weixin_44683176的博客

原创 opencv二值化数据增强

/************************************************************* 图像增强算法【在主函数main中调用即可】*************************************************************/#include<iostream> #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.

原创 yolov4小数据集过拟合

原创 Jeston Nano linux 镜像文件

链接：https://pan.baidu.com/s/1t1MUVF0eAexMODH5OhryvA提取码：q8w2

原创 linux添加环境变量（tensorrt）

$ vim ~/.bashrc # 打开环境变量文件# 将下面三个环境变量写入环境变量文件并保存export LD_LIBRARY_PATH=TensorRT解压路径/lib:$LD_LIBRARY_PATHexport CUDA_INSTALL_DIR=/usr/local/cuda-9.0export CUDNN_INSTALL_DIR=/usr/local/cuda-9.0# 使刚刚修改的环境变量文件生效$ source ~/.bashrc...

原创 pytorch注意力机制实现

import torchimport torch.nn as nnimport torch.nn.functional as Fclass SEModule(nn.Module): def __init__(self, channels, reduction=16): super(SEModule, self).__init__() self.avg_pool = nn.AdaptiveAvgPool2d(1) self.fc_1 = nn.C

原创 python多线程操作数据

1.threading.Lock()''' 如果多个线程对某一资源同时进行修改，可能会存在不可预知的情况。为了修改数据的正确性，需要把这个资源锁住，只允许线程依次排队进去获取这个资源。当线程A操作完后，释放锁，线程B才能进入。如下脚本是开启多个线程修改变量的值，但输出结果每次都不一样。 ''' import threadingmoney = 0def Order(n): global money money = money + n money = money - n

原创 python多线程，多进程 队列处理图像识别

#多进程from multiprocessing import Queue, Process, freeze_supportimport cv2import dlib,numpy# 1.人脸关键点检测器predictor_path = "shape_predictor_68_face_landmarks.dat"# 2.人脸识别模型face_rec_model_path = "dlib_face_recognition_resnet_model_v1.dat"# 3.候选人文件candi

原创 yolo项目总结

学习率调整，我一般遵循先大后小，多次实验初始训练收敛慢，但在收敛，学习率增大初始训练，map跳动，降低学习率训练一段时间后，不再收敛，先减小学习率继续训练，看效果，一般会很慢收敛的，不行再小幅度增大学习率（防止陷入局部最优）bs 一般为32 16 64 ，多试学习率的初始为0.0015 上下iou 阈值：可0.5-0.7适当调整不建议修改网络结构，比如（添加注意力，采用，增加，修改，删除其他block）,时间算力充裕的例外网络裁剪适用与需要模型size小的项目，减通道可大幅减小模型大小，但推

原创 Halcon环境搭建

http://www.ihalcon.com/read-14649.html

原创 pytorch实现yolov4CSPDarknet53主干网络

```pythonimport torchimport torch.nn.functional as Fimport torch.nn as nnimport mathfrom collections import OrderedDict#-------------------------------------------------## MISH激活函数#-------------------------------------------------#class Mish(n.

原创 pytorch实现densnet

class _DenseLayer(nn.Sequential): '''DenseBlock中的内部结构，这里是BN+ReLU+1x1 Conv+BN+ReLU+3x3 Conv结构，最后也加入dropout层以用于训练过程。''' def __init__(self, num_input_features, growth_rate, bn_size, drop_rate): super(_DenseLayer, self).__init__()...

原创 opencv demo(四) 模板匹配

#include "opencv2/opencv.hpp"#include <iostream>using namespace std;using namespace cv;void main(){ Mat frame, resultImg; Mat templateImg = imread("mo.png"); VideoCapture cap("w.mp4"); if (!cap.isOpened()) return; int resultImg_cols, res

原创 opencv demo(三) 通过滑轮来调整阈值

```cpp#include<opencv2/opencv.hpp>#include<iostream>using namespace cv;using namespace std;Mat dst;int value = 20;void onChange(int, void* param) { Mat src = *(Mat*)param; threshold(src, dst, value, 255, THRESH_BINARY);//二值化 .

