- 博客(504)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 通用多相机多线程采图框架
本文实现了一个通用的相机采集框架，包含抽象基类BaseCamera和USB相机实现USBCamera。BaseCamera定义了相机初始化、图像采集、线程管理等通用接口，采用生产者-消费者模式，通过线程安全队列缓存图像数据。USBCamera继承BaseCamera，基于OpenCV实现具体功能，支持设置分辨率、帧率等参数。框架采用多线程设计，主线程通过get_frame()获取图像，采集线程持续捕获帧数据并存入队列，当队列满时自动丢弃旧帧。该设计实现了硬件控制与图像处理的解耦，支持多相机并行采集，确保系统
2026-01-05 12:57:26
240
原创 cuda-kdtree实现的icp算法（40w点耗时1ms）
本文对比了自实现ICP算法与PCL库ICP算法的性能差异。测试结果显示，在处理bunny点云数据时，自实现ICP耗时0.76ms，PCL耗时1.47ms；处理table_scene点云时，自实现耗时1.14ms，PCL耗时62.68ms。两种算法均能正确收敛，但自实现ICP在小规模数据上更快，而PCL在大规模数据上性能下降明显。两种算法输出的变换矩阵结果基本一致，验证了自实现ICP的正确性。完整工程已提供下载。
2026-01-05 11:31:29
296
原创 yolo tensorrt视频流检测软解码和硬解码
链接: https://pan.baidu.com/s/15EDzhLEWywpcelyKDEUkAw 提取码: btae 复制这段内容后打开百度网盘手机App，操作更方便哦。–来自百度网盘超级会员v7的分享。
2026-01-03 21:06:18
425
原创 sam3模型onnxruntime和tensorrt推理
本文介绍了ONNX模型推理流程及预处理方法，主要包括两部分内容：1) 图像预处理模块(image_preprocess.py)实现了图像尺寸调整、归一化和维度转换；2) 简化版CLIP BPE分词器(SimpleCLIPBPETokenizer)实现了从vocab.json和merges.txt加载词表，包含bytes转unicode映射、BPE编码和正则分词功能。其中图像预处理将输入调整为1008×1008分辨率并转换为模型所需格式，分词器则提供文本编码功能，支持特殊token处理。整个流程为ONNX模型
2026-01-03 20:46:58
440
1
原创 openvino同步和异步推理
摘要：本文介绍了两种OpenVINO推理方式：同步推理和异步推理。同步推理会阻塞主线程直到推理完成，适合单任务场景；异步推理在后台执行，提高吞吐量，适合实时应用。代码示例展示了YOLOv8模型的加载、预处理、推理结果处理流程，并比较了两种方式的性能差异（同步FPS 27.90）。异步推理通过AsyncInferQueue实现多请求并发处理，提升效率。
2025-12-02 08:23:43
370
原创 模型流水线推理
摘要 本文展示了流水线并行处理技术在Python中的实现。通过串行和并行两种方式对比处理数据，并行版本采用多线程和队列实现任务分解与流水线执行。在示例中，串行处理每个数据需要1秒，而并行处理首数据1秒后，后续数据仅需0.5秒，效率提升显著。随后将流水线技术应用于图像推理任务，构建了包含图像加载、预处理和模型推理的三阶段处理流程。测试表明，流水线并行能有效提高处理效率，特别适合计算密集型任务的批处理场景。
2025-12-02 08:06:20
279
原创 tensorrt自定义fp16插件
本文介绍了如何在PyTorch自定义算子基础上编写支持FP16的TensorRT插件。主要内容包括： 自定义PyTorch模型导出ONNX模型，包含自定义算子的实现和属性设置 TensorRT插件开发，实现了IPluginV2DynamicExt接口，支持FP16推理 插件包含两个构造函数，分别用于引擎构建和推理阶段 实现了必要的插件方法如序列化、反序列化、格式支持检查等 提供了FP16和FP32两种精度的CUDA核函数实现 该方案展示了将自定义PyTorch算子高效转换为TensorRT插件的过程，支持F
2025-12-01 08:55:27
959
原创 tensorrt自定义算子编写的两种方法
