【发疯毕设日志day7】大疆tello火影结印起飞——模型测试代码

torch.hub.load()解析,如何加载本地权重 用yolov5训练了一个权重,项目只能部署在本地 官方文档 torch.hub.load(repo_or_dir, model, *args, source='github', force_reload=False, verbose=True, skip_validation=False, **kwargs) [来源] 从 github 存储库或本地目录加载模型。 注意:加载模型是典型的用例,但这也可用于加载其他对象,例如分词器、损失函数等。 如果source是“github”,rep 阅读详情

1. 写了一个类 yolo_test

启动tello,加载初始化模型

设置一个置信度阈值(设置的高一些)

import cv2
import numpy as np
from djitellopy import Tello

import torch

class yolo_test:
    def __init__(self):

        # tello初始化
        self.tello = Tello()
        self.tello.connect()
        self.tello.streamon()
        # 加载 yolov5模型
        self.model = torch.hub.load('./yolov5', 'custom', path='./weights/best.pt',source='local')
        # 置信度阈值
        self.model.conf = 0.7

2. 读取视频流 转化成RGB

解析目标检测结果 

3.  

"""
测试训练号的YOLO模型
"""

import cv2
import numpy as np
from djitellopy import Tello

import torch

class yolo_test:
    def __init__(self):

        # tello初始化
        self.tello = Tello()
        self.tello.connect()
        self.tello.streamon()

     
        # 加载 yolov5模型
        self.model = torch.hub.load('./yolov5', 'custom', path='./weights/best.pt',source='local')
        # 置信度阈值
        self.model.conf = 0.7

    def demo(self):
       
        while True:

            # 读取视频帧
            frame = self.tello.get_frame_read().frame
            # 镜像
            frame = cv2.flip(frame, 1)

            # 计算视频高度和宽度
            frame_h, frame_w = frame.shape[:2]

            # 转为RGB
            img_cvt = cv2.cvtColor(frame,cv2.COLOR_BGR2RGB)

            # 目标检测推理
            results = self.model(img_cvt)
            results_arr = results.pandas().xyxy[0].to_numpy()

            # 解析目标检测结果
            for item in results_arr:

                # 标签ID
                ret_label_id = item[-2]
                # 标签名称
                ret_label_text = item[-1]
                # 置信度
                ret_conf = item[-3]
                # 检测框坐标
                l,t,r,b = item[:4].astype('int')
                # 画矩形
                cv2.rectangle(frame,(l,t),(r,b),(0,255,0),2)
                # 绘制文字
                cv2.putText(frame,'{} {}%'.format(ret_label_text,round(ret_conf*100,2)),(l,t-10),cv2.FONT_ITALIC,1.5,(0,255,0),2)


            cv2.imshow('demo', frame)
            if cv2.waitKey(10) & 0xFF == ord('q'):
                break
            
        cv2.destroyAllWindows()



if __name__ == '__main__':

    # 实例化
    test = yolo_test()
    test.demo()
    

Tello无人机py库函数解析 **以上就是djitellopy库中一些函数的说明,是博主学习的一些总结与归纳,希望对大家有所帮助。需要注意的是,其函数日后可能会有所更新,各位大佬也可参考官方文档。over! 阅读详情

相关推荐

Ubuntu 18.04 YOLOv5 ros_yolo 环境配置 数据集标注

Windows YOLOv4 环境配置(GPU版)提示 确保你有Nvidia显卡,并确定所支持的CUDA版本准备源码工具CUDA + cuDNNOpenCV + OpenCV_ContribYOLOv4 (darknet) 提示 确保你有Nvidia显卡,并确定所支持的CUDA版本 准备 源码 darknet-master opencv + opencv_contrib (下面使用的 opencv 的版本号为4.2.0 ) CUDA (下面使用的CUDA版本为11.1) cuDNN (下载 cuDNN

weixin_43563233的博客 1万+

使用 PyTorch Hub 加载 YOLOv5

本文记录了使用 PyTorch Hub 加载 YOLOv5的一些操作和指令

m0_68220374的博客 4224

YOLOV5 部署:QT的可视化界面推理(根据UI窗口编写内部函数)

