<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[playezio的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/playezio</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; playezio]]></copyright><item><title><![CDATA[windows10+vs2019+opencv4.5.4实现yolov5的c++推理（gpu加速）]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/123652814</link><guid>https://blog.youkuaiyun.com/playezio/article/details/123652814</guid><author>playezio</author><pubDate>Tue, 22 Mar 2022 10:00:45 +0800</pubDate><description><![CDATA[windows10+vs2019+opencv4.5.4实现yolov5的c++推理（gpu加速）]]></description><category></category></item><item><title><![CDATA[darknet版yolov4 预测框的标签如何去掉？]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/122073420</link><guid>https://blog.youkuaiyun.com/playezio/article/details/122073420</guid><author>playezio</author><pubDate>Tue, 21 Dec 2021 21:17:43 +0800</pubDate><description><![CDATA[darknet yolov4 预测框修改]]></description><category></category></item><item><title><![CDATA[将yolo格式的标注文件转化为voc格式的标注文件]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/121016989</link><guid>https://blog.youkuaiyun.com/playezio/article/details/121016989</guid><author>playezio</author><pubDate>Thu, 28 Oct 2021 16:19:42 +0800</pubDate><description><![CDATA[1.yolo格式的标注文件
7 0.534896 0.599074 0.025 0.205556
2 0.376042 0.903241 0.0145833 0.0694444
2 0.475781 0.0291667 0.0161458 0.0583333
2 0.409115 0.87963 0.0161458 0.0685185
2 0.472917 0.555556 0.0145833 0.0703704
2 0.348958 0.914815 0.0145833 0.0611111
0 0.299]]></description><category></category></item><item><title><![CDATA[远程控制阿里云服务器（windows），并使用tcp进行通信]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/120152322</link><guid>https://blog.youkuaiyun.com/playezio/article/details/120152322</guid><author>playezio</author><pubDate>Tue, 07 Sep 2021 11:37:41 +0800</pubDate><description><![CDATA[1.用网页连接阿里云登陆主机，打开服务器管理，选择本地服务器，启用远程管理和远程桌面
2.打开本地计算机的控制面板，搜索凭据，打开windows凭据管理

3.添加凭据

4.输入阿里云主机的相关信息之后点击确定(Administrator)

5.打开远程连接桌面，点击远程桌面连接(win+r打开之后输入mstsc点击确定)

6.输入公网ip地址就可以连接了

...]]></description><category></category></item><item><title><![CDATA[关于并行计算的相关总结]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/119079024</link><guid>https://blog.youkuaiyun.com/playezio/article/details/119079024</guid><author>playezio</author><pubDate>Sun, 25 Jul 2021 11:05:46 +0800</pubDate><description><![CDATA[关于并行计算的相关总结1.	定义2.	特征及层次3.	应用举例3.1	基于CUDA 的K-Means 多级并行优化方法3.2	面向GPU的直方图统计图像增强并行算法3.3	基于FPGA的多核可扩展卷积加速器设计
1.	定义
并行计算或称平行计算是相对于串行计算来说的。它是一种一次可执行多个指令的算法，目的是提高计算速度，及通过扩大问题求解规模，解决大型而复杂的计算问题。所谓并行计算可分为时间上的并行和空间上的并行。时间上的并行就是指流水线技术，而空间上的并行则是指用多个处理器并发的执行计算。
并行计算（Pa]]></description><category></category></item><item><title><![CDATA[C++读取TXT文档，分行分段解析，通过UDP组播发送]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/118161269</link><guid>https://blog.youkuaiyun.com/playezio/article/details/118161269</guid><author>playezio</author><pubDate>Wed, 23 Jun 2021 20:00:38 +0800</pubDate><description><![CDATA[TXT文档格式
航点序号     经度°     纬度°     高度m    速度m/s	悬停时间s	    标志字节
1  114.363945   38.056252	   20	2	 5	   1
2  114.363697   38.055994	   20	2	 5	   1
3  114.363974   38.055745	   20	2	 5	   1
4  114.363215   38.055765	   20	2	 5	   1
5  114.363573   38.056425	 ]]></description><category></category></item><item><title><![CDATA[windows环境下将yolo-fatest的caffe模型转化为wk模型]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/115392407</link><guid>https://blog.youkuaiyun.com/playezio/article/details/115392407</guid><author>playezio</author><pubDate>Fri, 02 Apr 2021 10:42:34 +0800</pubDate><description><![CDATA[windows环境下将yolo-fatest的caffe模型转化为wk模型第一步第二步第三步第四步
在上一个博客https://blog.youkuaiyun.com/playezio/article/details/115343492
已经将yolo-fatest的darknet模型转化为caffe模型
在这篇博客中，将caffe模型转化为wk模型
第一步
打开Ruyi Stdio，加载官方提供的sample代码，提前将转化得到的模型放到工程中，目录如下所示