本文介绍了如何在PyTorch中导出包含SVD运算的ONNX模型，并为其开发TensorRT插件。主要内容包括： 在PyTorch中定义包含torch.svd的模型，并注册自定义符号函数以支持ONNX导出，注意处理ONNX SVD算子与PyTorch的返回值差异。 导出ONNX模型的结构展示，包含输入和三个输出(U, S, V)。 开发TensorRT插件流程： 下载TensorRT 10.6.0.26库和源码 创建svdPlugin插件类，继承IPluginV2DynamicExt接口 实现插件核心功能，
2025-12-01 08:29:25
818
原创 模型部署在docker中对外提供服务
本文实现了一个基于Flask的图像分类API服务，使用MobileNetV2模型进行图像识别。主要功能包括：1) 提供数值处理接口；2) 实现图片分类功能，返回Top3预测结果；3) 通过Docker容器化部署。项目结构包含Flask主程序、依赖文件和Docker配置，支持两种请求方式：处理数值数组（/predict）和图片分类（/classify）。测试表明，系统能正确识别公交车图像并返回概率分布，数值处理功能也正常运行。该服务通过Docker部署在9201端口，调用方可通过HTTP请求获取预测结果。
2025-11-16 22:10:55
205
原创 open3d使用gpu加速icp
本文展示了使用Open3D库实现多尺度ICP配准的方法。通过源点云和目标点云("cloud_bin_0.pcd"和"cloud_bin_1.pcd")，设置不同体素大小、收敛准则和最大对应距离进行多尺度ICP配准。程序分别在CPU和CUDA设备上运行，记录运行时间和配准精度(fitness和inlier RMSE)。结果显示，迭代过程中fitness从64.02%提升至80.06%，RMSE从0.1435降至0.1089。该方法可有效实现点云配准，并支持性能分析和参数
2025-11-16 22:09:35
425
原创 FastSAM模型onnxruntime和tensorrt部署
本文介绍了FastSAM模型在ONNXRuntime和TensorRT框架下的部署方法。首先展示了如何将PyTorch模型导出为ONNX格式，并提供了ONNXRuntime的完整推理脚本，包括图像预处理、模型推理、后处理（NMS、掩膜处理）和结果可视化。然后简要提及了TensorRT的部署方案，虽未提供完整代码，但表明可通过类似流程实现。两种部署方式均支持目标检测和实例分割任务，能够处理输入图像的尺寸变换、预测框解码、置信度过滤、非极大值抑制等关键步骤，最终输出带有类别、分数和掩膜的可视化结果。
2025-11-10 08:42:51
185
3
原创 模仿学习模型idp3部署
本文介绍了将IDP3模型转换为ONNX格式并进行推理的完整流程。首先通过GitHub下载Improved-3D-Diffusion-Policy代码，编写ONNX导出脚本加载预训练模型并导出ONNX格式。随后分别给出了ONNX Runtime和TensorRT两种推理实现方案：ONNX推理脚本展示了如何使用onnxruntime进行模型推理，而TensorRT脚本则通过trtexec工具将ONNX转换为TensorRT引擎，并提供了完整的CUDA加速推理示例。文中还包含了用于TensorRT缓冲区和流管理的
2025-11-10 08:07:27
349
原创 lerobot框架部署diffusion policy模型
文章摘要：该代码实现了一个基于扩散策略的机器人动作生成模型，主要修改了src/lerobot/policies/diffusion/modeling_diffusion.py文件。核心功能包括： 实现Diffusion Policy算法，通过动作扩散学习视觉运动策略 包含输入/输出数据的归一化和反归一化处理 使用队列缓存历史观测数据和动作轨迹 提供动作预测方法predict_action_chunk和动作选择方法select_action 支持图像和环境状态特征处理 包含模型重置功能，用于环境重置时清空缓存
2025-11-02 22:10:25
561
原创 lerobot框架部署act模型
