象限对应如图（来源于。这是训练后一般最先看的图，它总结了训练过程中误差、精度、召回率等值的收敛趋势。
2024-12-20 09:42:28
1290
原创 【从零开始基于YOLO V8 实现目标检测任务】#1 从简单数据入手，训练自己的数据集
（可以右键点击下载好的yolo v8代码包（ultralytics-main），在pycharm中打开）
2024-12-18 14:51:20
1080
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人