- 博客(399)
- 资源 (18)
- 问答 (6)
- 收藏
- 关注
RSS订阅
原创 【计算机网络自顶向下方法】(哈工大）学习笔记
文章目录前言一、概述二、应用层三、传输层四、网络层五、数量链路层六、物理层总结前言计网这门课程，我只能说要记的东西真的的很多，知识点也笔记杂乱无章，学了勉强知道每一章大致将了那些内容，这里面的协议真的实在是不能再多了…提示：以下是本篇文章正文内容一、概述计算机网络之概述计算机网络性能计算机网络体系结构二、应用层计算机网络应用简介web应用–详解HTTP电子邮件–详解SMTP和POP3协议域名解析系统DNSP2P应用Socket编程客户端/服务端软件概述三、传输层..
2021-11-13 23:40:41
7999
18
原创 ✨✨✨【操作系统学习笔记】(哈工大)深入了解操作系统
文章目录前言一、内核启动二、进程管理三、内存管理四、IO设备管理五、存储管理六、汇编知识总结前言笔记中参考资料大部分来自哈工大操作系统课程的课件，由于自己也是小白，笔记中可能有一些错误，希望能得到各位大佬的指正。最后，还要一点关于学习操作系统中所用到的汇编知识。提示：以下是本篇文章正文内容一、内核启动引导启动程序—bootsect操作系统加载—setup内核引导程序—head初始化程序—main(1)初始化程序—main(2)二、进程管理操作系统的接口与实现初识多进程用..
2021-10-06 22:04:31
2100
4
原创 深度学习目标检测算法之Faster R-CNN算法
目标检测是当前计算机视觉领域内研究的一个热点，与图像分类不一样的是，目标检测不仅要准确地识别出图像中目标的类别，还要准确的定位该目标的位置，并用边界框把目标框起来。基于深度学习的目标检测算法可以分为两类：二阶算法（Two Stage）和一阶算法（One Stage）二阶算法：先生成区域候选框，再通过卷积神经网络进行分类和回归修正。常见算法有 RCNN、SPPNet、Fast RCNN，Faster RCNN 和 RFCN 等。
2024-03-25 16:57:18
973
原创 CMake之构建跨平台项目的强大工具
本来在学习TensorRT的时候就想记录一下CMake的知识点的，但是当时由于临近期末各科作业有多一直拖动了现在哈哈哈，最近ROS中也用到了CMake决定整理一下常用的指令。CMake 是一个项目构建工具，并且是跨平台的。
2024-02-06 21:05:12
1149
11
原创 ROS入门之通信机制及常用API
ROS的通信架构是ROS的灵魂，也是整个ROS正常运行的关键所在。ROS通信架构包括各种数据的处理，进程的运行，消息的传递等等。基于发布/订阅的话题通信基于客户端/服务器的服务通信基于RPC的参数服务器，每个通信方式都有自己的特点。这里主要记录了通信架构的基础通信方式和相关概念、各种通信常用API以及其他常用API。在ROS通信协议中，数据载体是通信中的核心组成部分。ROS通过std_msgs库封装了一些原生的数据类型，如等。然而，这些数据类型一般只包含一个data字段，结构相对简单。
2024-02-04 19:57:03
993
原创 基于深度学习的多功能人脸识别系统
这个工程是机器视觉的课程设计作业涉及OpenCV图像处理、DNN网络模型部署、Mqtt阿里云连接以及SMTP邮件发送等几个知识点，以上基于Qt(C++)和OpenCV实现的，趁着寒假简单记录一下开发过程哈哈哈！
2024-02-03 10:44:40
981
4
原创 ROS2入门之节点与指令
ROS（Robot Operating System）是一个开源的机器人操作系统框架，最初由Willow Garage公司于2007年发起。ROS提供了一套工具和库，用于构建和开发机器人应用程序。其特点包括基于消息传递的中间件、通信模型、工具集以及开源的性质。ROS的通信机制采用发布-订阅模型和服务调用，使得不同组件（节点）能够实现信息交流。ROS在学术界和工业界都得到广泛应用，但在大规模系统中可能存在通信效率和实时性方面的挑战。ROS 2是ROS的下一代版本，旨在解决ROS的一些限制和缺点。
2024-01-11 20:50:38
1238
原创 TensorRT之LeNet5部署(onnx方式)
本文记录一下TensorRT部署流程，上一篇使用wts文件构造网络结构，这篇会使用ONNX构造网络。
