monk96的博客

确保所有参与的机器都在同一个网络中，并安装了 NFS 软件包。完成后，NFS 应该可以在多个分布式机器间正常共享目录。挂载共享目录（假设 NFS 服务器的 IP 地址为。添加以下内容（假设客户端的 IP 地址为。NFS 支持原生挂载，无需安装额外软件。选择一个目录作为共享目录，例如。为了在重启后自动挂载，可以编辑。编辑 NFS 的配置文件。

参考：当前研究现状综述：ncnnOnEsp32: 转模型安装：官方文档：esp32-tf lite。

接下来可以利用点位做一些相关方面的实验，如疲劳检测， 表情检测。放到指定目录，等回读取需要用到。也可以去官网下载（非常慢：）失败的话，参考安装教程。利用conda 安装。

记得下载cpp 文件, 其他的试过貌似有问题, 大家可以多试试, cpp 新的版本没有提供,只能用旧的版本。点击Add_entry 输入属性名称和 protobuf的安装路径即可.输入cmake或者cmake-gui,即可打开cmake图形化界面。点击configure , 选择自己的vs studio 版本。cmake-3.16.5-win64-x64链接地址。开始编译,打开cmake-gui。然后点击生成generate。

现在您的Ubuntu 22.04系统应该已经配置了静态IP地址。请注意，根据您的网络环境和硬件设置，一些细节可能会有所不同。如果您遇到问题，可以检查终端中的输出，以获取更多信息。请将上述配置中的IP地址、子网掩码、默认网关和DNS服务器地址替换为您的网络配置。）打开网络配置文件。在终端中，输入以下命令以使用。组合键，或者在应用程序搜索栏中键入“终端”。编辑网络配置文件：使用文本编辑器（例如。下添加您的静态IP配置。打开终端：在桌面上，按下。以保存文件，然后按下。

进入到docker 的文件目录下。

一个目前很火的特殊的RNN结构， 有效解决了RNN的梯度爆炸和长序列记忆问题。

去除 bf16，int8，图像处理，文件加载模型，多线程，平台相关功能，C接口，c++ rtti exception。根据该 issue 的信息，需要开启 NCNN_DISABLE_PIC，解决最后链接失败的问题。安装完成打开idf 的cmd可以打印出idf命令。去除 mnist 模型中用不到的算子。打开idf终端，进入到目录。创建esp32的编译文件。

链接：https://pan.baidu.com/s/1rQcXvLW6ruSxIs4C9cMSCg。有很多个版本， 这里我选择的是SVP_PC.part2的版本。控制台会输出 日志， 有不支持的层再进行处理即可。然后选择我当前的这个路径， 进入可以看到俩个文件。studio 是转模型的软件， 另一个是案例。现在软件安装完毕了， 还需要下载编译器。转换成功后会输出successfully。Hi3559A的资料包。

欢迎关注，加入学习交流群多位大佬加盟，助力学习加群感受学习氛围！

如果您要允许多个客户端访问该目录，则可以在 exports 文件中添加多行，每行指定一个客户端地址。请注意，在对 /etc/exports 文件进行更改时，请务必遵循最佳实践并确保文件权限正确。现在，您可以从客户端的终端中挂载该NFS共享。是允许访问共享目录的客户端IP地址。是 NFS 服务器 IP 地址，参数表示所有写操作会立即同步，表示对该目录拥有读写权限，是本地挂载点目录名称。

这个比较复杂， 需要先转成onnx 的格式， 再转成ncnn 的格式， 其中有一些层可能不受支持，这是nnie的开发板格式， 比较老的板子， 需要从caffe1.0 转模型到这边。如1.0 版本不支持permute操作, 需要将网格生成放在后处理中实现。caffe 的模型， 这个根据版本不同，需要修改的内容不同，模型训练完需要部署， 通常需要转换成其他格式，常用的格式有。这个比较简单， 直接用自带的export.py 就可以完成。需要根据具体业务需求和网络结构进行修改。另外export.py 中需要修改。

可能会有不支持的报错， 自行查阅资料或百度。这个比较简单，以yolov5 为例子。根据你的需求进行ncnn 项目部署。建议直接用在线转换模型。

在yolov5中需要取到特征图网格中的坐标，再加上相对0～1的偏移量，需要用到坐标值的计算。因为yolov5中偏移不需要计算最后一个边界点，所以少了一个维度（自行根据需要调整维度）刚好得到4列5行的坐标值，维度为2（y,x), 矩阵乘法。刚好对应图中的坐标， x 为5个坐标， y为4个坐标，取d[3][1] 第一个维度是y坐标的，第二个是x。我们取xv的第二行，第2列， 为2。yv的第1行，第2列， 为1。比如要计算（1,3）的偏移量。比如要取（2, 1）的坐标。所以坐标为（2, 1）

https://arxiv.org/pdf/2105.12931.pdfhttps://github.com/deepcam-cn/yolov5-facehttps://github.com/we0091234/Chinese_license_plate_detection_recognition

