<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Sean]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/opentld</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; opentld]]></copyright><item><title><![CDATA[深度学习工程实践Tips（长期更新）]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/103522595</link><guid>https://blog.youkuaiyun.com/opentld/article/details/103522595</guid><author>opentld</author><pubDate>Fri, 13 Dec 2019 11:09:22 +0800</pubDate><description><![CDATA[1. 训练阶段加速

 * 使用混合精度加速训练

 推荐使用NVIDIA的APEX进行训练加速，在2060S显卡上，大约可以获得一倍的综合速度提升（显存使用减少，可以适当增加batchsize, 提高速度）。精度下降几乎察觉不到。APEX保存和加载的模型参数仍然是float32类型的，所以不用担心预训练模型重用的问题。使用起来也十分简单：h...]]></description><category></category></item><item><title><![CDATA[AI常用数据集下载]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/97761114</link><guid>https://blog.youkuaiyun.com/opentld/article/details/97761114</guid><author>opentld</author><pubDate>Tue, 30 Jul 2019 10:54:17 +0800</pubDate><description><![CDATA[AI常用数据集下载：&lt;持续更新&gt;



VOC 数据集下载：

链接：https://pan.baidu.com/s/1zkqg62qKjj1rauAnvBUnXQ
提取码：s6lh



CamVid数据集下载：

链接：https://pan.baidu.com/s/1W5zd1KBsiFltVd8f2ighDg
提取码：spc7


CityScape数据集下载：
...]]></description><category></category></item><item><title><![CDATA[NMS极慢原因]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/88527667</link><guid>https://blog.youkuaiyun.com/opentld/article/details/88527667</guid><author>opentld</author><pubDate>Wed, 13 Mar 2019 15:23:31 +0800</pubDate><description><![CDATA[近几天做了一个训练。

以往都是使用迁移训练的方式，主干网络都是采用预训练的参数做初始化。但这次使用的是自己改进的网络。所以采用随机初始化开始训练。训练速度都还可以。但是在测试中间过程中，NMS（算法是Soft NMS）计算速度非常慢。（我的电脑2*1080Ti， 一般batch= 32, 单GPU的测试情况下，NMS只用0.008s）。而第一轮测试的时候，NMS计算居然到了0.18s，严重影响了...]]></description><category></category></item><item><title><![CDATA[Ubuntu 18.04下 安装pytorch]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/84587171</link><guid>https://blog.youkuaiyun.com/opentld/article/details/84587171</guid><author>opentld</author><pubDate>Wed, 28 Nov 2018 17:16:05 +0800</pubDate><description><![CDATA[1. 安装CUDA

          包括显卡驱动，CUDA， CUDNN

          请参考博客 https://mp.youkuaiyun.com/postedit/84586319

 

2. 安装 Anaconda

         使用命令行下载安装文件，并安装


curl -O https://repo.anaconda.com/archive/Anaconda3-5.2.0-...]]></description><category></category></item><item><title><![CDATA[ubuntu18.04: nvidia drivers + cuda9.2 + cudnn installation]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/84586319</link><guid>https://blog.youkuaiyun.com/opentld/article/details/84586319</guid><author>opentld</author><pubDate>Wed, 28 Nov 2018 16:37:29 +0800</pubDate><description><![CDATA[1.  install the PPA
$ sudo add-apt-repository ppa:graphics-drivers/ppa
$ sudo apt-get update2.  install the driver and libs from the PPA
$ sudo apt-get install nvidia-driver-396 libnvidia-compute-396 ...]]></description><category></category></item><item><title><![CDATA[opencv_traincascade训练分类器]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/80379692</link><guid>https://blog.youkuaiyun.com/opentld/article/details/80379692</guid><author>opentld</author><pubDate>Sun, 20 May 2018 08:34:46 +0800</pubDate><description><![CDATA[1. 训练分类器简介有如下几个需要考虑的地方：*准备正样本：越多越好（线缆项目，需要大约1000个样本较为合理）*准备负样本：分为两个类别，工作场景负样本，非工作场景负样本。两者比重约为1:2*特征选择：本次选择LBP特征，主要考虑因素是速度。*分类器选择：ADB2重要步骤：2.1 准备正样本：工具：*labelImg：在图像中进行目标定位和打标      *cvt_xml：将xml文件描述转换为...]]></description><category></category></item><item><title><![CDATA[opencv_createsamples的用法]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/80002266</link><guid>https://blog.youkuaiyun.com/opentld/article/details/80002266</guid><author>opentld</author><pubDate>Thu, 19 Apr 2018 11:19:34 +0800</pubDate><description><![CDATA[原文地址：https://blog.youkuaiyun.com/sssanton/article/details/52268630近研究OPENCV的分类器，大概试了一下自带的人脸识别例程，然后想到自己去训练其他物品识别的分类器，需要用到里面的opencv_createsamples创建样本和opencv_traincascade训练级联分类器。网上搜了不少的文章，又看了opencv官网的训练器生成教程，还...]]></description><category></category></item><item><title><![CDATA[Recall(召回率);Precision（准确率）;F1-Meature（综合评价指标）;true positives；false positives;false negatives..]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/72900146</link><guid>https://blog.youkuaiyun.com/opentld/article/details/72900146</guid><author>opentld</author><pubDate>Wed, 07 Jun 2017 15:21:29 +0800</pubDate><description><![CDATA[原文: http://blog.youkuaiyun.com/t710smgtwoshima/article/details/8215037