摘要 本文介绍了Action Chunking Transformer (ACT)模型的关键实现细节，该模型用于细粒度双手机器人操作。主要修改包括： 在src/lerobot/policies/act/modeling_act.py文件中实现了ACTPolicy类，继承自PreTrainedPolicy 提供了模型初始化、优化参数获取、动作选择等功能 实现了reset()方法用于环境重置时清除动作队列 包含select_action()方法处理单个动作选择，通过动作队列管理实现高效执行 支持时间集成(tem
2025-11-02 22:09:39
531
原创 DEIMv2模型onnxruntime和tensorrt部署
文章摘要：本文介绍了DEIMv2模型在ONNX Runtime和TensorRT两种环境下的部署方法。通过Python代码示例演示了图像预处理、模型推理和后处理流程，包括保持宽高比的图像缩放、边界框调整和结果可视化。两种部署方式都支持目标检测任务，能够处理输入图像并输出检测框、类别和置信度分数。ONNX Runtime使用CPU执行，而TensorRT则利用CUDA加速，展示了深度学习模型在不同推理引擎上的实现方式。
2025-10-24 08:55:12
485
1
原创 DEIM模型onnxruntime和tensorrt部署
本文展示了DEIM模型在ONNX Runtime和TensorRT两种框架下的部署实现。两种方案都包含图像预处理、模型推理和后处理三个主要步骤。预处理部分采用resize_with_aspect_ratio函数保持图像宽高比并进行填充，推理部分分别使用ONNX Runtime和TensorRT加载模型执行预测，后处理通过draw函数绘制检测框和类别标签。两种方案的核心区别在于：ONNX Runtime使用CPU执行，而TensorRT通过CUDA引擎实现GPU加速。代码提供了完整的端到端部署流程，从图像加载
2025-10-24 08:31:45
201
原创 DINOv3分类网络onnxruntime和tensorrt部署
本文介绍了DINOv3视觉模型的三种部署方式：PyTorch推理、ONNX Runtime部署和TensorRT部署。在PyTorch部分，详细展示了模型加载、图像预处理和推理过程，并提供了将模型导出为ONNX格式的代码。ONNX Runtime部分说明了如何加载ONNX模型并进行推理，包括图像预处理和推理执行步骤。TensorRT部署部分则着重介绍了显存需求（约30GB）和推理流程，包括引擎加载、缓冲区分配和推理执行。三种方式均提供了完整的代码示例，涵盖了从图像预处理到最终推理输出的完整流程。
2025-10-20 20:38:48
519
原创 DINOv2分类网络onnxruntime和tensorrt部署
DINOv2模型部署指南：提供ONNX Runtime和TensorRT两种部署方式。首先从GitHub下载DINOv2源码，通过PyTorch导出ONNX模型（输入尺寸700x700）。ONNX模型结构包含多层Transformer模块。ONNX Runtime部署时需进行图像预处理（归一化、标准化），TensorRT部署需转换引擎文件并使用CUDA加速。两种方式最终输出分类结果，通过argmax获取预测类别。包含完整的预处理流程和推理代码示例，支持CPU和GPU加速。
2025-10-20 20:12:44
317
1
原创 DINO分类网络onnxruntime和tensorrt部署
本文介绍了DINO模型的两种部署方式：ONNX Runtime和TensorRT。首先展示了PyTorch推理和ONNX模型导出的代码，包括图像预处理、模型构建和权重加载。接着分别给出ONNX Runtime和TensorRT的推理脚本，详细说明图像预处理流程和推理步骤。两种部署方式都能正确识别测试图像中的公交车（类别636）。代码包含完整的预处理、模型加载和推理过程，适用于计算机视觉任务的模型部署实践。
2025-10-15 20:34:50
317
原创 point-transformer模型tensorrt推理部署
本文介绍了对Point-Transformer代码库的修改方案，主要涉及CUDA和PyTorch版本兼容性问题以及ONNX模型导出优化。首先需要将多个CUDA源文件中的THC头文件引用替换为ATen库引用，包括aggregation、grouping等核心模块。其次针对ONNX模型导出，重点修改了sampling模块的三个关键文件：重新实现了采样内核头文件，更新了CUDA接口实现，并优化了采样内核计算逻辑。这些修改确保了代码能够适配较新的CUDA和PyTorch版本，同时支持高效的ONNX模型导出。