2023-12-03 13:50:46
258
原创 TensorRT之LeNet5部署(wts方式)
零基础入门学习TensorRT部署深度学习网络，本文记录一下TensorRT部署流程，参考了网上很多例程，可能有的代码是旧版本的，但是这并不影响的，这里主要是使用API的方式构建网络。
2023-11-28 14:41:29
326
原创 Python进阶之闭包和装饰器
一般来说闭包这个概念在很多语言中都有涉及，本文主要谈谈python中的闭包定义和相关用法以及装饰器。Python中使用闭包主要是在进行函数式开发时使用，而装饰器(语法糖)在闭包的基础上为函数添加额外的功能，并且在不改变原函数代码的情况下。
2023-11-05 23:20:07
163
2
原创 Python进阶之迭代器
迭代器生成器装饰器。这里给大家先介绍迭代器相关的知识。迭代：通常从一个对象中依次取出数据，这个过程叫做遍历，也称为**迭代(**重复执行某一段代码块，并将每一次迭代得到的结果作为下一次迭代的初始值)。可迭代对象是指该对象可以被用于for循环，例如：集合，列表，元组，字典，字符串，迭代器等。直接作用于for循环的对象统称为可迭代对象(Iterable)那么在代码层面如何定义一个可迭代对象呢？在python中如果一个对象实现了__iter__方法，则该对象可以称之为可迭代对象。
2023-10-15 22:29:55
472
3
原创 Pytorch之MobileViT图像分类
MobileViT是一种基于架构的轻量级视觉模型，旨在适用于移动设备和嵌入式系统。ViT是一种非常成功的深度学习模型，用于图像分类和其他计算机视觉任务，但通常需要大量的计算资源和参数。MobileViT的目标是在保持高性能的同时，减少模型的大小和计算需求，以便在移动设备上运行，据作者介绍，这是第一次基于轻量级CNN网络性能的轻量级ViT工作，性能SOTA。性能优于MobileNetV3、CrossviT等网络。
2023-10-13 13:42:06
1709
3
原创 Pytorch之RepVGG图像分类
RepVGG是一个简单的网络结构，它通过堆叠来构建整个网络，在2021 年发布在CVPR的一篇论文Making VGG-style ConvNets Great Again提出来的，使用structural re-parameterization(结构重参数化)的方式让类VGG的架构重新获得了更好的性能和更快的速度。RepVGG核心思想是：通过结构重参数化思想，让训练网络的多路结构(多分支模型训练时——性能高)转换为推理网络的单路结构(模型推理时——速度快、省内存）)，
2023-10-13 13:40:20
336
原创 Pytorch之ConvNeXt图像分类
CNN自1989年以来一直存在，当时第一个多层CNN，称为ConvNet，由Yann LeCun开发。该模型可以执行视觉认知任务，例如识别手写数字。1998年，LeCun开发了一种改进的ConvNet模型，称为LeNet。由于其在光学识别任务中的高精度，LeNet在发明后不久就被工业使用。从那时起，CNN一直是工业界和学术界最成功的机器学习模型之一。下图显示了 CNN 生命周期中架构发展的简要时间表，从 1989 年一直到 2020 年，
2023-10-12 17:29:53
1373
1
原创 Pytorch之SwinTransformer图像分类
`Swin Transformer`(Liu et al., 2021) 是一种基于视觉Transformer的层次化模型。与之前的Vision Transformer相比，Swin Transformer采用了层次化构建方法，使用`不同倍数的下采样`来构建特征图，并在每个窗口内使用`Windows Multi-Head Self-Attention(W-MSA)`进行注意力计算。这种方法既减少了计算量，尤其是在浅层特征图较大时，又能在相邻窗口之间`传递信息`。
2023-10-11 17:58:22
2470
3
原创 Pytorvh之Vision Transformer图像分类