上一章,UI的可视化界面已经创建好了。并且通过UI文件编译成了python可以处理的py文件,为了方便使用,我们新建了qt_inference 对ui的py脚本进行调用,效果如下本章将接着上面操作,完成一个可以实时检测的YOLOV5可视化推理界面下面将根据项目一步一步实现函数,可能会看得有点头昏,或者害怕代码缺失的问题。不用担心,文末会有脚本的全部代码,可以拷贝下面跟着博文一起实现就行了。

Henry的博客 8987

DJITelloPy 控制无人机飞行

改进 将监听之后对无人机的操作指令 和 键盘监听分为两个进程,不在同一个进程里执行,避免键盘监听进程阻塞。仍然存在问题 tello.move api 调用是仍为进程阻断,无法实现连续移动。

2301_78723800的博客 1088

JMeter脚本录制-快速上手篇

有的项目应用场景下,压测时,需要考虑带宽因素,压测不只是压测接口,静态资源也要一起压测。一般来说,静态资源比较多,如果一个个手工去写请求,是比较繁琐的,此时,可以使用Jmeter的脚本录制功能。 步骤1,创建脚本录制模版。 JMeter菜单:文件>模版,下拉选择到Recording,点击“Create”按钮; 填写录制参数: hostToRecord:填写要录制的主机域名,例如,我们这里填入:www.baidu.com schemeToRecord:填写要录制的模式,例如,htt...

软件测试大叔 5734

避坑指南:Zephyr RTOS与nRF Connect SDK环境搭建常见错误及解决方案

本文详细解析了Zephyr RTOS与nRF Connect SDK环境搭建过程中的常见错误及解决方案,涵盖网络问题、代理设置、SEGGER Embedded Studio配置、分支切换等关键环节。针对开发者实际遇到的痛点问题,提供了一系列实用技巧和深度排错方法,帮助高效完成NCS开发环境部署。

weixin_28685287的博客 170

DJITelloPy:Python接口让大疆Tello无人机编程更简单

DJITelloPy 是一个开源Python库,为大疆Tello无人机提供了丰富的编程接口。通过使用官方的Tello SDK和Tello EDU SDK,该库允许开发者使用Python语言轻松地控制Tello无人机,实现飞行、拍照、录像等多种功能。其设计旨在为无人机爱好者、教育工作者以及研究人员提供一个简单、易用的编程接口。 ## 项目技术分析 DJITelloPy 库基于Python 3.6...

gitblog_00746的博客 1156

Deep Reinforcement Learning - 1. DDPG原理和算法

Deep Reinforcement Learning - 1. DDPG原理和算法 背景描述 DDPG的定义和应用场景 DDPG算法相关基本概念定义 DDPG实现框架和算法 DDPG对于DPG的关键改进 下一篇 以下用RL作为Reinforcement Learning 的简称。背景描述概括来说,RL要解决的问

kenneth_yu的博客 14万+

【亲测免费】 PythonDroneCode:控制Tello无人机的Python代码

PythonDroneCode:控制Tello无人机的Python代码 去发现同类优质开源项目:https://gitcode.com/ 简介 此仓库提供了用于控制Tello无人机的Python代码,实现了基于人脸追踪的功能。代码利用haarcascade_frontalface_default.xml机器学习对象检测算法,结合以下Python模块实现:OpenCV-Python、numpy、dj...