2025-10-15 19:55:10
764
原创 knnQuery自定义tensorrt算子编写
本文介绍了如何将点云KNN查询操作导出为ONNX模型并转换为TensorRT插件。首先通过PyTorch定义了一个包含pointops.knnquery运算的模型，并导出为ONNX格式。然后详细描述了TensorRT插件的实现过程，包括创建knnQuery.h头文件和knnQuery.cpp源文件，其中定义了插件类knnQuery及其creator类，实现了必要的接口如初始化、执行、序列化等功能。该插件能够处理动态输入维度，支持CUDA加速计算，最终将点云KNN查询操作高效部署到TensorRT推理引擎中。
2025-10-12 10:33:42
547
原创 furthestSampling自定义tensorrt算子编写
本文介绍了如何将点云采样算法转换为TensorRT插件，主要包含两个部分：(1) 使用PyTorch导出ONNX模型；(2) 编写TensorRT插件实现。首先通过Python代码定义自定义模型并导出为ONNX格式，然后详细展示了C++实现的TensorRT插件类结构，包括插件初始化、维度计算、执行逻辑等核心功能。该方案使用TensorRT 10.6.0.26版本，通过封装CUDA核函数实现高效的点云最远点采样，适用于深度学习推理加速场景。
2025-10-12 10:21:41
447
原创 pointconv模型onnxruntime和tensorrt部署
本文介绍了PointConv模型的部署方法，包括ONNX Runtime和TensorRT两种方式。首先从GitHub下载源代码并自行训练模型。ONNX部署部分展示了如何将PyTorch模型导出为ONNX格式，并提供了Python推理脚本。TensorRT部署部分说明了如何将ONNX模型转换为TensorRT引擎，并给出了对应的推理代码示例。两种部署方法都支持动态批量处理，并提供了从预处理到模型推理的完整流程，适用于3D点云分类任务。
2025-10-08 10:58:38
293
原创 onnx模型和tensorrt模型的量化标定
ONNX和TensorRT模型量化工具对比 ONNX模型量化： 提供动态量化功能，支持权重和激活值的INT8量化 包含模型验证、量化执行和模型比较完整流程 主要功能包括： 动态量化模型权重 比较量化前后模型输出差异 计算模型大小压缩比例 使用onnxruntime量化接口实现 TensorRT模型量化： 基于INT8熵校准器实现 使用CUDA进行数据预处理和传输 支持校准缓存文件的读写 主要功能包括： 批处理数据准备 数据从主机到设备的内存拷贝 校准缓存管理 两种量化方法都旨在优化模型推理性能，但实现方式不
2025-10-08 09:05:31
226
原创 YOLOE模型onnxruntime和tensorrt部署
本文介绍了YOLOE模型的ONNX导出与部署流程。首先展示了如何将PyTorch格式的YOLOE模型转换为ONNX格式，并提供了模型结构示意图。然后详细说明了使用ONNX Runtime进行推理的完整代码实现，包括图像预处理、模型推理和后处理过程。后处理部分实现了非极大值抑制(NMS)、坐标转换和掩码处理等关键步骤。最后还提供了辅助工具函数，包含NMS算法、坐标转换和图像letterbox处理等实用功能。整个流程涵盖了从模型导出到实际部署的完整步骤，为YOLOE模型的工程化应用提供了参考实现。
2025-09-27 19:04:10
345
原创 graspnet模型tensorrt推理部署
本文介绍了对GraspNet代码库的修改过程，主要包括两部分：基础环境适配和ONNX模型导出。首先针对CUDA和PyTorch版本问题，修改了import语句和删除了冗余代码。其次为支持ONNX导出，对模型结构进行了调整，包括修改GraspNet类的前向传播逻辑、修正池化操作参数类型，以及重构pointnet2工具库。这些修改使代码能够兼容不同环境并支持模型导出，同时参考了相关部署指南确保正常运行。修改后的代码保留了原始功能，同时增加了模型转换的灵活性。
2025-09-27 18:43:55
