Time_Memory_cici的博客

目前，许多目标检测算法如yolo以及Mask-RCNN均得到了广泛应用，如在机械臂抓取领域。而现成的权重文件未必能准确识别我们自己的数据集，如特殊工件或特殊种类的水果等。因此，我们需要对我们自己的数据集进行标注，以训练深度学习网络，获得我们自己的权重文件。lebelme便是一个特别容易上手的标注工具，可以在windows系统、ubuntu系统上方便使用。结下来将详细介绍labelme的安装及使用方法，10分钟搞定。，这样标注下一张图片的时候不用再重新一个一个的“制作”矩形框，只需稍微拖动或改变大小即可。

在训练过程中，模型通过多次epoch来不断优化参数，以减少误差，提高模型的准确率。在实际应用中，选择多少epoch取决于任务的复杂性和模型的表现：过多的epoch可能会导致模型过拟合，而过少的epoch则可能使模型无法有效学习到数据特征。但要注意的是，单独的损失值并不表示模型的准确性（即使损失很小，模型也可能不准确）。Accuracy 则是一个离散指标，用来衡量模型在分类任务中整体的预测正确性，是模型性能的直观衡量标准。解读：准确率越高，说明模型在当前epoch中对数据的预测越准确，越接近理想的结果。

然而视觉只能提供颜色、形状、大小等信息，对于物体很多内在的属性，如“纹理”、“软”、“硬”等很难获得，特别是视觉受光照、遮挡影响，存在一定的限制。例如，机器人可以通过触觉感知到物体是粗糙的、光滑的、柔软的还是坚硬的。因此，基于以上能力，触觉传感器得到了长足的发展，特别是基于视觉的触觉传感器，可以充分利用近年来突飞猛进的深度学习技术，受到了学者的广泛关注。在这期间，研究人员还进一步优化了光源、相机的配置，并开发了用于实时处理触觉数据的软件算法，逐步推动GelSight技术在机器人中的应用。

为了完成使用realsenseD435i相机在真实环境下的目标检测任务，下载了realsense-ros和yolo8-ros功能包（都在工作空间src下）。分两种情况，1、使用真实硬件（如realsenseD435i）。

接下来将正式下载yolov8的相关代码，以及进行realsenseD435i相机+yolo v8的demo演示。背景：上一篇博客我们已经为复现yolov8配置好了环境，如果前面的工作顺利进行，我们已经完成了90%（a.这里假设你已经安装了realsense驱动及realsense-ros，还没安装的可以参考为的博客。三、realsenseD435i相机+yolo v8联合运行demo。c.进入工作空间src文件夹，安装Yolov8_ROS。至此，就可看到yolov8的检测效果，如下图所示。

ubuntu18.04安装Realsense D435i相机SDK及realsense-ros记录，为后期运行yolo v5作准备