墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
600+累计阅读
663平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
用opencv的转换函数cv2.cvtColor()反转一下就行.
ship_RGB_2 = cv2.cvtColor(ship_BGR, cv2.COLOR_BGR2RGB)
plt.imshow(ship_RGB_2)
plt.show()
5分钟搞定：用Pyannote和Whisper实现带说话人分离的语音转文字（附完整代码）
本文详细介绍了如何快速构建一个集成了说话人分离功能的语音转文字系统。通过结合OpenAI的Whisper模型进行高精度语音识别和Pyannote模型实现说话人分离，并提供了完整的代码实现、环境搭建指南以及核心的对齐与合并逻辑，帮助开发者高效处理会议录音、访谈等多说话人音频，实现自动化转录。
超级简单的大疆tello无人机视频实现（很少代码）
大疆tello无人机出来有1年时间了，使用pc查看视频的功能也只是今年才开放，经过2天的摸索，终于用简单的方法实现，不敢独享，分享出来。 1、连接tello的wifi： 2、使用udp组件发送打开视频流命令“streamon” IdUDPClient1.Host:='192.168.10.1'; IdUDPClient1.Port:=8889; ...
【KITTI数据集中Raw_Data数据标定文件中的参数关系解读】
上一节本人将KITTI Odometry数据集中的参数文件进行了解释。本节主要针对一些做融合slam的人，将Raw_Data数据标定文件中的参数按照自己的理解做如下阐述。其中，所讲之处如有错误，欢迎各位批评指正。
用 .NET 启动你的 大疆 Ryze Tello 无人机
大疆的 DJI Ryze Tello 是入门级的无人机，不仅在 STEM 教育中有非常广泛的应用，也可以作为编程入门的首选。通过 UDP 协议调用 DJI Ryze Tello SDK 可以让 DJI Ryze Tello 无人机执行起飞，降落，转向以及不同的花式动作。本文将会通过 .NET 创建应用控制 DJI Ryze Tello。
联想拯救者恢复出厂设置全攻略
通过本文介绍的几种方法，你可以轻松地将联想拯救者恢复到出厂系统状态。无论是通过Windows恢复选项、高级启动选项还是一键恢复功能，都能帮助你解决系统问题、清除个人信息或重置软件环境。在重置前，请务必备份重要数据，并确保了解重置的影响。重置完成后，进行适当的系统设置和软件安装，让你的联想拯救者焕然一新，继续为你提供高效、稳定的计算体验。
2024年12月数据月报
2024年12月大数据月报，为您准备了阿里、字节、百度等大厂150多篇实践案例
Tello-Python 项目常见问题解决方案
Tello-Python 是一个开源项目，它提供了一系列基于 Python 编写的示例代码，用于与 Ryze Tello 无人机进行交互。这个工具包包含了三个基于 Tello SDK 和 Python 2.7 的示例程序：`Single_Tello_Test`、`Tello_Video` 和 `Tello_Video_With_Pose_Recognition`。此外，还包括一个名为 `tello...