【代码】训练yolo 数据转换代码。

接下来修改yolov5 的配置文件（这里需要些相对路径，否则可能找不到）好久没更新博客内容了， 今天来记录下自己做的停车场项目。接下来截取IOU区域，输入到LPRNet网络进行识别。图片没有标签文件，而是用文件名字代替了标签。修改模型文件 （把类数改成你需要的数量）利用qt制作完界面，设置相关操作就可以了。我们已经能够识别出车牌的IOU区域了。你也可以直接下载转换好的数据文件。截取完是这样，然后输入到网络。修改train.py 文件。接下来运行就可以开始训练了。修改yolo.py 文件。

所以要保持 一样的格式才能完成替换。images 替换成labels。出现labels 找不到的问题。

在VOCdevkit目录下创建voc_label.py，点击运行，会在目录下生成新的labels文件夹，把数据集路径导入txt文件，将每个xml标注信息提取转换为了txt格式，每个图像对应一个txt文件。运行后会将数据划分为四个文件，Main文件夹下生成四个txt文件：train.txt、val.txt、test.txt、trainval.txt。其中，新生成的3个的train.txt、val.txt、test.txt，这正是后面训练需要用的文件。我这用的是自己的数据集，一个射击检测的数据，小批量数据。

上节中，我们已经实现了基础的信息增熵算法， 接下来我们学习下关于CART（）

这是用来度量信息的一个单位（bit），关于如何定量的来描述信息，几千年来都没有人给出很好的解答。直到1948年，香农在他著名的论文“通信的数学原理”中提出了信息熵（information entropy） 的概念，才解决了信息的度量问题，并且量化出信息的作用。又如： 我这里有16个号码，你猜我选的是哪个？这个信息量是巨大的，我们需要通过不同的信息， 如：你喜欢的数字，生日，等等。信息的信息量与他所带来的不确定性有关，如： 我们说我要去西藏，这条信息的不确定性很低，信息熵很小。加个负号，使得熵的值为正数。

今天在超市购物的时候，发现一个新的需求，能不能通过拍照识别的方式进行记账，于是开始行动，干起来。-灰度化，去噪，边缘检测算法。进行OCR框架安装和文字识别。

了解到目标检测算法，越来越觉得有意思，希望能做一些更有趣的东西，发现yolov5是个非常牛逼的框架，做点东西实践下，顺便记录下学习的历程，方便复习。，目前已更新到v7版本，我们还是用v5版本。如遇到问题或疑问，可以直接留言或私信。本项目的代码已上传至github。...

opencv人脸识别

在斑马线的马路中间画一条线，有行人通过且是红灯的情况，就是闯红灯。太复杂了这两个算法，等后面整理清晰了再写个完整的。运用cv2.fillPoly画检测矩形。

canny 算法是我们在边缘检测算法中常用的，理清下它的原理和步骤。

分割类别。

​Pr(Object)表示当前格子包含目标的概率，如果检测到另一个物体的confidences 很大， 则另一个设置为0， 所以只能检测出一个物体。这里的w，h进行了敏感度调整，即越大越不敏感，越小越敏感。-置信度误差，这设置一个权重参数，背景的权重设置较低。confidences 计算。......

每个框进行两种处理，前景和背景 2k个数。映射到原始特征图上，每个像素映射9个框。四个坐标处理， 4k个数。

v5 采用leakyReLU和sigmoid ， v4采用leakyReLU和mish，复杂度较高。v5中使用Giouloss ， v4 采用ciouloss ， ciouloss 训练效果更好。v5中采用了更少的数据增强， 缩放，Mosaic， 色彩空间调整。yolov4与yolov5 都采用了数据增强的方式。v5优化器采用了adam和sgd， v4采用sgd。都采用PANET作为Neck来聚合特征。都采用了cspDarknet53进行。v4 中还引入了dropBlack等。v5采用了加权nms。....

前几篇文章总结了一些1,2，3的特征，基本上v3 也是当前应用最广泛的了。接下来说说v4。

v1和v2可以参考前两篇文章。

yolov1 存在无法检测多物体的问题。以下为个人对于v2版本的总结。yolov2引入了许多东西。448训练，实际为416。

位置 + 大小 + confidence + rnoobject Confidence + 类预测coord 是object 为1 的 ，比较重要，所以coord 的概率要设置比较大， noobj的概率设置较小。根号是为了避免小偏移对大图像的影响过小。v1中每个格子只负责预测一个物体， 所以对于小物体和重叠的物体无法更好的预测出。运用全连接层，使得计算量大并且复杂。............