Recall(召回率);Precision（准确率）;F1-Meature（综合评价指标）;
 
    在信息检索(如搜索引擎)、自然语言处理和检测分类中经常会使用这些参数，介于语言翻译上的原因理解难免出现误差，下面介绍下自己对他们的理解。
 
首先来个]]></description><category></category></item><item><title><![CDATA[\r  \n \r\n的区别]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/70741641</link><guid>https://blog.youkuaiyun.com/opentld/article/details/70741641</guid><author>opentld</author><pubDate>Tue, 25 Apr 2017 16:08:31 +0800</pubDate><description><![CDATA[\n是换行，英文是New line，表示使光标到行首
\r是回车，英文是Carriage return，表示使光标下移一格
\r\n表示回车换行
我们在平时使用电脑时，已经习惯了回车和换行一次搞定，敲一个回车键，即是回车，又是换行。
 
1、\n 软回车：

在Windows 中表示换行且回到下一行的最开始位置。相当于Mac OS 里的 \r 的效果。
在Linux、unix 中只]]></description><category></category></item><item><title><![CDATA[ubuntu 搜狗输入法不能输入中文]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/69293047</link><guid>https://blog.youkuaiyun.com/opentld/article/details/69293047</guid><author>opentld</author><pubDate>Wed, 05 Apr 2017 18:59:59 +0800</pubDate><description><![CDATA[现象：
         可以切换输入法，但是搜狗输入法下输入汉字，没有显示汉字，只有拼音


解决：

         删除配置文件，重启搜狗
          ubuntu下搜狗的配置文件在 ~/.config下的3个文件夹里：
          SogouPY、SogouPY.users、sogou-qimpanel
          删除这3个文件夹，然后重启搜狗]]></description><category></category></item><item><title><![CDATA[google gflags 使用2]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/69062759</link><guid>https://blog.youkuaiyun.com/opentld/article/details/69062759</guid><author>opentld</author><pubDate>Tue, 04 Apr 2017 14:37:03 +0800</pubDate><description><![CDATA[转载： http://www.leoox.com/?p=275

有了上文《用Google的gflags优雅的解析命令行参数》到位的前戏，已经知道gflags是何方“尤物”了。接下来就该深入一下了。
 
   支持的参数类型
gflags支持的类型有bool，int32，int64，uint64，double和string。可以说这些基本类型大体上满足了我们的需求。

DEFINE_]]></description><category></category></item><item><title><![CDATA[google gflags 使用1]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/69062747</link><guid>https://blog.youkuaiyun.com/opentld/article/details/69062747</guid><author>opentld</author><pubDate>Tue, 04 Apr 2017 14:34:53 +0800</pubDate><description><![CDATA[转载： http://www.leoox.com/?p=270


写了这么多年的Linux下C/C++代码，一直使用getopt_long来解析命令行参数，同时定义一个全局的struct来保存各个命令行参数的值。虽然用得比较“繁琐”，但也安于现状。最近突然发现了Google早在多年前就开源了一个解析命令行参数的“神器”gflags。赶紧来爽一把。
  安装
1、去官网下载一个最新的版本]]></description><category></category></item><item><title><![CDATA[Google Protocol Buffer]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/69062322</link><guid>https://blog.youkuaiyun.com/opentld/article/details/69062322</guid><author>opentld</author><pubDate>Tue, 04 Apr 2017 13:51:49 +0800</pubDate><description><![CDATA[转摘 https://www.ibm.com/developerworks/cn/linux/l-cn-gpb/index.html