Vision Transformer（ViT）是将Transformer模型应用于计算机视觉领域的方法，用于图像分类任务。与传统的卷积神经网络（CNN）不同，ViT通过将图像分成==固定大小的图块==(Image Patches)并展平成序列，然后将==序列输入Transformer模型进行处理==。在Transformer中，`Self-Attention结构被用来捕捉序列中不同位置的关联信息`。通过多层的Transformer编码器，ViT能够从输入图像中学习到更高级的特征表示，最终输出图像的类别。
2023-10-11 17:56:59
2699
6
原创 Pytorch之EfficientNetV2图像分类
Google 在2021年4月份提出了 EfficientNet 的改进版 EfficientNet v2: Smaller Models and Faster Training。从论文题目上就可以看出 v2 版本相比 v1，模型参数量更小，训练速度更快。在 EfficientNet V1的基础上，引入了到搜索空间中，同时为渐进式学习引入了自适应正则强度调整机制。两种改进的组合使得 EfficientNet v2 在多个基准数据集上取得了 SOTA 性能，且训练速度更快。
2023-10-09 22:41:56
1532
3
原创 Pytorch之EfficientNetv1图像分类
EfficientNet是2019年google提出的网络模型，在论文提出了一种多维度混合的模型放缩方法，它通过利用Neural Architecture Search (NAS)技术，同时考虑输入分辨率网络深度和网络宽度，构建更优秀的网络结构。EfficientNet的作者提供了8个网络模型，其中EfficientNet-B0是最基础的模型，EfficientNet-B1至B7是在B0的基础上通过NAS搜索技术进行了综合调整，调整内容包括输入分辨率、网络深度和网络宽度。
2023-10-09 22:39:35
189
原创 Pytorch之shuffleNet图像分类
ShuffleNet是Face++（旷视）在2017年发布的一个高效率可以运行在手机等移动设备的网络结构，论文发表在CVRP2018上。它是一种轻量级卷积神经网络架构，旨在在计算资源有限的情况下实现高效的模型推理。它是专门为计算能力有限的移动平台设计的。通过逐点分组卷积(Pointwise Group Convolution)和通道洗牌(Channel Shuffle)两种新运算，在保持精度的同时大大降低了计算成本。
2023-10-06 15:06:16
468
2
原创 Pytorch之MobileNet图像分类
由于传统卷积神经网络， 内存需求大、 运算量大导致无法在移动设备以及嵌入式设备上运行。VGG16的权重大小有450M，而ResNet中152层的模型，其权重模型644M，这么大的内存需求是明显无法在嵌入式设备上进行运行的。而网络应该服务于生活，所以轻量级网络的很重要的。MobileNet 模型是 google 在 2017 年针对手机或者嵌入式提出轻量级模型。MobileNet是一系列的轻量化神经网络，包括MobileNet v1、MobileNet v2和MobileNet v3。
2023-10-06 15:05:24
962
2
原创 Pytorch之ResNet图像分类
2015 年，微软亚洲研究院何凯明等人发表了基于 Skip Connection 的深度残差网络(Residual Neural Network，简称 ResNet)算法，并提出了 18 层、34 层、50 层、101层、152 层的 ResNet-18、ResNet-34、ResNet-50、ResNet-101 和 ResNet-152 等模型，甚至成功训练出层数达到 1202 层的极深层神经网络，斩获当年ImageNet竞赛中分类任务第一名，目标检测第一名。
2023-09-30 15:21:01
3055
5
原创 Pytorch之GoogLeNet图像分类
GoogLeNet是google推出的基于Inception模块的深度神经网络模型，在2014年的ImageNet竞赛中夺得了冠军，在随后的两年中一直在改进，形成了Inception V2、Inception V3、Inception V4等版本。
2023-09-27 16:06:17
493
原创 Pytorch之VGG16图像分类
VGG是Oxford的VisualGeometryGroup的组提出的。该网络是在ILSVRC 2014上的相关工作，主要工作是证明了增加网络的深度能够在一定程度上影响网络最终的性能。斩获该年ImageNet竞赛中Localization Task（定位任务）第一名和Classification Task（分类任务）第二名。