476
原创 group_points自定义tensorrt算子编写
本文介绍了将PointNet2中的分组操作导出为ONNX模型并实现TensorRT插件的完整流程。主要内容包括：1) 使用PyTorch导出包含grouping_operation的ONNX模型；2) 基于TensorRT 10.6.0开发自定义插件，包括插件类GroupPoints和创建器GroupPointsCreator的实现；3) 插件支持动态输入维度计算、CUDA核函数调用和序列化等功能。代码展示了如何封装点云分组操作，使其能在TensorRT推理引擎中高效执行。该实现可用于优化3D点云处理任务的
2025-09-23 20:59:54
484
原创 cylinder_query自定义tensorrt算子编写
本文介绍了如何实现一个自定义的TensorRT插件CylinderQuery，用于处理点云数据中的圆柱体查询操作。首先通过PyTorch导出ONNX模型，展示了模型结构和输入输出维度。然后详细描述了TensorRT插件的开发过程，包括创建CylinderQuery类继承IPluginV2DynamicExt接口，实现核心功能如维度计算、CUDA核函数调用、数据类型支持等，并提供了插件创建器类。文章还说明了如何从官方渠道获取TensorRT 10.6.0.26的库和源代码，为开发自定义插件提供基础环境。
2025-09-23 20:31:23
742
原创 three_interpolate自定义tensorrt算子编写
本文介绍了将PointNet2中的three_interpolate操作导出为ONNX模型并实现TensorRT插件的过程。首先通过PyTorch导出自定义模型为ONNX格式，保存输入数据用于验证。然后基于TensorRT 10.6.0开发自定义插件，包含头文件定义插件接口和实现文件处理核心逻辑。插件采用IPluginV2DynamicExt接口，实现了维度计算、数据序列化、CUDA执行等功能，支持动态形状输入。文中提供了完整的插件类结构，包括ThreeInterpolate核心插件类和ThreeInter
2025-09-21 12:45:52
679
原创 three_nn自定义tensorrt算子编写
本文介绍了如何将PointNet2中的three_nn操作导出为ONNX模型，并实现TensorRT插件。首先通过PyTorch导出ONNX模型，然后基于TensorRT-10.6.0.26开发自定义插件，包括插件类的头文件定义和基本实现。该插件需要实现IPluginV2DynamicExt接口，包含维度计算、数据类型支持、序列化等核心功能，并配套创建器类ThreeNNCreator。文中提供了插件框架代码，为在TensorRT中实现点云处理的三近邻查找功能奠定了基础。
2025-09-21 11:40:37
531
原创 ball_query自定义tensorrt算子编写
本文介绍了如何将PointNet++中的ball_query操作导出为ONNX模型并实现TensorRT插件。主要内容包括：1) 使用PyTorch导出包含ball_query操作的ONNX模型；2) 分析导出的ONNX模型结构；3) 开发TensorRT插件实现ball_query功能，包括插件类的接口实现和CUDA内核封装。该插件支持动态输入维度计算，包含初始化、执行、序列化等核心方法，并提供了完整的插件创建器实现。文章给出了详细的TensorRT插件开发流程，包括头文件定义、核心类实现和CUDA内核封
2025-09-19 09:33:53
460
原创 gather_points自定义tensorrt算子编写
本文介绍了如何将PyTorch中的点云采样操作(gather_operation)导出为ONNX模型，并实现对应的TensorRT插件。首先通过自定义PyTorch模型导出ONNX结构，然后详细展示了TensorRT插件的开发过程，包括头文件和实现文件的编写。该插件实现了点云数据的高效采样功能，支持动态输入维度计算、CUDA加速执行以及序列化等特性。通过继承IPluginV2DynamicExt和IPluginCreator接口，完成了插件的基本框架和工厂模式的实现，为点云处理在TensorRT上的加速提供
2025-09-19 08:53:15
400
原创 furthest_point_sample自定义tensorrt算子编写
