墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.5k累计阅读
1.5k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
手把手教你实现YOLOv5目标检测（v5.0-v7.0）的GPU加速推理
在计算机视觉领域，目标检测是一个非常重要的任务。YOLOv5作为目前最先进的目标检测算法之一，在各个领域都有着广泛的应用，然而对于初学者来说，调试YOLOv5模型并不是一件容易的事情。本文将手把手地教您如何进行YOLOv5模型的GPU加速推理，以及如何调整模型参数以达到更好的检测效果。
首先，我们需要安装YOLOv5模型所需的依赖库，包括PyTorch、OpenCV等。以下是命令行安装这些库的代码：
# 安装PyTorch
pip install torch torchvision torchaudio
# 安装OpenCV
pip install opencv-python
接下来，我们需要下载YOLOv5的预训练模型。可以前往YOLOv5的官方仓库下载或者使用以下命令行下载：
# 下载YOLOv5预训练模型
git clone https://github【YOLOv5】推理、训练、验证参数解释
以下是yolov5，对detect.pytrain.pyval.py，输入参数的解释。
rk3588对npu的再探索，yolov5使用rknn模型推理教程
博主在瑞芯微ITX-3588J-8K的开发板上跑了yolov5目标检测算法，调用了外置相机获取rtsp视频流，但是每帧处理需要833ms左右，和放PPT一样。本来想使用tensorrt进行加速推理，但是前提需要cuda，rk的板子上都是arm的手机gpu，没有nvidia的cuda，所以不能这样适配。那么转过来，使用开发板自带的NPU进行加速推理，岂不是最佳方案，因为它本身就是人工智能开发板，不用NPU相当于没有发挥它的全部能力。.........
YOLOv5推理加速实战：手把手教你优化letterbox预处理与NMS后处理（附OpenVINO部署代码）
本文深入解析YOLOv5推理加速的关键技术，重点优化letterbox预处理与NMS后处理环节。通过OpenVINO部署方案和代码实战，显著提升边缘设备上的推理效率，实现预处理2-3倍加速和后处理时间减半的效果，为实时目标检测应用提供完整解决方案。
使用YOLOv9实现实时视频目标检测
本文详细介绍了如何使用YOLOv9实现实时视频目标检测，包括环境配置、代码实现和各个步骤的详细解释。通过这篇教程，你可以快速上手YOLOv9，并应用于实际的目标检测任务中。希望这篇文章对你有所帮助。
YOLOv5 v5.0 GPU代码MLU370迁移：1行脚本转换与推理速度0.009s实测
本文详细介绍了如何将YOLOv5 v5.0模型从GPU迁移至寒武纪MLU370平台，通过一行转换脚本实现高效推理，实测单图推理速度达0.009秒。文章涵盖环境配置、模型转换原理、性能优化技巧及实战案例，为开发者提供完整的迁移方案和性能基准。
Win10下YOLOv5与TensorRT7加速部署全流程：从环境配置到性能对比（附避坑指南）
本文详细介绍了在Win10系统下部署YOLOv5模型并使用TensorRT7进行加速的全流程，包括环境配置、模型转换和性能优化。通过实测数据对比，展示了TensorRT加速带来的显著性能提升（推理速度提升3.25倍），并提供了常见问题的解决方案和高级优化技巧，帮助开发者高效实现目标检测模型的Windows平台部署。
从零到一：香橙派5 Pro与YOLOv5的NPU加速实战全解析
本文详细解析了如何在香橙派5 Pro开发板上利用NPU加速YOLOv5模型的完整流程，包括硬件准备、环境搭建、模型转换与优化、部署实战及性能对比。通过RK3588芯片的6TOPS算力NPU，实现高达15倍的推理速度提升，适用于边缘AI应用开发。