简介
什么是 Google Protocol Buffer？ 假如您在网上搜索，应该会得到类似这样的文字介绍：
Google Protocol Buffer( 简称 Protobuf) 是 Google 公司内部的混合语言数据标准，目前已经正在使用的有超过]]></description><category></category></item><item><title><![CDATA[cartographer算法简析]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/68957747</link><guid>https://blog.youkuaiyun.com/opentld/article/details/68957747</guid><author>opentld</author><pubDate>Mon, 03 Apr 2017 11:45:57 +0800</pubDate><description><![CDATA[测试了一下cartogragher ros工程之后， 感觉效果确实要比Hector 和 Gmapping 两种算法好。
测试条件如下：
              软件： Ubuntu 1404 + indigo + cartographer_ros + rplidar_ros
              硬件： intel i7 u系列 + rplidar
测试结果：]]></description><category></category></item><item><title><![CDATA[ubuntu 1404 ctrl+alt+F1~F6 black]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/68064991</link><guid>https://blog.youkuaiyun.com/opentld/article/details/68064991</guid><author>opentld</author><pubDate>Wed, 29 Mar 2017 14:43:16 +0800</pubDate><description><![CDATA[重装完ubuntu 系统后，ctrl+alt+F1进不去命令行，方法如下：
转载自哪里也记不得了，方式先自己保存到本地的，如作者看到，请私信，我把链接加上，实在抱歉





1）编辑


[html] 
view plain 
copy 


/etc/default/grub  

 2）修改GRUB_CMDLINE_LINUX_DEFAULT的值为nomod]]></description><category></category></item><item><title><![CDATA[hector_mapping添加imu]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/67632551</link><guid>https://blog.youkuaiyun.com/opentld/article/details/67632551</guid><author>opentld</author><pubDate>Tue, 28 Mar 2017 10:43:08 +0800</pubDate><description><![CDATA[最近发现网上有几篇文章评论了多种2d lidar slam的效果，其中有两篇提到hector slam算法的时候都说剧烈晃动时会出现警告信息，提示搜索的范围过大．从而导致定位失败．而这和hector slam在２０１１年机器人搜救大赛的表现相悖．
本人的博客http://blog.youkuaiyun.com/sean_xyz/article/details/53405190　中也提到没有ＩＭＵ的情况下，稳]]></description><category></category></item><item><title><![CDATA[rtabmap_ros 使用 kinect2(xbox one)进行SLAM]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/65445038</link><guid>https://blog.youkuaiyun.com/opentld/article/details/65445038</guid><author>opentld</author><pubDate>Thu, 23 Mar 2017 16:48:19 +0800</pubDate><description><![CDATA[rtabmap_ros算法论文:

RGB-D mapping

M. Labbé and F. Michaud, “Online Global Loop Closure Detection for Large-Scale Multi-Session Graph-Based SLAM,” in
Proceedings of the IEEE/RSJ International Confe]]></description><category></category></item><item><title><![CDATA[error while loading shared libraries]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/55252229</link><guid>https://blog.youkuaiyun.com/opentld/article/details/55252229</guid><author>opentld</author><pubDate>Thu, 16 Feb 2017 10:20:57 +0800</pubDate><description><![CDATA[在Linux下运行程序时，发现了error while loading shared libraries这种错误，一时间不知道解决办法，在网上搜索，终于解决了：
 
./tests: error while loading shared libraries: xxx.so.0:cannot open shared object file: No such file or directory
]]></description><category></category></item><item><title><![CDATA[RVIZ保存配置 and 使用配置]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/54666615</link><guid>https://blog.youkuaiyun.com/opentld/article/details/54666615</guid><author>opentld</author><pubDate>Sun, 22 Jan 2017 09:58:32 +0800</pubDate><description><![CDATA[每次无参数启动ＲＶＩＺ，　都会使用配置　～/.rviz/default.rviz
如果每次是正常退出的话，　上一次的配置会被保存到文件～/.rviz/default.rviz
需要另外保存成配置文件的话，可以

File->Save Config As


如果需要使用自己的配置，如下所示：


<node pkg="rviz" type="rviz" name="rviz"
  ]]></description><category></category></item><item><title><![CDATA[自制简易激光雷达]]></title><link>https://blog.youkuaiyun.com/opentld/article/details/54632667</link><guid>https://blog.youkuaiyun.com/opentld/article/details/54632667</guid><author>opentld</author><pubDate>Fri, 20 Jan 2017 17:24:25 +0800</pubDate><description><![CDATA[网上有个使用一个单点激光笔，一个电机和普通USB摄像头做的一个激光雷达。这里简单介绍一下它的原理。
原理上来说，这也是一个三角测距激光雷达，和rplidar的原理本质是一样的。设计如图所示，



然后需要使用图像算法去检查这些激光光点。当然最好的方法是加一块滤光片，只让激光的光谱通过，其他的都滤除。由于电机旋转，光点在平面上会变成线状。
不过使用激光笔做的激光雷达对人眼可能不太安全。]]></description><category></category></item></channel></rss>