qq_44224801的博客

双目立体匹配

通过将 RAFT-Stereo 模型转换为 ONNX 格式，我们能够在不同的推理引擎和硬件平台上高效地部署和运行该模型，而无需依赖原始的 PyTorch 环境。这为在实际应用中使用 RAFT-Stereo 算法提供了极大的灵活性，尤其是在需要考虑性能优化和跨平台兼容性的场景中。

在 colcon build 编译过程中，如果遇到卡死问题，可以采取以下措施：限制 colcon build 的并行编译线程数，减少内存占用。增加 Swap 交换空间，确保编译过程中不会因内存不足导致崩溃。在地平线 X5 开发板上进行编译时，避免远程连接，并使用 watch -n 0.5 free -h 监控内存使用情况。通过这些优化措施，可以有效提高 colcon build 的编译成功率，避免编译卡死的问题。

原因： VSCode中需要显式地声明PYTHONPATH，不然根本找不到本项目内的模块和包的路径。解决方法，加入到setting。之后重启vscode运行。

对rtmpose替换mobilenetv4轻量化训练，并tensorrt部署全流程

与圆形标定板和黑白棋盘格标定板的主要区别在于用于检测角点的函数。具体来说，我们需要将调用 cv.findChessboardCorners 函数寻找棋盘格内角点的代码修改为调用 cv.findCirclesGrid 函数以检测圆形标定板的内角点。更详细的内容可以参考第一章代码段内的相关注释。

orbbec 奥比中光相机单目及多目调用方式python代码，及其他代码使用梯子

GOCI-II批量下载脚本

在linux上部署ollama+open-webu，且局域网访问教程

ubuntu中使用cmake编译报错No CMAKE_CXX_COMPILER could be found.的解决方法

【代码】onnx和tensorrt使用过程中的一些代码梯子。

git强制推送代码

（python）multiprocessing子进程（Process类的使用）总结教程

为了测试多进程的加速效果，我们可以通过创建一个包含计算密集型任务的函数，并使用多进程来并行执行这些任务。我们将对比单进程和多进程执行的时间。python多进程运行可以使函数运行在程序主进程以外，减少主进程的调用，并且可以加速子进程的运行速度。

如何用YOLOv8-seg实现人体部位解析分割，包含教程和代码

YOLOv10部署教程，使用tensorRT部署，有转化和推理代码

最近用到yolov8，但是寻找了一圈才找到了yolov8最佳的部署方法，限于python，所以在此进行总结记录，方便众人，看完此篇，不会纯属自己问题，与我无瓜0.0。

输入为brg图像，图像的路径和输出路径，最后会保存masktxt。cudart推理，不包含torch。

【代码】labelme标注的json、coco格式快速转yolo格式。

如果您想在最新的 Windows 版本中尝试经过改进的(即 WSL 2) ，要怎么做呢？我们在本文中介绍了安装它所需要做的所有事情。

seg_body可以裁剪出人体上半部分点云图，目前裁剪出的点云图失去了彩色部分。其中RGBD2cloud可以将rgb和depth转化为点云图，

截图如下。

【代码】inceptionnext代码及其分层输出。

【代码】MMCV错误记录。

我选择的是configs/deeplabv3/deeplabv3_r50-d8_4xb2-40k_cityscapes-512x1024.py，主要是修改继承的数据部分。mmseg/datasets里生成一个my_data.py文件，这个文件存储的是类别信息和seg颜色。这个就是一个读取数据的文件了，包含数据地址、type和加载增加等方式。每次修改配置文件，最好是运行一遍。labels里存储的如下形式。

安装对应的cudnn。

打开git Bash运行，clash代理一般是下面的端口。

此处的model在运行时替换为自己的网络结构即可。

【代码】YOLOv5模型的API调用方式。

Path().resolve() 是使用 pathlib 库获取当前 Python 脚本的绝对路径的方法。这里的是一个内置变量，表示当前脚本的文件名。Path() 将这个文件名转换为一个 Path 对象，resolve() 方法将相对路径转换为绝对路径。

现有的export代码转化的onnx模型会带着一个Detect层（后处理层），与安卓推理所需要三层输出不对应，因此需要修改yolo.py文件里的Detect()函数，加上一个True。运行后会报错，所以需要将export文件里的这两行注释掉，就可以运行了，出来的模型就带了三个输出。如果是6.0以上版本的模型，没有focus结构，只需要修改最后reshape的0=-1，得到param和bin模型，将模型复制到代码里的assets文件里，然后找到最后两行的Permute的输出值，一个是365，一个是385。

1） “bounding_box_test”——用于测试集的 750 人，包含 19,732 张图像，前缀为 0000 表示在提取这 750 人的过程中DPM检测错的图（可能与query是同一个人），-1 表示检测出来其他人的图（不在这 750 人中）2） “bounding_box_train”——用于训练集的 751 人，包含 12,936 张图像3） “query”——为 750 人在每个摄像头中随机选择一张图像作为query，因此一个人的query最多有 6 个，共有 3,368 张图像。

之后将YOLO的txt文件生成需要使用的txt文件。json文件存放位置，放到测试文件总目录下。测试没有问题，就可以使用了。

空间注意力已被广泛用于提高卷积神经网络的性能，使其能够专注于重要信息。然而，它有一定的局限性。在本文中，我们对空间注意的有效性提出了一个新的观点，那就是它可以解决卷积核参数共享的问题。尽管如此，由空间注意产生的注意图中所包含的信息对于大尺寸卷积核来说是不够的。因此，我们引入了一种新的注意机制，称为感受场注意（RFA）。虽然以前的注意机制，如卷积块注意模块（CBAM）和协调注意（CA）只关注空间特征，它们不能完全解决卷积核参数共享的问题。

TP(Truth Positive)：预测对的正类，我说他对，而且他本来也是对的。TN(Truth Negative)：预测对的负类，我说他错，而且他本来也是错的。FN(False Negative)：预测错的负类，我说他对，但是他是对的。FP(False Positive)：预测错的正类，我说他对，但是他错了。

摘要：在诸多视觉任务中，多尺度表示特征非常重要。backbone卷积神经网络（CNN）的最新进展不断显示出更强大的多尺度表示能力，从而在广泛的应用中实现了一致的性能提升。然而，大多数现有方法以分层的方式表示多尺度特征。在本文中，提出了一种新颖的CNN模块，叫作Res2net，在单个残差块内构造具有等级制的类似残差连接。Res2Net在粒度级别表示多尺度特征，并增加了每个网络层的感受野。可以将Res2Net模块插入最新的主干CNN模型中，例如ResNet，ResNeXt和DLA。

widerperson数据集转化为YOLOv5训练格式，并加入到crowdhuman中数据可视化import osimport cv2if __name__ == '__main__': path = 'D:\songjiahao\DATA\WiderPerson/train.txt' with open(path, 'r') as f: img_ids = [x for x in f.read().splitlines()] for img_id in

windows：

模型

根据train.txt和test.txt分离数据集