LeRobot 机器人学习（Robot Learning）入门教程（一）
本文介绍了现代机器人学习领域的发展现状与关键技术。随着机器学习进步和大规模机器人数据的普及，机器人技术正从传统基于模型的方法转向数据驱动的学习范式。HuggingFace开发的开源库lerobot实现了端到端集成，支持多种机器人平台和先进算法（强化学习、行为克隆等）。核心创新包括LeRobotDataset标准化格式，统一处理多模态时间序列数据，并支持高效批处理和流式访问。教程涵盖经典机器人学基础、强化学习原理、模仿学习技术和通用模型开发，结合代码示例展示如何构建适应多样化任务的机器人系统。该资源旨在为研究
C#使用opencv和Yolo模型识别车牌号
本文基于OpenCVSharp与OnnxRuntime，结合YoloV8n-pose_plate模型（检测车牌位置）和OCR模型（识别车牌文字），实现高效车牌识别。通过预处理、目标检测、NMS筛选及文字识别流程，最终输出车牌框位置与识别文本。代码封装良好，支持自定义路径与置信度阈值，具备实际应用价值。
Agile Modbus使用和学习笔记
i < len;这里仅仅需要提供获取函数即可，离散输入是只读类型i++) {return 0;只读类型寄存器i++) {return 0;i < len;
c++中，部署Ethercat IGH + PREEMPT_RT 环境，跑DC模式，如何实现？
🏆本文收录于 《全栈 Bug 调优（实战版）》 专栏。专栏聚焦真实项目中的各类疑难 Bug，从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解，形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者，还是负责复杂项目的资深工程师，都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论，助你稳步进阶、放大技术价值 。
【74】水稻病害数据集(有v5/v8模型)/YOLO水稻病害检测
本文提供一个包含2183张标注图片的水稻病害数据集，涵盖四种病害类别（白叶枯病、草丛矮缩病、稻瘟病、东格鲁病毒病），按1746:437划分训练与验证集。基于YOLOv5和YOLOv8模型的训练结果表明，mAP分别达0.901和0.914，具备良好检测性能。
手把手教你学simulink实例--基于Simulink的电动汽车动力总成控制策略验证与标定仿真平台
电动汽车的动力总成（Powertrain）是车辆的核心系统，包括动力电池、电机控制器、逆变器和驱动电机等关键部件。动力总成的控制策略直接影响车辆的动力性能、能耗效率和驾驶体验。为了验证和优化这些控制策略，基于MATLAB/Simulink的仿真平台成为一种高效且经济的解决方案。本项目旨在构建一个完整的基于Simulink的电动汽车动力总成控制策略验证与标定仿真平台，涵盖控制策略建模、性能评估以及参数标定等功能模块，并通过仿真验证系统的有效性。
YOLO26最新创新改进：融合 WST：小波无损下采样主干，下采样是主干里唯一一次不可逆的信息丢弃，用小波把丢掉的高频收回来！
YOLO26融合小波无损下采样（WST）主干，针对原始结构中下采样导致的高频信息不可逆丢失问题，提出在保持原有拓扑不变的前提下，以正交小波变换替代传统卷积下采样。该方法实现无损特征分解与高频子带重构，有效保留边缘、纹理等关键细节，解决弱目标检测中因下采样失真带来的性能瓶颈。实验表明，该改进显著提升小目标与低对比度目标检测精度，且机制清晰、可解释性强，为轻量级检测器优化提供新范式。
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
高空作业栏杆检测数据集VOC+YOLO格式230张3类别
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["langan","nverqiang","wu"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)nverqiang女儿墙（屋顶边缘的矮墙） 框数=118,占有图片数=95。图片数量(jpg文件个数)：230。标注数量(xml文件个数)：230。标注数量(txt文件个数)：230。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
YOLO + SAM 3 混合自动标注：把数据集生产成本打下来的工程实践
YOLO + SAM 3 的混合方案之所以有效，不是因为它用了两个更强的模型，而是因为它把任务拆成了「召回—精修—仲裁」三段，每一段都交给了最擅长的那一方：YOLO 管快与类别，SAM 3 管准与开放概念，人管边界与例外，工程管闭环与可追溯。这篇文章讲一套已经跑在生产环境里的混合方案：让 YOLO 负责「快」和「认得类别」，让 SAM 3 负责「准」和「开放概念」，人工只负责最后一公里的仲裁与验收。给定「黄色安全帽」这样的名词短语，它返回所有符合该概念的实例掩膜与框，并给出存在性评分。
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
