PSKD V3版本中集成OSDK功能(1)psdk v3使用配置详解

39 篇文章 ¥399.90 ¥499.90

网传了一段时间的osdk 5.0版本,目前仍未发布,不过OSDK 4.x的功能最终集成到了最新发布的PSDK v3版本中。简单说,以后使用一个Payloadk SDK,既能实现原有的psdk、也能实现osdk这两个SDK的功能。
在这里插入图片描述
由于开源的osdk功能集成到了psdk中,psdk不再要求dji企业开发者申请使用,直接可以在github上公开下载。官方下载链接为 https://github.com/dji-sdk/Payload-SDKPSDK 3.0仅支持M300机型,其他机型OSDK部分还是建议使用OSDK 4.1版本或OSDK 3.9版本。

关于v3版本中api接口函数,前缀从v2版本的 Psdk* 修改成 Dji*

本文仅说明新版本的PSDK v3配置使用,后面有机会详细介绍在psdk中实现osdk的功能介绍。

1、配置文件

新版本采用v2中的代码配置方式,例如sample_c/platform/linux/manifold2/application/dji_sdk_app_info.h下:

#define USER_APP_NAME               "your_app_name"
#de
import os import logging import numpy as np import torch import torch.nn.functional as F from torch.nn import init class AverageMeter(object): """ 计算并存储平均值和当前值的工具类。 """ def __init__(self): """ 构造函数,初始化计数器。 """ self.reset() # 初始化计数器 def reset(self): """ 重置计数器。 """ self.count = 0 # 样本计数 self.sum = 0.0 # 损失值总和 self.val = 0.0 # 当前损失值 self.avg = 0.0 # 平均损失值 def update(self, val, n=1): """ 更新计数器的值。 参数: val: 当前批次的损失值。 n: 当前批次的样本数量,默认为1。 """ self.val = val # 更新当前损失值 self.sum += val * n # 累加总损失值 self.count += n # 更新样本计数 self.avg = self.sum / self.count # 计算平均损失值 def accuracy(output, target, topk=(1,)): # topk=(1,) 只考虑最高分对应的预测结果的精度 """ Computes the precision@k for the specified values of k Args: output: 模型的输出结果 target: 真实的目标标签 topk: 一个元组,包含要计算精度的top k值,默认为(1,) Returns: res: 一个列表,包含各个top k值对应的精度百分比 """ maxk = max(topk) # 获取要计算的top k值中最大的一个 batch_size = target.size(0) # 获取批次大小,即目标标签的数量 # 从模型输出中获取前k个最高分的类别预测结果 _, pred = output.topk(maxk, 1, True, True) pred = pred.t() # 转置,使得每一列对应一个样本的预测结果 correct = pred.eq(target.view(1, -1).expand_as(pred)) # 将预测结果与目标标签进行比较,得到一个布尔类型的矩阵,表示每个预测是否正确 res = [] # 存储计算得到的精度百分比 for k in topk: # 遍历要计算的top k值 correct_k = correct[:k].view(-1).float().sum(0, keepdim=True) # 获取前k个预测结果中正确的个数,并将其转换为百分比形式,添加到结果列表中 res.append(correct_k.mul_(100.0 / batch_size)) # 计算精度百分比,并将结果添加到列表中 return res # 返回各个top k值对应的精度百分比 def accuracy_pskd(output, target): """Computes the precision@k for the specified values of k""" total = 0 correct = 0 _, predicted = torch.max(output, 1) total += target.size(0) correct += predicted.eq(target).sum().item() # 计算分类精度,即正确分类的样本数占总样本数的比例 return correct/total】解释
最新发布
12-15
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

aworkholic

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值