- 博客(19)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 Python中OpenCV透视变换恢复扭曲图像
在处理现实生活中的图像处理问题时，我们经常会遇到将要处理的目标的位置是斜的，需要使用透视变换进行矫正。如下图，该图片中左边的目标是扭曲倾斜拍摄的，我们要做的任务就是将其矫正过来，如右图所示。
2023-04-25 15:32:18
1469
原创 微信小程序开源云开发的博客【点赞、收藏、评论、海报、签到、积分、后台管理等】
云开发博客小程序，完全不依赖任何后端服务，无需自己的网站、服务器、域名等资源，只需要自行注册小程序账号即可；自带管理后端CMS，方便运营。分享、点赞、收藏功能，评论发布与展示、海报小程序码生成功能、签到、补签功能以及后台管理功能。...
2022-08-18 23:20:44
732
原创 conda 环境Pip报错Script file ‘D:\Anaconda3\Scripts\pip-script.py‘ is not present.
Pip报错Script file 'D:\Anaconda3\Scripts\pip-script.py' is not present.conda 环境Pip报错Script file 'D:\Anaconda3\Scripts\pip-script.py' is not present.解决方法conda 环境Pip报错Script file ‘D:\Anaconda3\Scripts\pip-script.py’ is not present.解决方法1、进入创建的环境：activate en
2021-11-12 14:36:08
6534
9
原创 FPGA学习(二)--硬件设计基本概念
处理器（CPU）和FPGA之间的关键区别之一就是处理架构是否固定。这种差异直接影响每个编译器的工作方式。处理器CPU的计算体系结构是固定的，编译器的工作是确定软件应用程序如何最好地适应处理结构。应用程序性能取决于应用程序映射到处理器功能的程度以及正确执行所需的处理器指令数量。相比之下，FPGA类似于带有一组构建块的空白平板。在的Vivado ®编译器HLS中，目标是从最适合的软件程序中创建一个处理架构。指导Vivado HLS编译器创建最佳处理架构的过程需要有关硬件设计概念的基础知识。
2020-08-08 13:51:05
2523
原创 FPGA学习(一)--架构和基本组成单元
FPGA是一种集成电路（IC），可以在制造后针对不同的算法进行编程。现代FPGA器件由多达200万个逻辑单元组成，可配置为实现各种软件算法。虽然传统的FPGA设计流程与常规IC相比更像处理器，但与IC开发工作相比，FPGA提供了显着的成本优势，并且在大多数情况下提供相同级别的性能。与IC相比，FPGA的另一个优点是可以动态重新配置。此过程与在CPU处理器中加载程序相同，可能会影响FPGA架构中可用的部分或全部资源。
2020-08-08 13:50:54
6548
原创 深度学习之PyTorch实战计算机视觉--基础知识及环境搭建(一)
pytorch的使用笔记学习《深度学习之PyTorch实战计算机视觉》书籍笔记。背景PyTorch是美国互联网巨头Facebook在深度学习框架Torch的基础上使用Python重写的一个全新的深度学习框架，它更像NumPy的替代产物，不仅继承了NumPy的众多优点，还支持GPUs计算，在计算效率上要比NumPy有更明显的优势；不仅如此，PyTorch还有许多高级功能，比如拥有丰富的API，...
2019-10-30 19:45:04
457
原创 快速排序基准选择及优化
快速排序的基本思想：通过一趟排序将待排记录分隔成独立的两部分，其中一部分记录的关键字均比另一部分的关键字小，则可分别对这两部分记录继续进行排序，以达到整个序列有序。6.1 算法描述快速排序使用分治法来把一个串（list）分为两个子串（sub-lists）。具体算法描述如下：从数列中挑出一个元素，称为 “基准”（pivot）；重新排序数列，所有元素比基准值小的摆放在基准前面，所有元素比基准...
2019-10-28 22:09:59
6091
原创 十大经典排序算法及C++实现
十大经典排序C++实现：冒泡排序（Bubble Sort）、选择排序（Selection Sort）、插入排序（Insertion Sort）、希尔排序（Shell Sort）、归并排序（Merge Sort）、快速排序（Quick Sort）、堆排序（Heap Sort）、计数排序（Counting Sort）、桶排序（Bucket Sort）、基数排序（Radix Sort）
2019-10-27 22:59:05
522
原创 Darknet框架模型Inference过程的feature-map可视化
本篇文章针对YOLO-v3官方提供的c语言版的darknet进行了修改,添加了一些函数，进行可视化feature-map处理，主要针对Inference过程中，对中间计算结果feature-map数据进行转换，将转换结果用图片是形式直观感受。
2019-07-31 14:12:23
2209
8
原创 YOLO-v3边框预测与回归
我们读yolov3论文时都知道边框预测的公式，然而难以准确理解为何作者要这么做，这里我依据Darknet代码来总结解释一下个人的见解，总结串联一下学习时容易遇到的疑惑，期待对大家有所帮助，理解错误的地方还请大家批评指正，我只是个小白哦，发出来也是为了与大家多多交流，看看理解的对不对。
2019-06-23 22:45:37
2836
1
原创 TensorRT Inference引擎简介及加速原理简介
TensorRT是NVIDIA 推出的一款基于CUDA和cudnn的神经网络推断加速引擎(C++库)。相比于一般的深度学习框架，在CPU或者GPU模式下其可提供10X乃至100X的加速，极大提高了深度学习模型在边缘设备上的推断速度。TensorRT项目立项的时候名字叫做GPU Inference Engine（简称GIE）。目前TensorRT已经支持Caffe、Caffe2、TensorFlow、MxNet、Pytorch等主流深度学习库。
2019-05-20 19:11:30
4414
1
原创 机器学习的一些概念
记录学习机器学习相关概念：准确率(Accuracy)、精确率(Precision)、召回率(Recall)、ROC曲线、PR曲线、AP和mAP。
2019-04-24 16:11:01
624
原创 YOLO-v3合并卷积层与BN层
在训练网络模型时，BN层能够加速网络收敛，并且能够控制过拟合现象的发生，一般放在卷积层之后，激活层之前。BN层将数据归一化后，能够有效解决梯度消失与梯度爆炸问题。虽然BN层在训练时起到了积极作用，然而，在网络Inference时多了一些层的运算，影响了模型的性能，且占用了更多的内存或者显存空间。因此，有必要将 BN 层的参数合并到卷积层，减少计算来提升模型Inference的速度。
2019-04-01 16:50:11
9102
26
protobuf-3.4.0.zip
2019-01-02
cmake-3.12.0-rc3-win64-x64
2018-08-06
cmake-3.10.2.tar.gz
2018-04-15
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人