gitblog_06792的博客 498

STM32 CubeMX LwIP + freertOS 移植

生成代码,烧录即可ping通。这里要注意的是,要修改freertOS的任务栈大小,默认128,修改为1024,不修改就跑不起来。生产代码,下载进开发板。开发板网口与电脑网口通过网线直连,设置电脑本地网卡在同一网段。在以上无系统的cubeMX配置下继续添加freertOS。无系统LWIP协议栈设置,静态IP地址,关闭DHCP。先用裸机测试LAN8742A的网卡驱动。MCU型号:STM32F746NGH。下面进行freertOS系统移植。网卡型号:LAN8742A。系统时钟和时基定时器如下。

u011625775的博客 1373

UE5实现物体高亮描边效果(含UE相关源码浅析)

UE5实现物体高亮描边效果

专注GIS开发 7334

【YoLo】从 PyTorch Hub 加载 YOLOv5

PyTorch Hub 支持对大多数 YOLOv5 导出格式进行推理,包括自定义训练模型。有关导出模型的详细信息,请参阅。第一个输入层,它不再与预训练的输入层具有相同的形状。输出层,它们不再与预训练的输出层具有相同的形状。此示例从 PyTorch Hub 加载预训练的 YOLOv5s 模型,💡专业提示:在推理之前,输入图像会自动传输到正确的模型设备。. 要加载具有随机初始化权重的模型(从头开始训练),请使用。要加载 YOLOv5 模型进行训练而不是推理,请设置。在这种情况下,模型将由预训练的权重组成,

sikh_0529的博客 2万+

面向边缘计算的YOLOv12模型剪枝-蒸馏联合优化实战教程**

这套剪枝-蒸馏联合方案的优势在于其系统性和可靠性。它不是单一的技巧,而是一套完整的工程流程,确保了从研发到部署的无缝衔接。

FJN110的博客 158

深度学习(三):yolov5环境配置及使用

0 前言 电脑:RTX3070、cuda-11.0,系统ubuntu18.04 官网:https://github.com/ultralytics/yolov5 1 环境配置 1.1 python环境 下载代码: git clone https://github.com/ultralytics/yolov5 进入到下载目录: #python3.7的环境 conda create -n yolov5py37 python=3.7 #安装其他需...

biter0088的博客 2万+

关于海康MVS软件显示速率低与1GB、相机丢包的设置优化

工控机主要应用与视觉检测!相机网线及工控机网口都是千兆的!设置完巨帧数和速度与双工(选择为全双工),显示速度低与1GB,不能够正常工作。C.LA-Properdes-Advanced-将RecerveBuffers更改为2048。E.LAN-属性-电源管理-取消选中允许计算机关闭此设备以保存电源。这种情况均为MVS设置不熟悉,可参照如下设置优化相应端口相机配置。D.局域网-属性-高级-将传输缓冲区更改为20484。B.LAN-属性-高级-将中断记录部分更改为执行。A.关闭采集控制帧速率控制。

米可的博客! 8821

【LAMMPS学习】四、运行 LAMMPS(2)命令行选项

本部分解释了在安装可执行文件或下载源代码并构建可执行文件后如何运行 LAMMPS。命令文档页面描述了输入脚本的结构以及它们可以包含的命令。

荷塘阅色 5241

【PyTorch】存储YOLOv5的预训练模型 / torch.hub详解

存储YOLOv5的预训练模型 / torch.hub详解 下载源:https://github.com/ultralytics/yolov5/releases 构成: yolov5-6.1.zip,将文件解压在此文件夹下 后缀 .pt 文件 yolov5的与训练模型,目前本地可调用模型: [ ‘yolov5l.pt’, ‘yolov5l6.pt’, ‘yolov5m.pt’, ‘yolov5m6.pt’, ‘yolov5n.pt’, ‘yolov5n6.pt’, ‘yolov5s.pt’, ‘yolov

lwww3333的博客 1万+

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

6 款电商 AI 图片生成软件实测|国内 + 跨境卖家工具清单

电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言,现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求,显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强",而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率,通用生图工具强在创意上限,模板类工具赢在上手速度。建议根据自身业务阶段,搭配 1-2 款主力工具 + 1 款辅助工具,形成适合自己的视觉生产流程。