2023-09-26 11:22:09
2589
6
原创 Pytorch之AlexNet花朵分类
AlexNet是由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton在2012年ImageNet图像分类竞赛中提出的一种经典的卷积神经网络。当时，AlexNet在 ImageNet 大规模视觉识别竞赛中取得了优异的成绩，把深度学习模型在比赛中的正确率提升到一个前所未有的高度。因此，它的出现对深度学习发展具有里程碑式的意义。
2023-09-25 17:40:12
945
6
原创 Pytorch之LeNet-5图像分类
LeNet-5是一个经典的深度卷积神经网络，由Yann LeCun在1998年提出，旨在解决手写数字识别问题，被认为是卷积神经网络的开创性工作之一。该网络是第一个被广泛应用于数字图像识别的神经网络之一，也是深度学习领域的里程碑之一。
2023-09-24 17:59:54
366
原创 OpenCV之YOLOv5目标检测
目录前言一、YOLOv5简介二、预处理1.获取分类名2.获取输出层名称3.图像尺度变换三、模型加载四、推理和后处理五、源码YOLOv5（You Only Look Once version 5）是计算机视觉领域中一种用于目标检测的深度学习模型，它是YOLO（You Only Look Once）系列的最新版本。YOLOv5的目标是实现高效而准确的实时目标检测，其名称"You Only Look Once"意味着它只需一次前向传播（forward pass）即可检测图像中的所有对象，而不需要采用复杂的多步骤流
2023-09-20 16:36:36
2898
4
原创 OpenCV之YOLOv4 目标检测
YOLOv4（You Only Look Once version 4）是计算机视觉领域中的一个物体检测算法，它是 YOLO 系列算法的最新版本之一。YOLOv4 极大地改进了物体检测的性能和准确性，并且在速度和精度之间取得了良好的平衡。yolov4网络结构如下：yolov4相对于yolov3 spp性能提升的不多，但是相对应yolov3，性能得到了极大的提高。yolov4基本组成：1. CBM：Yolov4网络结构中的最小组件，由Conv+Bn+Mish激活函数三者组成。
2023-09-19 18:55:22
423
原创 OpenCV之YOLOv2-tiny目标检测
YOLO（You Only Look Once）是一种基于深度神经网络的目标对象识别和定位算法，其特点是运行速度快、实时性高。这里我们将使用Tiny YOLOv2版本的YOLO算法。YOLO算法创造性地将R-CNN目标检测中的选择候选区和识别候选区对象两个阶段合二为一，这也是YOLO名字的来由（只需看一眼就知道图片的哪些位置有什么对象）。YOLOv2-tiny，轻量版的YOLOv2，即使用Tiny YOLOv2来实现目标检测。Tiny YOLOv2包含9个卷积层和6个最大池化层，如图所示。
2023-09-18 21:53:18
672
原创 OpenCV之YOLOv3目标检测
YOLOv3（You Only Look Once version 3）是一种流行的实时目标检测算法，由Joseph Redmon等人开发。YOLOv3是YOLO系列的第三个版本，它在速度和准确性方面都取得了显著的改进，被广泛用于计算机视觉应用中的实时目标检测任务。
2023-09-17 21:47:00
281
原创 OpenCV之GOTURN目标追踪
GOTURN（Generic Object Tracking Using Regression Networks）是一种用于目标跟踪的计算机视觉算法，它使用回归神经网络来实现实时目标跟踪。GOTURN的目标是通过检测并跟踪特定物体，使其能够在视频序列中保持物体的连续性，即使物体发生尺寸变化、遮挡或平移。达到了Tracking中效果上的state-of-the-art，尤其在检测速度上达到了100FPS（第一个达到100FPS的深度学习方法）。
2023-09-14 17:16:09
408
原创 OpenCV之CNN年龄性别预测