YOLOv11实战：5分钟用Python搞定目标检测（附完整代码）
本文详细介绍了如何使用YOLOv11在5分钟内完成Python目标检测任务，包括环境配置、模型加载、实时摄像头检测和自定义数据集训练。通过ultralytics库实现快速推理，并提供完整代码和常见问题解决方案，帮助开发者高效掌握目标检测技术。
YOLOv7-Tiny：轻量化实时目标检测的革新实践
作为YOLO家族的高效代表，YOLOv7-Tiny凭借其轻量化架构与卓越性能，已成为实时目标检测领域的重要选择。相比标准YOLOv7，其参数量减少约60%（仅6.02M），计算量降至13.2 GFLOPs，在保持较高检测精度的同时，推理速度提升至。| YOLOv7 | 85.5% | 45 | 2.1GB | 云端/高性能GPU || YOLOv5s | 78.2% | 45 | 1.2GB | 通用场景 |，实现了精度与速度的极致平衡，尤其适合资源受限场景下的实时检测需求。
YOLOv8多模态目标检测实战：从环境配置到ONNX推理（附GPU加速对比）
本文详细介绍了YOLOv8在多模态目标检测中的实战应用，涵盖从环境配置到ONNX推理的全流程。通过结合可见光与红外图像的多模态输入，YOLOv8显著提升了复杂环境下的检测性能。文章特别针对NVIDIA GPU用户提供了优化配置方案，并附有GPU加速对比数据，帮助开发者高效实现多模态目标检测。
YOLOv5模型GPU加速实战：ONNX与CUDA优化指南
目标检测是计算机视觉的核心任务，YOLO系列因其高效的实时性能成为工业界首选。通过GPU加速技术，特别是CUDA并行计算架构，可以大幅提升模型推理速度。ONNX作为跨平台模型格式，结合ONNX Runtime的GPU加速能力，能实现8-12倍的性能提升。本文以YOLOv5为例，详细解析从PyTorch模型转换、ONNX优化到CUDA加速部署的全流程，涵盖显存管理、混合精度推理等关键技术，并展示在RTX 3060显卡上实现实时视频分析的完整方案。这些优化方法同样适用于工业质检、自动驾驶等需要低延迟推理的场景。
香橙派5 Plus（瑞芯微RK3588）NPU加速YOLOv8目标检测部署实战
本文详细介绍了在香橙派5 Plus（搭载瑞芯微RK3588芯片）上利用NPU加速部署YOLOv8目标检测模型的完整实战流程。从环境准备、模型训练优化、ONNX转换到RKNN模型部署，逐步解析关键步骤与性能调优技巧，帮助开发者在边缘设备上实现高效实时目标检测应用。
电脑不能用gpu怎么实现Jeston，nano部署yolov5？？
🏆 本文收录于《全栈Bug调优(实战版)》专栏，致力于分享我在项目实战过程中遇到的各类Bug及其原因，并提供切实有效的解决方案。无论你是初学者还是经验丰富的开发者，本文将为你指引出一条更高效的Bug修复之路，助你早日登顶，迈向财富自由的梦想🚀！同时，欢迎大家关注、收藏、订阅本专栏，更多精彩内容正在持续更新中。让我们一起进步，Up！Up！Up！ 备注： 部分问题/难题源自互联网，经过精心筛选和整理，结合数位十多年大厂实战经验资深大佬经验总结所得，数条可行方案供所需之人参考。
Yolov5 win10平台下的C++推理及Tensorrt部署 篇一 (共三篇)
为什么用Yolov5而不用其他的网络： 目标检测项目落地一般都是用Yolov5和YoloR来做。其一是因为精度速度确实比较牛逼，其二是因为这两个网络相对于其他的先进网络有较为成熟的C++推理方案。 因为要在Win10下部署，Linux的一些方案就不能拿来用。比如YOLOX尽管可以用C++推理，但将其pth权重转为TensorRT的engine权重却会存在问题，因为TensorRT的5.0-7.0版本只支持Linux系统。 温馨提示：我们的部署版本是Yolov5 - 4.0，Yolov5 - 5.0或6.