本文介绍了如何将PointNet2中的最远点采样(FPS)操作导出为ONNX模型，并实现对应的TensorRT插件。主要内容包括：1) 使用PyTorch导出带有最远点采样操作的ONNX模型；2) 通过分析ONNX模型结构，编写对应的TensorRT自定义插件；3) 使用CUDA实现了高效的最远点采样核函数，支持不同线程块大小的优化计算。该实现可作为3D点云处理中采样操作的加速方案，相比原始PyTorch实现可获得更好的推理性能。
2025-09-17 08:59:02
453
原创 pytorch自定义算子转tensorrt
摘要：本文介绍了如何将PyTorch模型导出为ONNX格式，并实现TensorRT自定义算子。首先定义了一个包含自定义算子MYPLUGIN的PyTorch模型，通过torch.onnx.export导出ONNX模型。然后详细讲解了TensorRT自定义算子的实现过程，包括创建插件文件夹、编写CUDA核函数(myselu_kernel)和插件类(myPlugin)。该插件类继承自IPluginV2DynamicExt，实现了必要的接口如序列化、反序列化、维度计算等。最后展示了模型推理结果，验证了自定义算子的正
2025-09-17 08:47:10
373
原创 pointnet++推理部署
本文介绍了PointNet++模型的ONNX推理部署方法，主要包括以下内容：1）从GitHub下载PointNet++代码工程；2）修改pointnet2_utils.py文件中的关键函数，包括点云归一化(pc_normalize)、欧式距离计算(square_distance)、最远点采样(farthest_point_sample)和球查询(query_ball_point)等核心操作；3）实现了点云采样和分组(sample_and_group)功能，用于构建局部特征。这些修改为将PyTorch模型转换
2025-09-04 13:07:33
470
原创 模仿学习模型diffusion_policy部署
文章摘要： 本文介绍了DiffusionUnetLowdimPolicy类的实现细节，这是一个基于扩散模型的低维动作预测策略。主要功能包括：1)从GitHub下载代码库；2)修改核心策略文件，实现条件采样和动作预测；3)支持通过局部或全局条件传递观测数据；4)使用DDPM调度器进行噪声预测和轨迹生成。该策略可以处理不同时间步长的观测和动作数据，并包含数据标准化等功能。关键方法conditional_sample实现了扩散模型的条件生成过程，而predict_action则负责将观测数据转换为预测动作。
2025-09-03 21:27:45
438
原创 模仿学习模型ACT部署
本文介绍了如何将ACT代码中的策略模型导出为ONNX格式并进行推理。首先从GitHub下载ACT代码，在imitate_episodes.py文件中添加导出ONNX模型的代码。然后展示了导出的模型结构图，并提供了Python推理脚本的使用方法：创建ONNX运行时会话，准备随机输入数据，执行推理并输出结果。整个过程实现了从PyTorch模型到ONNX格式的转换和部署应用。
2025-09-03 21:01:14
291
3
原创 SAM2模型onnxruntime和tensorrt推理
该代码实现了一个基于ONNX的SAM2图像分割模型，包含编码器和解码器两部分。主要功能包括： SAM2Image类封装了完整的图像分割流程： 初始化时加载编码器和解码器模型 支持设置输入图像、点坐标和边界框坐标 通过decode_mask方法生成分割掩码 SAM2ImageEncoder类负责图像编码： 预处理输入图像(色彩转换、归一化、尺寸调整) 使用ONNX Runtime进行推理 输出图像特征嵌入 SAM2ImageDecoder类实现分割解码： 处理输入点坐标和标签 执行推理生成分割掩码 支持原始图
2025-08-31 11:36:04
466
原创 SAM模型onnxruntime推理
摘要：该代码实现了一个基于ONNX模型的图像分割系统(SAM)。包含三个核心类： SAMImageEncoder - 负责图像预处理和特征提取 SAMImageDecoder - 处理点/框输入并生成分割掩码 SamImage - 整合编码解码流程，提供两种交互方式： 通过点坐标(set_points) 通过边界框(set_box) 示例展示了如何加载模型，输入图像并获取分割结果。系统支持CUDA加速，能处理不同尺寸的输入图像，并自动进行填充和归一化处理。最终输出为二值掩码，可叠加到原图上显示分割效果。
