网络架构

原创 jetson nano ubuntu20.04安装ros-Noetic

主要是python 包rosdep2 和 rosdistro，通过vscode 进行搜索地址进行替换，以下是python2包的替换示例。如果python3 同理。通过在地址前添加https://mirror.ghproxy.com前缀来应用代理服务。rosdep 初始化需要连接外网，如果有vpn 则直接跳过这一步。ros-Noetic 对应是Ubuntu 20.04。准备用于代理的地址，如果失效可以替换。python3位置为。改完在运行,安装成功。

原创 在 Windows 上安装和配置 NVIDIA 驱动程序、CUDA、cuDNN 和 TensorRT

cuDNN（CUDA Deep Neural Network Library）是用于加速深度学习任务的 GPU 加速库。CUDA Toolkit 是开发基于 NVIDIA GPU 的应用程序的核心工具，包含编译器、库和驱动接口。首先需要安装兼容 CUDA 的 NVIDIA 驱动程序。安装对应python版本的tensorrt。代码来验证是否成功安装。安装完成后，可以通过运行简单的。如果代码运行没有报错，说明。已成功安装并可以正常工作。

原创 使用mingw64 编译 QT开发流程

安装时选择mingw的开发包。

原创 OpenCV使用CMake和MinGW-w64的编译安装

编译好之后 把install里面的文件 放入上层 并删除掉其他文件 就可以用了。将文件解压到D盘 并重命名mingw-w64ucrt-12.0.0-r1。下载 ，我这里使用opencv4.10,下载并解压到D盘。个线程进行编译，请根据你的计算机配置合理设置线程数）点击 Configure，设置编译器。打开终端进行编译：（

原创 VPGNet数据集解析

VPGNet是一个包含了四个场景(晴天，夜间，阴雨等）下的交通路况数据集，其主要是针对地面标志（箭头线，人行道）的任务，该数据集一共包括以下17类地面标注。

原创 香橙派 AIpro开发体验：使用YOLOV8对USB摄像头画面进行目标检测

YOLOv8 作为最新的目标检测算法，以其高精度、高速度和易用性，成为许多开发者首选。而香橙派 AIpro 作为一款高性能嵌入式开发板，采用昇腾AI技术路线，集成图形处理器，拥有8GB/16GB LPDDR4X，8/20 TOPS AI算力，为 AI 应用提供了坚实的硬件基础。本篇文章将分享使用香橙派 AIpro 和 YOLOv8 结合 USB 摄像头进行物体检测的实战经验，并探讨其在实际应用中的价值。昇腾CANN框架的优势推理速度显著提升。

原创 python onnx 推理yolov10

python onnx 推理yolov10。

原创 windows安装配置 MinGW

在本文中，我们将介绍如何在Windows操作系统上安装 Mingw编译器。Mingw，全称 Minimalist GNU for Windows，是一个为 Windows操作系统提供的轻量级 GNU编译器集合。它可以帮助您在 Windows 上轻松地编译和运行 GNU/Linux程序。以下是安装 Mingw 的详细步骤。

原创 树莓派安装mysql 并使用python连接

树莓派安装mysql 并使用python连接

原创 使用yolov8 训练coco 和自己的关键点识别数据集的参考

openpose 18个关键点。多了一个neck是自己加的 可以取肩膀的中心点。这里与coco-pose.yaml中的kpt_shape 一致。这里使用官方的模型和coco8-pose数据集进行训练。coco中有17个关键点。

原创 用PyTorch实现卷积神经网络解决FashionMNIST分类挑战

在当前的机器学习领域，深度学习已经成为了图像识别任务的首选技术。在这篇博客中，我们将聚焦于使用卷积神经网络（CNN）解决FashionMNIST数据集的图像分类问题。FashionMNIST，作为经典的MNIST数据集的升级版，提供了一个理想的平台，让我们了解并实践深度学习在解决现实世界图像识别挑战中的应用。通过本次实验，我们不仅实践了深度学习模型在图像分类任务中的应用，还深入理解了卷积神经网络的结构设计与超参数调优的重要性。

