积极向上的mr.d的博客

YOLOV8 + PYQT5单目测距（风险类别检测）

YOLOV8 + 双目实现三维跟踪测速

yolov8 区域报警+计数

yolov8 裁剪检测结果

yolov8 区域计数

yolov8调用zed相机实现三维测距（版本一）

YOLOV5 + 双目相机实现三维测距（新版本）

yolov9直接调用zed实现三维测距

YOLOV8 + 双目测距

YOLOV9 + 双目测距

yolov9+单目测距（python）

YOLOv8跟踪分割+单目测距（python）

Windows+YOLOV8环境配置，附加一些其他功能

电脑显卡：NVIDIA 2080Ti（CPU也可以跑，GPU只是起到加速推理效果）在文件目录下创建一个main-ceju-pyqt.py文件，将以下代码写入此文件。实验采用的是一个博主的开源代码，以此代码为基础添加了测距部分，下载。将以下代码写入distance.py文件。具体焦距怎么获得，可以参考我的这篇文章。YOLO版本：yolov5 5.0。接着再pycharm设置里配置一下。有关PYQT的内容大致就做到这里。工具1：Qt Designer。拍摄视频设备：安卓手机。首先安装一下pyqt5。

YOLOV5 + PYQT5单目测距

闲来无事，记录一下自己在安卓端部署yolov5的步骤，历时一天。

YOLOV5 + PYQT5双目测距

YOLOV5 + PYQT5双目测距

yolov5车道线检测+测距（碰撞检测），设置大于10米为低风险，小于10米为高风险

YOLOv7测距+碰撞检测，具体见文章

YOLOv5单目测距+碰撞检测，类似风险检测，代码已开源，详细内容见文章

yolov5+单目实现三维跟踪测速功能，具体详见文章

yolov7结合单目测量门窗尺寸，同样适用于yolov5，具体见文章

yolov5结合单目相机测量物体的真实尺寸，详细步骤见文章

YOLOv7+双目实现三维跟踪（python）,具体详见文章

YOLOv5+双目实现三维跟踪，在之前实现三维测距的基础上添加了跟踪模块，具体详见文章

yolov5+单目实现三维跟踪，Python版本，具体细节在文章里，代码已开源

yolov7+单目实现三维测距和跟踪，具体见文章内容，代码已开源

yolov7+单目相机实现三维测距，Python版本，代码已开源

YOLOv5+单目实现测距，代码已开源，原理相较于双目十分简单，无需进行立体匹配，仅需利用公式线性转换即可

yolov5检测单一类别

基于yolov5的车道线检测及安卓部署

yolov7结合双目实现测距功能

zed代码比较简洁，但是一定要把环境配置好，后续自己会把他当做普通双目标定，去对比分析效果，并完善相关功能。

调用zed相机实现三维测距，免标定，测距十分准确，深度图生成的效果也不错，可以对比标定的对比效果

大致流程: 双目标定→双目校正→双目匹配→yolov5识别→深度测距找到目标识别源代码中输出障碍物坐标框的代码段。找到双目测距代码中计算障碍物深度的代码段。将1中得到的障碍物框依次输入到2中的代码段中，得到目标框中障碍物的深度。找到目标识别网络中显示障碍物种类的额代码段，将深度值添加到里面，进行测距多目标测距单目标测距有点乱，后续会慢慢完善，下边是测距后的图，精度不是很高......

1.报错: TypeError: not all arguments converted during string formatting代码如下:string = ''# 读取数据集的图片iml = cv2.imread('./yolo/zuo/%szuo%d.bmp' %(string,i) ) # 左图imr = cv2.imread('./yolo/you/%syou%d.bmp' %(string,i) ) # 右图2.报错: WARNING conda.gateways.dis

YOLOv3框架网络结构:DBL:也就是代码中的Darknetconv2d_BN_Leaky，是yolo_v3的基本组件。就是卷积+BN+Leaky relu。对于v3来说，BN和leaky relu已经是和卷积层不可分离的部分了(最后一层卷积除外)，共同构成了最小组件。res_n：n代表数字，有res1，res2, … ,res8等等，表示这个res_block里含有多少个res_unit。这是yolo_v3的大组件，yolo_v3开始借鉴了ResNet的残差结构，使用这种结构可以让网络结构更深(