YOLOv6 v3.0 与 YOLOv8 的准确性对比
YOLOv6 v3.0 和 YOLOv8 都是非常强大的目标检测模型，但它们的应用场景和优化目标有所不同。
【蓝牙专题】HCI协议解析
一、概念： 很多人接触蓝牙，是从HCI开始，因为HCI是主机控制接口协议（Host Controller Interface），蓝牙命令通过HCI来发送到Controller； 1、架构 如下图，HCI通过物理接口（USB、UART等）或虚拟接口，传递数据到Controller，Controller也通过同样的接口发送接收数据，这里注意到HCI层是在L2CAP层之下，LMP层之上； HCI
Maya ACES工作流程配置（Arnold 及 RedShift 贴图配置规范-还原出SP-Aces流程下贴图正确的效果） PS还原Aces流程下渲染的图
*如果使用SP，项目工程如果新建的时候设置的就是Aces的流程的话，按规范正常导出即可，贴图会带上相对应的后缀，然后贴图导入材质球的时候会根据后缀自动设置相对应的色彩空间；**万一不是，就自己手动设置一下对应的色彩空间即可；然后点击选择当前的或者选择全部导入的贴图，点击右下角后，开始转换；我复制了一下，一个默认没有LUT的效果，然后另外一个是加载2个LUT后的还原效果，和渲染的效果应该是没有区别的，至少我没有看出明显的区别；把需要转换的贴图拖拽到左侧，然后右面选择需要转换到的相对应的色彩空间；...
《基于Yolo算法的火灾检测系统设计与实现》开题报告
在消防安全领域，火灾对生命财产安全构成严重威胁。传统的火灾检测手段存在诸多不足，如误报率高、检测范围有限、响应速度慢等。基于 Yolo 算法的火灾检测系统能够利用深度学习技术，实现对火灾的高效、精准检测，具有重要的现实意义。 从社会安全角度看，该系统可以广泛应用于各类公共场所、工业厂房和居民住宅，实时监测火灾隐患，及时发出警报，为人员疏散和消防救援争取宝贵时间，有效降低火灾造成的人员伤亡和财产损失，保障社会公共安全。
微信支付V2，jsapi支付拉起收银台报错：调用支付JSAPI缺少参数:total_fee
拉起收银台报错
基于YOLOv11的工业零件表面缺陷检测系统：从原理到实现
工业质量控制是制造业的核心环节，表面缺陷检测作为其中重要组成部分，直接关系到产品质量和企业效益。本文详细介绍了一种基于YOLOv11深度学习算法的工业零件表面缺陷检测系统，包含完整的算法原理分析、数据集构建方法、模型训练策略以及用户界面设计。通过大量实验验证，该系统能够高效准确地检测零件表面的划痕、凹陷、锈蚀等多种缺陷，检测精度达到96.2%，满足工业实时检测需求。本文还提供了完整的代码实现和详细的技术文档，为相关领域的研究者和工程师提供参考。关键词：表面缺陷检测；YOLOv11；深度学习；工业视觉；
YoloV10改进策略：卷积篇|基于PConv的二次创新|附结构图|性能和精度得到大幅度提高（独家原创）
在PConv的基础上做了二次创新，创新后的模型不仅在精度和速度上有了质的提升，还可以支持Stride为2的降采样。改进方法简单高效，需要发论文的同学不要错过！
C2f-DCN模块详解：可变形卷积与特征融合的完美结合
C2f模块作为YOLOv8的核心创新，代表了目标检测特征提取模块设计的最新进展。通过精简的卷积配置（仅2个基础卷积）、高效的特征重用设计（部分通道分割复用）、以及深层语义与浅层细节的协同建模能力，C2f在结构设计和性能表现上全面超越了前代的C3模块。与C3K2、C3K等变体相比，C2f在遮挡和密集环境下的检测鲁棒性更优，而C3K2和C3K分别在高速检测和多尺度检测方面有专门优化。这种差异化设计反映了YOLO系列模型向场景化、专业化发展的趋势。从设计原理角度看，C2f的核心优势在于其多路径梯度流动优化和。
RK3568 上C图像camera图像采集应用实例（二）
本文探索rk3568上实现C语言的 通过C v4l2 接口 采集图像 ，刷屏控制 drm的显示camera图像中 实现camera preview 预览 的实践和探索。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
5365
扫一扫