原创 基于yolov8+LPRNet的车牌识别项目

在智能交通系统飞速发展的今天，车牌识别技术作为其核心组成部分，正发挥着不可或缺的作用。随着深度学习技术的不断成熟，特别是目标检测与序列识别网络的结合，为实现高精度、实时的车牌识别系统提供了可能。本项目围绕Yolov8与LPRNet两大先进算法框架，展开了一场关于智能车牌识别技术的深度探索与实践。Yolov8，作为YOLO系列的最新力作，凭借其卓越的检测速度与准确性，成为目标检测领域的明星模型。它在保持高效执行的同时，显著提升了对小目标的检测能力，这对于复杂场景下的车牌捕捉尤为关键。

原创 树莓派python pca9685驱动舵机

树莓派pca9685驱动舵机

原创 windows下python opencv ffmpeg读取摄像头实现rtsp推流 拉流

新建一个rtsp的文件夹解压进去，会得到两个文件。将bin/ffmpeg.exe 解压到之前的目录。双击运行mediamtx.exe即可开启服务。下载 RTSP服务器 下载页面。

原创 树莓派安装pytorch arrch64架构

如果你的python版本不在支持的列表那么就要自己安装 这里推荐python3.6.13 ,相对稳定些兼容性好。

原创 树莓派安装tensorflow

使用编译好的版本下载tensorflow编译好的版本https://github.com/lhelontra/tensorflow-on-arm/tags由于python版本支持有限可能需要自己安装python安装对应的python2.自己选择版本进行编译

原创 树莓派安装python3.6，多版本共存

注意：-j4 可以并行编译使用多个核心，这样可以加快编译速度。如果您的树莓派版本较旧或资源有限，可以考虑使用 -j1 或省略该参数。启用 swap 空间可能会对树莓派的性能产生一些影响，因为磁盘写入速度较慢。注意：我们使用 make altinstall 而不是 make install，以避免覆盖系统默认的 Python 版本。接下来，安装 Python 3.6 的依赖项。首先，确保您的树莓派已经更新到最新的软件包列表和依赖项。配置和编译 Python 3.6。打开终端或 SSH 连接到您的树莓派。

原创 python导出当前项目使用的pip环境

【代码】python导出当前项目使用的pip环境。

原创 训练svm并部署树莓派

先按照前面的教程配置树莓派的环境，我们安装的树莓派系统默认的python3 版本为python 3.7。如何上传文件：使用xftp 通过ssh 直接连接。将文件拖入到树莓派的目录里面。在树莓派中安装svm推理环境，pickle用于将保存的kpl模型重新加载。python 为脚本程序，在python环境中使用命令执行程序。python svm推理程序。数据为xls文件，如下格式。

原创 树莓派3b 4b 实战

【代码】树莓派3b 4b 实战。

原创 计算向量夹角度数

【代码】计算向量夹角度数。

原创 那些看起来高大上的封装函数

什么 ToGray 只支持3通道图像， 让我看看怎么个事。好家伙 调用了下opencv ，通道数都不判断一下。就这么生硬的加了个判断。

原创 opencv 轮廓排列规则

【代码】opencv 轮廓排列规则。

原创 yolov8在设置amp=False 之后map 训练依旧为0 解决办法

找到torch_utils.py 修改425行 去掉 half()

原创 1x1卷积是 怎么实现维度控制的

原创 为啥神经网络参数量很小 但是内存占用很大

原创 yolov8热力图可视化

【代码】yolov8热力图可视化。

原创 yolo数据增强

标注文件和图片都放在一个文件夹里面。

原创 目标分割后 opencv 轮廓骨架计算

【代码】目标分割后 opencv 轮廓骨架计算。

原创 jetson nano csi摄像头 tensorrt 运行yolov8检测

导出onxx修改：…/ultralytics/nn/modules/head.py 文件修改如下一行。以下是修改了导出onnx的方式导出的onnx 进行的转换其他模型测试。