第二步
选择yolov-fatest.cfg，右键，op]]></description><category></category></item><item><title><![CDATA[在ubuntu16.04环境下将Yolo-Fatest模型转换为Caffe模型]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/115343492</link><guid>https://blog.youkuaiyun.com/playezio/article/details/115343492</guid><author>playezio</author><pubDate>Fri, 02 Apr 2021 08:09:43 +0800</pubDate><description><![CDATA[文章目录前言一、新建环境二、使用步骤1.引入库2.读入数据总结


前言
根据qiuqiu大神的https://github.com/dog-qiuqiu/Yolo-Fastest下载了训练所需文件，根据[Windows+DarkNet实现YoloV4的检测及训练（GTX1660S）（二）]实现了自己模型的生成。(https://blog.youkuaiyun.com/playezio/article/details/106461330?ops_request_misc=%257B%2522request%255Fid]]></description><category></category></item><item><title><![CDATA[AprilTag在Windows平台VS2015环境下的运行及原理解析]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/115308298</link><guid>https://blog.youkuaiyun.com/playezio/article/details/115308298</guid><author>playezio</author><pubDate>Mon, 29 Mar 2021 20:46:05 +0800</pubDate><description><![CDATA[AprilTag在Windows平台VS2015环境下的运行及原理解析概述源码C版本官方源码C++版本官方源码原理解析自适应阈值分割轮廓查找寻找四边形单应变换解码
概述
AprilTag是一个视觉基准库，在AR，机器人，相机校准领域广泛使用。通过特定的标志（与二维码相似，但是降低了复杂度以满足实时性要求），可以快速地检测标志，并计算相对位置。
官网：https://april.eecs.umich.edu/software/apriltag.html
源码
AprilTag的官方源码为C版本，Linux环境]]></description><category></category></item><item><title><![CDATA[DarkNet框架下YOLO-v4算法推理过程的特征图可视化]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/108885441</link><guid>https://blog.youkuaiyun.com/playezio/article/details/108885441</guid><author>playezio</author><pubDate>Wed, 30 Sep 2020 15:15:21 +0800</pubDate><description><![CDATA[说明

本篇文章针对AB版DarkNet源代码进行了修改，添加了一些函数，进行全通道特征图可视化。主要针对YOLO-v4推理过程中，对中间计算结果的特征图数据进行转换，将转换结果用表示成图片进行保存。

DarkNet源代码修改

在network_kernel.cu文件中加入以下代码：


image float_to_cow_image(int w, int h, int c, float *data, int ai)
{
	char tp[1000];
	//保存文件到特定文件夹（feature_tx]]></description><category></category></item><item><title><![CDATA[Windows+DarkNet实现YoloV4的检测及训练（GTX1660S）（二）]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/106461330</link><guid>https://blog.youkuaiyun.com/playezio/article/details/106461330</guid><author>playezio</author><pubDate>Sun, 31 May 2020 21:25:16 +0800</pubDate><description><![CDATA[1. 数据标注
2. 标注文件格式转换
3. 更改yolo配置
4. 开始训练
5. 训练问题总结
6. C++推理