原创 yolo配置文件说明

[net] ★ [xxx]开始的行表示网络的一层，其后的内容为该层的参数配置，[net]为特殊的层，配置整个网络# Testing ★ #号开头的行为注释行，在解析cfg的文件时会忽略该行# batch=1# subdivisions=1# Trainingbatch=64 ★ 这儿batch与机器学习中的batch有少许差别，仅表示网络积累多少个样本后进行一次BP sub

原创 opencv demo(二) 批量读取图片，视频分解图片与图片合成视频

1.批量读取图片#include<opencv2/opencv.hpp>using namespace cv;void main(){ //批量读取图片（有序） char filename[50]; char winName[50]; Mat srcImg; for (int i = 1; i < 100; i++) { sprintf(filename,"%d.bmp",i); sprintf(w

原创 opencv demo (一) 视频流操作

1.读取视频文件#include<opencv2/opencv.hpp>using namespace cv;void main(){ VideoCapture cap; cap.open("E://2.avi"); //打开视频,以上两句等价于VideoCapture cap("E://2.avi"); //cap.open("http://www.laganiere.name/bike.avi");//也可以直接从网页中获取图片，前提是网页有视频，以及网速够

原创 opencv学习记录

https://www.cnblogs.com/little-monkey/p/8126619.html

原创 linux操作记录

找文件 find / -name ‘interfaces’

原创 linux下训练yolo

1.准备数据集labelimg进行图片标注把图片放入JPEGImages文件夹，xml放入Annotations文件夹2.建立自定义数据文件夹myData3.修改myData.names我的 myData.namespersonfiresmokehat4.进入cfg文件夹 修改cfg 文件，具体内容根据自己数据集来修改调参5.cfg文件夹下建立my_data.data我的my_data_dataclasses= 4train = ./myData/myData_train.tx

原创 window10运行yolov4 GPU版 编译yolo_cpp_dll

安装vs2017 opencv3.4.0 cuda10 cudnn（关于安装自行上网搜索，需要安装文件的可私信）2.配置cuda和opencv环境变量3.下载darknet 打开yolo_cpp_dll.sln,调试-属性 来配置工程(不是cuda10的还需要自己配置darknet.vcxproj，搜索cuda 修改为自己cuda版本)4.配置完成后编译即可生成的yolo_cpp_dll.dll直接用...

原创 pytorch逻辑分类（一）

import torchimport myresnetimport torch.nn as nnimport torch.nn.functional as F#数据集准备x_data = torch.Tensor ([[1.0],[2.0],[3.0],[4.0],[5.0],[7.0],[5.6]])y_data = torch.Tensor([[0],[0],[0],[1],[1],[1],[1]])#定义模型class Logist(nn.Module): def __i

原创 搭建yolov3(一)，定义Darknet53

import torchimport torch.nn as nn#定义卷积层class Conv(nn.Module): def __init__(self,c_in, c_out, k, s, p, bias=True): """ 自定义一个卷积块，一次性完成卷积+归一化+激活，这在类似于像DarkNet53这样的深层网络编码上可以节省很多代码 :param c_in: in_channels :param c

原创 vs2015 winform程序发布

https://www.cnblogs.com/yinsq/p/5254893.html

原创 winform设置双缓冲，解决刷新闪烁问题

//设置双缓冲，解决图片刷新闪烁问题 protected override CreateParams CreateParams { get { CreateParams cp = base.CreateParams; cp.ExStyle |= 0x02000000;//用双缓冲绘制窗口的所有子控件 return cp; .

原创 yolo通道层剪枝记录

工程地址对于场景简单，类别信息少的更适合剪枝多些

原创 yolo剪枝量化记录

正常训练 map 0.78剪枝训练 map 0.76

原创 KNN理解与实现

KNN为有监督的分类算法用来进行预测分类流程：1） 计算已知类别数据集中的每个点与当前测试点之间的距离2） 按距离递增次序排序3） 选取与当前点距离最小的k个点4） 统计前k个点所在的类别出现的频率5） 返回前k个点出现频率最高的类别作为当前点的预测分类优点：1、简单有效2、重新训练代价低3、算法复杂度低4、适合类域交叉样本5、适用大样本自动分类缺点：1、惰性学习2、类别分类不标准化3、输出可解释性不强4、不均衡性5、计算量较大...