在当今数字时代，计算机视觉技术正在不断发展，并在多个领域产生影响。其中之一是年龄和性别识别。这项技术对于广告定向、人脸解锁和安全访问控制等领域至关重要。卷积神经网络是一种深度学习模型，它在计算机视觉中表现出色。CNN的核心思想是通过多层卷积和池化操作，从图像中学习特征。这些特征可以用于各种任务，包括图像分类、对象检测和人脸识别。对于年龄和性别识别，CNN可以通过学习人脸的视觉特征来实现高精度。
2023-09-14 16:08:35
249
原创 OpenCV之FCN图像分割
Fully Convolutional Network（FCN）是一种深度学习架构，主要用于图像分割任务。FCN 架构的典型应用包括语义分割、实例分割、物体检测等图像分析任务。它已经成为了计算机视觉领域图像分割任务的重要工具，并在许多竞赛和实际应用中取得了出色的成绩。通常CNN网络在卷积层之后会接上若干个全连接层, 将卷积层产生的特征图(feature map)映射成一个固定长度的特征向量。
2023-09-12 22:19:16
161
原创 OpenCV之MobileNet-SDD目标检测
OpenCV DNN部署 MobileNet-SSD CUDA加速，最高帧率可以达到300帧，不使用CUDA加速最高帧率可以到达60帧左右。
2023-09-12 17:32:07
810
原创 OpenCV之SSD目标检测
SSD(Single Shot MultiBox Detector)是作者Wei Liu在ECCV 2016上发表的论文提出的。对于输入尺寸300*300的SSD网络使用Nvidia Titan X在VOC 2007测试集上达到74.3%mAP以及59FPS（每秒可以检测59张图片）；对于输入512*512的SSD网络，达到了76.9%mAP，超越了当时最强的Faster RCNN（73.2%mAP）,达到真正的实时检测。这里简单介绍一下RCNN系列和YOLO系列。
2023-09-12 12:32:35
293
原创 OpenCV之Googlenet图像分类
GoogLeNet是google推出的基于Inception模块的深度神经网络模型，在2014年的ImageNet竞赛中夺得了冠军，在随后的两年中一直在改进，形成了Inception V2、Inception V3、Inception V4等版本。使用OpenCV DNN模块部署需要下载Caffe模型文件和描述文件结束语希望本篇文章有对你带来帮助 🎉，有学习到一点知识~躲起来的星星🍥也在努力发光，你也要努力加油（让我们一起努力叭）。
2023-09-11 17:50:53
287
4
原创 W11下CMake MinGW配置OpenCV和Qt
前几天将cuda版本的opencv给编译成功了，当时用的VS的MSVC，然后发现编译后的库文件不能给Qt调用，应该Qt使用的是MinGW编译器，当然Qt也可以配置成MSVC编译器，由于自己Qt常用在嵌入式开发中，所以决定还是编译一个MinGW的OpenCV。
2023-09-11 15:41:55
245
YOLOv5：高效实时目标检测的新巅峰
2023-09-20
OpenCV YOLOv4：下一代目标检测算法的革命性突破
2023-09-19
OpenCV yolov2-tiny 目标检测
2023-09-18
OpenCV C++ YOLOv3目标检测
2023-09-17
OpenCV Goturn目标追踪
2023-09-14
OpenCV 年龄和性别预测
2023-09-14
OpenCV FCN图像分割
2023-09-12
OpenCV MobileNet-SSD目标检测
2023-09-12
OpenCV4-CUDA
2023-09-12
OpenCV SSD目标检测(C++)
2023-09-12
GoogLeNet图像分类
2023-09-11
qlabel显示视频流问题
2022-08-14
神经网络中用到迭代器的作用
2022-02-11
Intel (R) HD Graphics 支持神经网络的加速吗
2022-01-28
LCD1602显示问题
2021-12-08
python 文件排版，怎么控制写入在对应文件的位置(要写吐了，真是服了）
2021-10-28
链表空指针问题，temp为什么会出现可能是空指针
2021-10-15
TA创建的收藏夹 TA关注的收藏夹
TA关注的人