- 博客(219)
- 资源 (22)
- 收藏
- 关注
RSS订阅
原创 c# 加载和显示点云，并且鼠标旋转和键盘平移功能 --------opentk
0.学习大概1.学习opengl（0基础建议必须看看）2.opentk实例1.参考资料和学习资源学习OpenGLlinkOpentk案例link参考文章：https://www.cnblogs.com/MaFeng0213/p/7236784.html（理清逻辑）http://www.mamicode.com/info-detail-1485839.html（函数介绍）http://cowboy.1988.blog.163.com/blog/static/751057982010
2020-07-30 18:04:33
3388
4
原创 ubuntu 16.0.4 安装 cmake 3.17.2
参考：https://blog.youkuaiyun.com/king_700/article/details/1057520620.如果系统有cmake，版本过低，先卸载sudo apt remove cmake1.先在官网（https://cmake.org/download/）下载cmake源代码cmake-3.17.2.tar.gz，注意是linux版的，别下错了2.解压...
2020-04-30 15:26:39
27724
原创 图像分类 keras 训练自己的数据集
目录1.构建数据集 1.1数据增强参数解释：1.2根据batch_size构建训练集参数解释：2.构建模型2.1.不加载权重，从头训练参数解释2.2 加载imagenet训练好的权重，修改网络后几层。3.训练4.测试5.完整的代码5.1 train5.2 predict1.构建数据集 1.1数据增强train_datagen...
2019-11-07 12:00:50
3813
1
原创 vs c# 文件夹介绍& halcon 二维码& halcon 导入vs
参考：https://blog.youkuaiyun.com/luoweifu/article/details/48692267http://www.vkandian.cn/article/2418739/https://blog.youkuaiyun.com/bitezijie/article/details/8858638https://blog.youkuaiyun.com/dnruanjian/article/d...
2019-08-18 20:10:27
2739
原创 针对深度学习的图像分类的理解
参考：https://blog.youkuaiyun.com/mzpmzk/article/details/78636170#commentBox 一直在网上看到的都是关于深度学习是黑匣子，不需要理解它里面做了什么，只要给它一个输入，它就给你一个输出或者多个输出。中间的模型具体做了什么谁也说不清，也不需要说清楚。这里我们就拿图像分类举例：那么每个卷积层在做什么呢，在收集信息。每一个网络层...
2019-08-15 17:33:37
5876
原创 线性代数差积的通俗理解
https://www.bilibili.com/video/av6731067/?p=12懵懵懂懂，到豁然开朗，真是异常惊喜啊。我们已经知道矩阵代表了线性变换，是一个函数。通过点积的学习，我们知道了从空间到数轴的线性变化存在对偶性。就是可以找到一个向量，把这个向量转置一下，变成一维矩阵，这个矩阵代表空间到数轴的线性变换。现在假设存在一个函数变换，可以使得向量从三维变成数轴，也...
2019-08-08 11:53:09
7196
原创 R-CNN解读+代码梳理
代码参考https://blog.youkuaiyun.com/u014796085/article/details/83931150#_11下载的数据集使用matlab分割，自己写了一个17flowers 数据集分割python方法import osimport shutilpath = 'C:/Users/Administrator/Downloads/17flowers/jpg'f...
2019-08-02 12:35:48
6164
原创 keras vgg 训练自己数据小结
《1》.数据增强imagedatagenerator 增加数据集参数： 参考https://www.jianshu.com/p/d23b5994db64方法：1.flow_from_directory 是为了使用imagedatagenerator 而且根据文件夹的分类可以得到标签数据，一个文件夹一个类别 （1）参数： 参考https://blog.youkuaiyun.com/mi...