LocateAnything 模型：比 YOLO 快 10 倍？英伟达机器视觉新范式实测解读
步骤操作耗时1. 理解范式明白 PBD 是用原子框替代逐 token 解码2 分钟2. 跑通 demoHugging Face Spaces 在线试，或本地加载 3B 权重15 分钟3. 选型部署Hybrid Mode 作为生产默认，评估 BPS 是否满足场景需求按需核心价值：LocateAnything 不是 YOLO 的替代品——YOLO 在封闭词汇、ms 级延迟的工业场景无可撼动。
【深度学习实验】—— YOLOv12 添加 SE 注意力机制：实现、训练与水果检测对比
本次实验在 YOLOv12n 中接入 SE（Squeeze-and-Excitation）通道注意力，使用已有四类水果数据集，完成模块编写、模型解析器注册、前向与梯度检查、模型训练和最佳权重评估。项目本次设置与结果模型YOLOv12n 基线 / YOLOv12n SE 替换版任务四类水果目标检测数据集200 张图片，594 个标注框划分训练 160 张 / 验证 20 张 / 测试 20 张训练两组各 2 轮，batch=2，imgsz=640，seed=0，随机初始化。
YOLO 系列（二）：YOLO V2 原理与改进
YOLO V2 在保持实时性基础上，系统优化V1缺陷：引入批量归一化提升训练稳定性，采用高分辨率微调缓解“水土不服”，使用DarkNet主干网络实现全卷积结构；通过K-means聚类自适应提取5个先验框，结合Anchor机制提升召回率；提出直接位置预测约束偏移量，防止训练发散；融合直通层与多尺度训练增强小目标检测能力。系列改进使mAP从63.4升至75.8，兼顾精度与速度。
遥感大棚语义分割数据集 深度学习 语义分割 遥感影像 农业大棚 YOLO格式 数据集发布5025期
遥感大棚语义分割数据集 深度学习 语义分割 遥感影像 农业大棚 YOLO格式 数据集发布5025期
【AI视觉软件 06】基于 Ultralytics + Deep-OC-SORT的多目标跟踪（支持YOLO全系列，重点车跟踪）
本工程基于Ultralytics YOLO检测器与Deep-OC-SORT跟踪器，构建端到端车流多目标跟踪系统。通过五项可独立开关的改进（外观特征、相机运动补偿、自适应加权、8维卡尔曼滤波、网格特征），在相同检测器与视频下对比消融实验，量化其对轨迹稳定性、漏检恢复能力的提升。系统实现检测与跟踪解耦，输出逐帧轨迹日志，支持全量落盘分析，确保实验可追溯。结果表明，各模块协同显著优于基线OC-SORT，尤其在密集交叉与遮挡场景中表现更优。
YOLO26最新创新改进系列：卷积核分不清这粒像素是病灶还是这粒像素是噪声，用邻域自相异把局部异常挑出来！
YOLO26 是一个被极致压缩过的一阶段检测器：C3k2 主干负责特征提取，C2PSA 做末端全局聚合，PAN-FPN 完成 P3/P4/P5 三尺度融合，检测头以解耦的分类/回归分支直接输出密集预测。整条链路的设计目标是速度优先、结构优先——用尽可能少的算子换取尽可能快的吞吐。这种极致压缩在通用自然图像上非常成功，但当检测目标不再是「通用物体」时，原始结构的三个缺陷会同时暴露。本节逐一指出这些缺陷，并说明融合NSDA之后它们如何被逐条解决——这正是本文这条改进线所要回应的核心痛点。
开源：Yolo2CausalTCN，将YOLOv8数据集转换为因果TCN时序模型的开源工具
iNeuOS_Yolo2CausalTCN 项目实现了从YOLOv8推理结果到因果TCN时序数据集的完整转换流水线，支持滑动窗口构造时序样本、特征归一化与按时间顺序的数据集划分，并内置因果TCN的训练、评估与推理代码，打通了“视频目标检测—时序数据集生成—TCN时序预测”的全链路，可用于目标数量预测、轨迹趋势预测、视频异常时序预警等场景。
YOLOv5 原理与框架使用详解
从 YOLO1 到 YOLO2，再到 YOLOv3/v4，目标检测的一阶段方法不断迭代。2020 年 Ultralytics 团队推出的 YOLOv5 虽然论文之外，但凭借简洁的工程实现、出色的精度速度平衡和完善的部署工具链，成为工业界最流行的 YOLO 版本。本篇从原理和框架使用两条线，把 YOLOv5 讲透。
YOLO 模型部署华为昇腾 NPU思路
把 YOLO 从训练环境搬到国产算力上，真正难的不是跑通，而是把每一毫秒、每一分精度都榨出来。
yolo跟踪——图像标注、数据集制作、模型训练部署
训练集（Training Dataset）训练集（Training Dataset）是用来训练模型使用的。验证集（Validation Dataset）当我们的模型训练好之后，我们并不知道他的表现如何。这个时候就可以使用验证集（Validation Dataset）来看看模型在新数据（验证集和测试集是不同的数据）上的表现如何。同时通过调整超参数，让模型处于最好的状态。验证集不像训练集和测试集，它是非必需的。如果不需要调整超参数，就可以不使用验证集，直接用测试集来评估效果。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
635
扫一扫