Mardi_Ladin的博客 326

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

视频隐私脱敏工程化:CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中,动态遮挡(Dynamic Masking)是高频且高耗时的环节。传统手动关键帧打码不仅效率低下,且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度,解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 171

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型

公司里经常要看电子发票。我想先做个小原型:把 PDF 发给一个自己部署的图文模型,让它提取发票类型、日期、交易双方和金额,再把结果交给同事核对。这个原型不用先接财务系统,先看看从部署到调用要走多少步,模型返回的内容能不能帮上忙。

鸽芷咕的博客 1万+

医疗 AI 有两种,别混着谈:一个改流程,一个改范式

InfoXMed 是面向医生、医学生和医学科研人员的 AI 医学工具平台,提供文献检索、全文翻译、AI 解读、指南查询和题库练习等功能,辅助临床学习、科研汇报与医学备考。原文是日本医学会杂志(JMA Journal)的一篇综述(Review Article):基本事实:这一点必须先说清:这篇论文提出的是一个研究纲领。它文中的"预测"指的是科学设想,不是可以拿来用的临床预测能力。文中甚至自己承认了一个硬缺口(见第三节)。本文只谈它的术语辨析与科学方法论,不转述任何可作为临床依据的预测或处置主张。这篇论文的全部

2601_96948740的博客 217

在Codex 让AI模型 拥有长期智能记忆

本文介绍Claude-Mem V15新功能——智能记忆召回,解决AI遗忘、重复提示、执行不一致等问题。通过本地部署claude-mem,实现自动记录决策(如数据库选型)、跨会话智能召回,支持记忆写入、检索、遗忘全流程闭环。相比传统记忆方案,其基于Hooks自动捕获工具调用,结构化存储,可追溯、可共享、可清理,显著提升工程效率与协作一致性,是长期项目中理想的“工作黑匣子”与“工程脑”。

米莱虾 264

您您这可以把问小白的多个会话比如说。左侧的多个会话一次性导出吗?不是单条会话里面的多次会对话。AI导出鸭

第三层是格式编译层。这个决策背后的判断很清晰:一个批量导出工具的价值,不在于“试三次”,而在于你真正用它处理了几十份技术文档、访谈记录或课程讲义之后,它是否值得留在你的工作流里。问小白的会话列表通过分页接口加载,AI导出鸭 在页面运行时建立旁路监听,捕获每一次分页请求返回的完整对话清单,包括会话 ID、标题、时间戳和隐藏的元数据字段。让AI导出回归优雅——这句话说的是:导出不该是体力活,而应该是一次完整的、可预期的文件交付。注意:这里的“批量”指的是左侧列表里的多个独立会话,不是一条会话内的多轮对话。

laoyunsi的博客 227

河道漂浮物目标检测数据集

目标检测,yolo,河道漂浮物目标检测数据集

DL_data_set的博客 183

AI Agent之核心框架

A: 显式 Thought 有三类价值:可解释性(便于人类审计)、可调试性(定位哪一步选错工具)、学习信号(可做监督微调或评估中间步骤质量)。ReAct 把推理与 可执行行动 绑定,每一步行动后都有 真实 Observation 反馈,从而用工具结果约束生成,降低闭卷幻觉。做完不等于结束——还要 评估做得好不好,把 教训 记下来,下次 带着教训重试,反思作为 记忆,影响后续尝试的策略。工作流程:Action → Evaluation → Reflection → Retry。A: 普通 CoT 只在。

剑雨巍巍的博客 184
上一篇: 【发疯毕设日志day7】hagrid_dataset_512数据集作者论文原文逐句翻译——大疆tello手势识别起飞——更换成手势数据集hagrid_dataset_512
下一篇: 【复现碎碎念】PGSR复现日志的碎碎念
叫我Python小朋友
博客等级 码龄6年 128粉丝 24原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值