原创 目标检测源码记录

https://github.com/ultralytics/yolov3/issues/1350 u版yolo

原创 语义分割源码记录

https://github.com/xiaoyufenfei/Efficient-Segmentation-Networks 实时

原创 Tensort 加速Yolov4推理

unbuntu 16.04 tensort 5.0 cuda9.0下载 nv-tensorrt-repo-ubuntu1604-cuda9.0-trt5.0.2.6-ga-20181009_1-1_amd64.deb添加链接描述工程地址：git clone https://github.com/CaoWGG/TensorRT-YOLOv4.git安装TENSORTsudo dpkg -i nv-tensorrt-repo-ubuntu1604-cuda9.0-trt5.0.2.6-ga-20181

原创 二值化图像处理 形态学操作 OPENCV C+ 6

#include <opencv2/opencv.hpp>#include <iostream>#include <math.h>using namespace cv;int main(int argc, char** argv) { Mat src, dst; src = imread("D:/vcprojects/images/bin2.png"); if (!src.data) { printf("could not load image...\

原创 腐蚀膨胀 OPENCV C+ 5

#include <opencv2/opencv.hpp> #include <iostream> using namespace cv;Mat src, dst;char OUTPUT_WIN[] = "output image";int element_size = 3;int max_size = 100;void CallBack_Demo(int, void*);int main(int argc, char** argv) { src = imrea

原创 C++ opencvdnn 封装 yolo检测

1.环境：opencv3.4.6,vs2015,win102.配置opencv环境，网上都有教程3.下载相应的权重文件4.代码#include <fstream>#include <sstream>#include <opencv2/dnn.hpp>#include <opencv2/imgproc.hpp>#include <opencv2/highgui.hpp>using namespace cv;using name

原创 滤波算子比较 C+ opencv 4

```cpp#include <opencv2\opencv.hpp>#include <iostream>using namespace cv;using namespace std;int main(int arg, char** grav) { Mat src, dst,d1,d2; src = imread("C:/Users/AA/Desktop/myc++/1.jpg"); if (src.empty()) { printf("sssssssss.

原创 Opencv 3.4.6 封装程序移植

下载opencv 新建vs项目配置opencv环境编写opencv测试代码`#include <opencv2/opencv.hpp>#include using namespace std;using namespace cv;int main(int argv, char** argc) {Mat src = imread("51.jpg");if (src.empty()) { printf("图像未读取"); return -1;}namedWindow("i.

原创 opencv3.1.0 vs2015 编译

1.下载opencv2.下载opencv_contrib-3.1.03.新建newbuild(用来存放生成)4.安装CMAKE5打开Cmake点击Configure，弹出的对话框中选择Visual Studio 15 2017 Win64，点击Finish后结果如下图所示：6.找到OPENCV_EXTRA_MODULES_PATH选项，添加opencv_contrib-3.4.2/modules7.再次点击Configure按钮，还会有一些红框出现，再次点击Configure按钮；8.点

原创 绘制几何形状 OPENCV C+ 3

#include <opencv2\opencv.hpp>#include <iostream>using namespace std;using namespace cv;Mat src, dst;void MyLines();void MyRectangle();void MyCircle();void RandomLineDemo();int main(int argc, char** argv) { src = imread("C:/Users/AA

原创 对比度 亮度调整 OPENCV C+ 2

#include <opencv2\opencv.hpp>#include <iostream>using namespace cv;using namespace std;int main(int argc, char** crgv) { Mat src, dst; src = imread("C:/Users/AA/Desktop/myc++/1.jpg"); imshow("input", src); int height = src.rows; int

原创 图像风格转换 OPENCV C+ 1

#include <opencv2/opencv.hpp>#include <iostream>using namespace std;using namespace cv;int main(int argv, char** argc) { Mat src = imread("C:/Users/AA/Desktop/myc++/1.jpg"); if (src.empty()) { printf("图像未读取"); return -1; } namedW

原创 K-means算法原理及实现

import numpy as np""" 任务要求：对平面上的 100 个点进行聚类，要求聚类为两类，其横坐标都为 0 到 99。"""x = np.linspace(0, 99, 100)y = np.linspace(0, 99, 100)k = 2n = len(x)dis = np.zeros([n, k+1])# 1.选择初始聚类中心center1 = np.array([x[0], y[0]])center2 = np.array([x[1], y[1]]).