2019-04-30 10:54:11
1797
原创 GPT总结的机器视觉工程师应该掌握的技术栈
这些知识点和习题，能够帮助你巩固你的技术栈，并为面试和项目实践做充分准备。如果你需要针对某个方向的更详细资料或代码示例，欢迎告诉我！根据你的简历，我总结了你的技术栈，并列出了你需要掌握的核心知识点，同时为每个知识点提供了相应的复习题目。话说我的简历写的那么好么，为啥很多知识点我也一头雾水。
2025-03-06 15:37:06
518
原创 pytorch +torchtext transform
6.因为src是全部放入encode中，计算这个句子的相关性，然后把这个相关系和target的第一个输入送入decode中，预测target第二个单词。所以target的输入长度是 target[:-1] ，target去除最后一个。target的预测结果就是target[1:]，target去除第一个。例如128，句子开始是0，句子结束时1，其他填充2 ，所以一个句子就是0，。5.target，需要遮挡，所以是一个下三角，每次遮挡下一个。3.词向量编码+位置编码->target。6.4和5 执行N次。
2024-12-26 14:12:02
480
原创 大模型学习资源
说实话，大模型更新太快，以我30岁的高龄实在不适合再去研究技术。偶然发现，国内的大模型厂家在做推广的培训。比如上海人工智能实验室，阿里，百度。感觉我个人还是很喜欢教育的，所以看能不能在大模型的使用方面做一些资源的整合和交流。
2024-07-25 23:31:43
814
原创 30岁的编程人员
31岁的我是一个外企的高级工程师，和大多数人30岁的时候都会迷茫一样，我也陷进去了。而且很久很久，我从28岁就进入了类似《局外人》主人公默尔索的状态。对一切都提不起兴趣，大脑一片空白，每天起来眼睛都是痛的。我去找过医生，医生的说法是我压力大。我想了一下，还真有可能，毕竟我当时在广州买了房，结了婚，生了孩子，而且在一年以内。突然从2个人的男女朋友，到一个老人一个小孩的5口之家。我幻想我能熬过去，毕竟每个人都会经历这些。但是第二年我女儿出生了。
2024-07-25 23:11:26
387
1
原创 docker打包 arm32v7/debian 问题总结
我的宿主是x86 ,但是打包的是arm架构安装qemu然后使用buildx打包保存tar。
2024-06-27 17:06:03
621
原创 Ubuntu Nerfstudio安装
在提供一个百度网盘的（链接：https://pan.baidu.com/s/1_R6r5t_7eFxK4OzNTVAxbg。修改colmap/cmake/FindDependencies.cmake 127行增加这一句。训练自己数据集时，需要经过colmap处理以解算相机位姿以供nerf使用。所以我之前的在笔记本上安装就白费了，只好换在服务器上。下载后解压放在data/nerfstudio路径下。安装tiny-cuda-nn最好还是源码安装。如果数据下载不下来，这里有说下载路径在哪。
2024-05-23 10:47:01
620
2
原创 摄像机怎么才能低延迟的获取视屏流
串口通讯，RS-232是一种标准，用于串行数据通信，通常用于连接计算机和外部设备，例如摄像机。在摄像机中，RS-232端口通常用于远程控制摄像机，例如调整焦距、变焦、曝光等参数。RS-232接口通常包括发送（TX）、接收（RX）和地（GND）引脚，允许设备之间进行双向通信。
2024-05-22 16:54:49
1552
原创 segment anythin 新标注工具 paddleocr训练自己的数据
按照惯例，先吐槽一下。反正也没人看我比比歪歪。做事全部藏着掖着，真有你们的。如果需求都不对技术开放，那还要技术干嘛，自己玩不是更好？？一天天的耍猴一样的耍我玩，真是够够的。
2024-05-09 15:03:15
1145
原创 open3d PlanarPatchDetection
这是关键，通过partition把点云数据分成8分，然后迭代在分，检测点云。通过kdtree 查找每个点云的邻居点 参数是通过设置，半径和最大数。min_plane_edge_length ，最小平面的长度。min_num_points ，最小平面的点数。通过partition把点云数据分成8分。
2024-04-22 15:54:15
455
1
原创 相机标定的原理
这个视频是建议有一定基础的去看，详细介绍了整个标定的过程。这个文章基础一点，可以先看这里用sick的visionary 相机的sdk做分析cxcy 就是图像坐标系下的原点在像素坐标系下的坐标，其中fx和fy表示每一列和每一行分别代表1mm多少个像素，即1mm=fx pixk1k2是径向畸变的参数f2c 是标定的z的起始位置，后面在介绍2.1 visionary-s 双目2.2 visionary-tmini tof3. 2D相机的手眼标定看了上面的案例 ，我们发现相机的sdk只做