2025-08-31 11:33:57
311
原创 OpenMMlab导出MaskFormer/Mask2Former实例分割模型并用onnxruntime和tensorrt推理
本文介绍了使用MMDeploy工具将Mask2Former模型导出为ONNX格式并进行推理的完整流程。首先通过torch2onnx函数将PyTorch模型转换为ONNX模型，然后自行编写了Python推理脚本。推理过程包括：图像预处理（保持长宽比的缩放、填充）、模型输入标准化、使用ONNXRuntime运行推理、后处理（掩码缩放、分数计算和排序）以及结果可视化（绘制分割掩码）。特别处理了自定义算子支持，展示了如何将ONNX模型在实际应用中进行部署和推理。该流程适用于需要快速部署分割模型的场景。
2025-06-13 14:57:18
425
4
vtk9.1.0-msvc2019-qt5.14.2-win64编译包
2024-10-18
opencv4.10.0-cuda12.5.0-cudnn9.2.0-msvc2022-win64编译包
2024-10-23
opencv4.10.0-cuda12.5.0-cudnn9.2.0-python3.10.15编译包
2024-10-23
opencv4.9.0-cuda11.1-cudnn8.0.4-msvc2019-win64编译包
2024-10-08
pcl1.12.0-cuda11.1-cudnn8.0.4-msvc2019-win64编译包
2024-10-18
两百行C++代码实现yolov5车辆计数部署
2024-06-10
pyqt界面 计算树木las点云的树高、胸径、地径和冠幅面积
2024-06-01
点云裁剪界面qt+pcl+vtk
2024-05-27
自动驾驶环境感知网课视频
2023-11-11
ICP算法的几种不同实现
2023-11-05
yolov5+SORT多目标跟踪
2023-08-24
yolov5目标检测多线程Qt界面
2023-08-12
yolov5目标检测多线程C++部署
2023-08-12
Qt+PCL+VTK开发的点云标注工具
2023-07-05
opencv4.10.0 Windows .cache包
2025-12-11
opencv4.10.0-cuda12.5.0-cudnn9.2.0-msvc2022-win64带cuda、dnn、xfeatures2d、nonfree的编译包 包含debug和release
2025-12-08
opencv4.11.0 Linux.cache包
2025-12-08
opencv4.11.0 Windows .cache包
2025-12-08
opencv4.12.0 Windows .cache包
2025-12-08
opencv4.12.0 Linux.cache包
2025-12-08
pcl+vtk+qt在线一键安装工具
2025-12-06
车流量多路视频实时统计
2025-12-06
线结构光平面方程标定程序
2025-11-15
vtk8.2.0-msvc2019-qt5.15.2-win64编译包
2024-12-04
vtk7.0.0-msvc2015-qt5.9.1-win64
2024-11-29
yolov5-v7.0网络分类、检测和分割OpenCV C++部署demo
2024-11-23
VS2019+CUDA11.1 Release x64编译的OpenCV4.5.5（带CUDA和contrib模块）
2024-11-23
中心线提取-GPU加速
2024-11-23
texture mapping纹理贴图
2024-11-23
ICP算法加速优化-多线程和GPU
2024-11-20
Open3D-v0.17.0-cuda11.1-msvc2019-win64.zip
2024-11-06
open3d-0.15.2-cp38-cp38-win-amd64.whl
2024-11-06
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人