原创 jetson nano python socket传输opencv图像

由于Jetson Nano的Python3默认版本是3.6.9，2.查看摄像头详细参数–支持的图片大小和对应帧率。1.安装v4l2-utils协助工具。3.安装管道gstreamer库。查看是否连接到摄像头。

原创 jetson nano 系统安装的官方教程

https://developer.nvidia.com/embedded/learn/getting-started-jetsonhttps://developer.nvidia.com/embedded/learn/get-started-jetson-nano-devkithttps://developer.nvidia.com/jetson-nano-sd-card-image

原创 yolov5 8 labelme labelimg数据标注 并生成训练数据集 训练

然后运行makedataset.py,直接生成labels 标签和train,val txt文件。在data文件夹下,根据labelme标签创建一个classes.txt 的类别文件。

原创 yolov8训练coco2017 数据集，并导出onnx

在data 文件夹同级创建train.py 文件，运行train.py 即完成训练 并导出onnx 模型。test 可以不下载 使用前三个链接的文件。在data 文件夹下创建py文件,并执行。以下过程极其重要 必须完全一致。在data 文件夹下。

原创 CASIA -HWDB2.0-2.2和OLHWDB2.0-2.2数据集解析

OLHWDB2.0-2.2是一个在线手写汉字识别数据集，也包含多个版本的训练集和测试集。其中，OLHWDB2.0包含了大约1,200个汉字，OLHWDB2.1包含了大约2,400个汉字，OLHWDB2.2包含了大约3,600个汉字。这些数据集可以用于训练和测试在线手写汉字识别模型。HWDB2.0-2.2是一个手写汉字文本识别数据集，包含多个版本的训练集和测试集。其中，HWDB2.0包含了大约37,000个汉字，HWDB2.1包含了大约45,000个汉字，HWDB2.2包含了大约52,000个汉字。

原创 树莓4b arm64 系统，安装ffmpeg 并使用opencv推流

测试FFmpeg安装如果输出中包含h264_mmal, h264_vdpau, hevc_mmal, hevc_vdpau等字样,则证明已经安装并支持了硬件加速。

原创 树莓派 通过opencv 调用csi摄像头

树莓派作为服务端 把opencv读取的图像发出。选择yes 后finish 会自动重启。VideoCapture.py 异步取图。

原创 coco 2017数据集 类别提取并转换为yolo数据集

annotations：训练集中所有标注信息，包括标注ID、图片ID、类别ID、边界框坐标等。categories：所有类别的信息，包括类别ID、类别名称、超类别名称等。images：训练集中所有图片的信息，包括图片ID、文件名、高度、宽度等。licenses：数据集的许可证信息，包括许可证ID、许可证名称等。info：数据集的相关信息，包括数据集名称、版本、作者、年份等。其中，images存放的是训练集、验证集的图片原图；转换代码 cocotoyolo.py。提取代码 getanimal.py。

原创 jetson nano 安装pytorch

官网教程。

原创 opencv读取摄像头不是实时的处理方法

这个例子使用了一个VideoCapture类，该类在一个线程中不断读取摄像头帧，并将它们保存在一个共享的grabbed和frame变量中。在主程序中，我们通过调用start()方法来启动线程，然后不断读取帧并在窗口中显示它们，直到用户按下’q’键退出。你可以在一个线程中读取摄像头的帧，并将它们传递到另一个线程或进程中进行处理和显示。需要注意的是，这个例子仅仅是一个基本的框架，你可能需要对其进行修改和扩展以适应你的具体应用场景。例如，你可以添加一个另一个线程来处理帧，然后显示处理后的结果，以此来减少延迟。