1. 数据标注
1）使用labelimg软件

2）功能介绍
a)	Opendir：打开图片目录(save)
b)	Next Image:下一帧图像
c)	Prev Image:上一帧图像
d)	Save： 保存标注！每标注完一幅图像，一定要保存一下！
e)	CreateRectBox: 创建标注框
f)	PscalVOC/YOLO:选择PscalVOC
3）标注注意事项
a)	标注目标“]]></description><category></category></item><item><title><![CDATA[Windows+DarkNet实现YoloV4的检测及训练（GTX1660S）]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/106320672</link><guid>https://blog.youkuaiyun.com/playezio/article/details/106320672</guid><author>playezio</author><pubDate>Sun, 24 May 2020 21:52:52 +0800</pubDate><description><![CDATA[本机配置
显卡：NVIDIA GeForce GTX 1660 SUPER
CPU：i5 9400f
系统：win10
环境安装
在windows下配置yolov4还是比较简单的，只要环境安装好了就可以。
需要提前下载以下环境：
Python：python-3.7.7-amd64
Cmake：cmake-3.17.2-win64-x64
VS：vs2019
GPU:驱动445.87
CUDA：cuda_10.1.168_425.25_win10
CuDNN：cudnn-10.1-windows10-x64-]]></description><category></category></item><item><title><![CDATA[【转载收藏】C++编程学习52个经典网站 强力推荐]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/88219332</link><guid>https://blog.youkuaiyun.com/playezio/article/details/88219332</guid><author>playezio</author><pubDate>Wed, 06 Mar 2019 09:38:33 +0800</pubDate><description><![CDATA[版权声明：本文为博主原创文章，转载需标记链接和作者名称。 https://blog.youkuaiyun.com/bjtbjt/article/details/6684436
C/C++是最主要的编程语言。这里列出了50名优秀网站和网页清单，这些网站提供c/c++源代码。这份清单提供了源代码的链接以及它们的小说明。我已尽力包括最佳的C/C++源代码的网站。这不是一个完整的清单，您有建议可以联系我，我将欢...]]></description><category></category></item><item><title><![CDATA[【除夕】对2018学习情况的总结]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/86762590</link><guid>https://blog.youkuaiyun.com/playezio/article/details/86762590</guid><author>playezio</author><pubDate>Mon, 04 Feb 2019 11:01:41 +0800</pubDate><description><![CDATA[         2018是忙碌的一年，主要做了写专利、发论文、找工作的事情。其中最重要的是找工作了，为此我学习了Python、C++语言，机器学习和深度学习的知识，各类应试算法等，求职方向主要在机电结合、算法开发、产品经理等。最终得到的Offer有产品经理、IT企划、软件开发等，目前是选择了C++开发，并回家乡发展。