2024-04-22 15:53:50
536
原创 书生·浦语大模型第二期实战营（6）笔记
2 启动并使用 Lagent Web Demo。1.使用 LMDeploy 部署。4.用 Lagent 自定义工具。
2024-04-22 14:45:47
364
1
原创 书生·浦语大模型第二期实战营（5）笔记
主要提供模型本身的推理，一般来说可以和具体业务解耦，专注模型推理本身性能的优化。可以以模块、API等多种方式提供。可以理解为前端，与用户交互的地方。通过通过网页端/命令行去调用API接口，获取模型推理/服务。API Server。中间协议层，把后端推理/服务通过HTTP，gRPC或其他形式的接口，供前端调用。
2024-04-19 11:08:12
411
原创 书生·浦语大模型第二期实战营（4）作业
代码复制到 /root/ft/config/internlm2_1_8b_qlora_alpaca_e3_copy.py 文件中。
2024-04-18 18:30:12
269
原创 书生·浦语大模型第二期实战营（3）笔记
1.RAG、微调、提示工程1.创建环境2.激活环境3.下载基础文件# 创建模型文件夹# 复制BCE模型# 复制大模型参数（下面的模型，根据作业进度和任务进行**选择一个**就行）4.下载安装茴香豆# 安装 python 依赖## 因为 Intern Studio 不支持对系统文件的永久修改，在 Intern Studio 安装部署的同学不建议安装 Word 依赖，后续的操作和作业不会涉及 Word 解析。
2024-04-18 13:51:54
300
原创 书生·浦语大模型第二期实战营（1）笔记
详细介绍了书生葡语大模型的全链路开源体系的发展历程和特点。大模型已成为通用人工智能的重要途径，能够解决多种任务和多种模态。书生葡语大模型具有超长上下文能力，综合性能得到全面提升，能够实现结构化创作和可靠的数据分析。同时，模型还强化了内生计算能力和代码解释器，在多个能力维度上都取得了不错的评测结果。
2024-03-28 11:27:25
1013
原创 pin脚的缺陷检测
客户有个需求（缺陷检测）+数据（4个图片）-BD需求（缺陷检测）+数据（4个图片）-技术？客户有个需求（缺陷检测）+数据（2T数据）-BD需求（缺陷检测）+数据（2T数据）-技术？使用了sahi，但是他们提供的代码，需要先使用labelme标注，然后转成coco格式。如果类比到我们常用的512*512的图片，大概就是0.65536。前提都是要分割图片，因为客户提供的是2000万像素的图片。一天天的净整些没用的。在网上找了很久，发现有个现成的缺陷检测的库。2.4个图片你确定是给我做测试，而不是让我写ppt？
2024-03-27 19:02:59
855
1
原创 open3d 点云法向量源码解析
首先使用kdtree搜索每个点的最近点，如果大于3个，那么就求这最近点的协方差。如果kdtree搜索最近的点小于3个 ，那么就默认是0，0，1。kdtreesearchparm 是用来搜索最近的点的。这个函数就是计算点云法向量的。
2023-11-23 10:52:56
220
原创 拟合平面再思考
之前思考了2种拟合平面的方式1。ransan 随机取样拟合平面2。特征值分解特征向量，最小特征值就是法向量其中方法一误差较小，毕竟随机采样的方式可以忽略误差点。而特征值分解的方式如果误差较大，那么得到的结果非常不好。
2023-10-04 18:42:48
647
原创 深度学习算法在工业视觉落地的思考
距离上次的栈板识别的思考已经过去3个月，中间根据客户的需求和自己的思考，对软件又重新做了调整。但是整体上还是不满意。
2023-09-30 00:31:02
481
原创 yolov5和yolov7部署的研究
onnx推理比torch快3倍, openvino比onnx快一丢丢。可以看到yolov7的 onnx是包括nms的。
2023-08-28 10:44:15
507
1
原创 ransac拟合平面，代替open3d的segment_plane
使用open3d拟合平面并且求平面的法向量，open3d打包大概1个g的大小。
2023-08-28 10:30:25
1149
深度学习目标检测综述-ppt
2022-11-29
Downloads.zip
2020-07-30
WindowsFormsApp3.zip
2020-07-30
xfeatures2d.zip
2020-05-09
keras vgg 代码实例
2019-04-30
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人