以下把我的学习历程和资料呈上，以便记录。

1.深度学习主要是吴恩达老师：
...]]></description><category></category></item><item><title><![CDATA[在Ubuntu 16.04下的YOLO V3复现及问题解决]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/80471479</link><guid>https://blog.youkuaiyun.com/playezio/article/details/80471479</guid><author>playezio</author><pubDate>Sun, 27 May 2018 19:04:21 +0800</pubDate><description><![CDATA[在使用yolo应用于自己的项目时，首先复现一下作者所做的，看一下效果。主要参考：https://pjreddie.com/darknet/yolo/使用预训练模型进行检测本文将引导您使用预先训练的模型通过YOLO系统检测对象。 如果你还没有安装Darknet，你应该先安装一下。git clone https://github.com/pjreddie/darknet
cd darknet
make...]]></description><category></category></item><item><title><![CDATA[关于【天池精准医疗大赛——人工智能辅助糖尿病遗传风险预测】的思考]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/80471267</link><guid>https://blog.youkuaiyun.com/playezio/article/details/80471267</guid><author>playezio</author><pubDate>Sun, 27 May 2018 18:50:08 +0800</pubDate><description><![CDATA[在18年初与来自几所牛校的学生组队参加了第一次天池大赛，最终由于乌龙没能在初赛获得前一百的成绩，止步复赛。前几天观看了决赛现场的答辩，感触良多，记录如下。首先上一波图，这是我们参加比赛是的程序和数据，耗费了很多时间和精力，得到的经验也很多，虽然最后的结果不太理想，也算是有所收获吧。在决赛现场，聆听了六位选手的答辩，对冠军和季军的方案尤其佩服。冠军主要是由于和文献结合较为紧密，所以获得了评委老师们的...]]></description><category></category></item><item><title><![CDATA[利用opencv训练于Haar特征、LBP特征、Hog特征的分类器及问题解决]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/80471078</link><guid>https://blog.youkuaiyun.com/playezio/article/details/80471078</guid><author>playezio</author><pubDate>Sun, 27 May 2018 18:05:10 +0800</pubDate><description><![CDATA[csdn中相关文章很多，我主要参考以下几篇，并解决了在实践中遇到的几个问题。参考：https://blog.youkuaiyun.com/lql0716/article/details/72566839问题解决： 第一次使用opencv_haartraining.exe进行测试，可是总是出现如上图的错误，经搜索无可用解决方案。第二次使用opencv_traincascade.exe进行测试，出现如上图错误，经...]]></description><category></category></item><item><title><![CDATA[haar+adaboost结合讲解（偏重实际）]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/80471000</link><guid>https://blog.youkuaiyun.com/playezio/article/details/80471000</guid><author>playezio</author><pubDate>Sun, 27 May 2018 17:48:38 +0800</pubDate><description><![CDATA[【这是一篇之前总结的文档，大部分来源于csdn和文献，如有未标明引用，请联系我加上。】目录 1 Haar特征和积分图 1.1 Haar特征的生成 1.2 计算Haar特征值 1.3 Haar特征值归一化 1.4 积分图 2. 级联分类器结构与XML文件含义 2.1 XML的头部 2.2 弱分类器结构 2.3 强分类器结构 2.4 级联分类器 3. 利用并查集合并检测结果窗口 3.1 并查集(Uni...]]></description><category></category></item><item><title><![CDATA[haar+adaboost结合讲解（偏重原理）]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/80470858</link><guid>https://blog.youkuaiyun.com/playezio/article/details/80470858</guid><author>playezio</author><pubDate>Sun, 27 May 2018 17:30:10 +0800</pubDate><description><![CDATA[【这是一篇之前总结的文档，大部分来源于csdn和文献，如有未标明引用，请联系我加上。】   目录 1 Adaboost方法的引入 1.1 Boosting方法的提出和发展 1.2 AdaBoost算法的提出 1.3 级联分类器介绍 2 矩形特征 2.1 Haar特征\矩形特征 2.2 子窗口内的条件矩形，矩形特征个数的计算 2.3条件矩形的数量 3 积分图 3.1 积分图的概念 3.2 利用积分图...]]></description><category></category></item><item><title><![CDATA[Kaggle实战：Plant Seedlings Classification（植物幼苗分类）]]></title><link>https://blog.youkuaiyun.com/playezio/article/details/80449568</link><guid>https://blog.youkuaiyun.com/playezio/article/details/80449568</guid><author>playezio</author><pubDate>Fri, 25 May 2018 16:47:50 +0800</pubDate><description><![CDATA[    2018年初从天池大数据竞赛转战Kaggle，发现在这里有更多有趣的项目，也有更多的大神来分享经验和代码，体会良多。    经过数字识别和泰坦尼克号预测的入门，我实战的第一个比赛是Plant Seedlings Classification（植物幼苗分类），我将从以下几个方面来记录这个比赛。1. 比赛描述2. 评价指标3. 迁移学习4. Keras训练5. 比赛结果------------...]]></description><category></category></item></channel></rss>