作者很累,啥都没留下
标签 ···
  • 目标检测之YOLO
    安装依赖,我也是废了很久的时间,还真是扯淡啊,总是有各种各样的问题,最后终于还是解决了。参考文章:【1】.解决无法将“yolo”项识别为 cmdlet、函数、脚本文件或可运行程序的名称。【2】.Windows 11系统更新CUDA并安装PyTorch环境【3】.Start Locally 这里指导了如何进行安装GPU【4】.超详细的YOLOv8安装与测试指南:让计算机视觉任务变得简单 pip安装,......
    标签: 无 分类: 机器学习 创建时间:2024-10-18 03:36:14
  • 目标检测之实例和论文
    关于目标检测,我已经写了很多的文章了,但是还有很多的东西没有搞明白。参考文章:【1】.YOLOv8目标检测,火灾烟雾数据集整理 1.D-Fire: an image dataset for fire and smoke detection。2.Fire and Smoke Tracking and Detection using YOLOv8。3.fire_detection数据集【2】.基于视频......
    标签: 无 分类: 机器学习 创建时间:2024-10-16 06:34:24
  • 目标检测之LabelStudio 120
    首先需要注册一个账号,注册完成之后,就可以进入创建项目了。打开部署页面,然后找到,创建项目 -> 导入数据 -> 标签设置,设置完成之后保存,然后进行图片标注。这里选择矩形框的标注,然后可以增加相应的类别。图片标注就是画框,然后选择分类,最后就提交。标注的时候,先选择下面的类别,然后在图上画一个框,修改框的时候,也是选中类别,然后调整框的大小。保存完成之后,可以导出不同格式的数据。参考文章:【1】......
    标签: 无 分类: 机器学习 创建时间:2024-10-14 07:38:10
  • 目标检测之项目总结
    经过多篇文章的梳理,基本上对一个目标检测的项目有了基本的了解,从数据收集、数据处理、数据标注、模型训练、模型预测都基本上有一个思路了,最后一步其实应该是模型应用,这部分我还是有些云里雾里的,就是如何把训练好的模型,应用在系统中。因为大部分的项目可能都是用 java 编写的,如何在已有项目中进行集成,又是一个问题,是使用 api 接口的形式,还是使用其他的项目形式,这个还真是一个点。参考文章:【1】......
    标签: 无 分类: 机器学习 创建时间:2024-10-09 08:48:48
  • 目标检测之检测优化
    当我用 yolo v8 实现了环境搭建、数据标注,数据训练和目标检测之后,还有就是需要进行检测的优化,目前可以通过算法层面优化,但是对于应用来说,好像根本做不到,要是能改进算法了,这不就是一个新的算法了吗?参考文章:【1】.YOLOv8 原理和实现全解析【2】.可以提高你的图像识别模型准确率的7个技巧 1.得到更多的数据。2.添加更多的层。3.更改图像大小。4.增加训练轮次。5.减少颜色通道。6.......
    标签: 无 分类: 机器学习 创建时间:2024-09-30 09:45:51
  • 目标检测之数据训练 120
    对搜集到的数据进行标注之后,就可以进行数据训练了。如果使用 label studio 进行的标注,可能还需要对数据集进行划分,划分为 train(训练集)、test(测试集)和 val(验证集)。在data目录下划分数据集,通常将数据集划分为训练集(70%)、验证集(20%)和测试集(10%)。最后形成了如下文件夹参考文章:【1】.YOLOV8训练自定义数据集 1.将标注数据按照类别划分到不同的......
    标签: 无 分类: 机器学习 创建时间:2024-09-06 03:51:23
  • 目标检测之数据标注
    做数据预测,首先要做的就是数据标注。 参考文章:【1】.【YOLO】YOLOv8训练自定义数据集(4种方式) images 下包含 train、val 文件夹,这两个文件夹下包含此次需要的 图片信息,labels 下包含 train、val 文件夹,这两个文件夹下包含此次需要的 对应图片的标注信息,test_images 下包含的是提供测试的数据集。模型训练(四种方式)1.参数重写;2.重写配置......
    标签: 无 分类: 机器学习 创建时间:2024-09-04 04:05:35
  • 目标检测之数据预测
    前几篇文章使用了 ssd 进行了静态视频的输出,然后卡在了检测结果的输出上面了。使用 yolov8 的基本流程也类似参考文章:【1】.基于DL Streamer与YOLOv8模型实现多路视频流实时分析 这里首次提到了一个叫 DL Streamer 的东西,DL Streamer是一个高性能的深度学习视频流处理框架,它支持多种视频源输入,包括摄像头、视频文件和网络流等。DL Streamer提供了丰......
    标签: 无 分类: 机器学习 创建时间:2024-09-02 06:22:35
  • 目标检测之Tensorflow视频检测
    目标检测环境搭建完成之后,可以进行视频目标检测了。TensorFlow Object Detection API —— 开箱即用的目标检测API 这里提供了部分的视频检测的代码,通过读取一段视频,然后输出这里面的识别的东西。参考文章:【1】.视频流卡顿–代码问题【2】.OpenCV笔记:cv2.VideoCapture 完成视频的跳帧输出操作 这里进行了跳帧操作......
    标签: 无 分类: 机器学习 创建时间:2024-08-31 04:07:27
  • 目标检测之Tensorflow图像检测
    搭建了基本的目标检测环境之后,就可以进行目标检测了,首先就是图片检测,TensorFlow Object Detection API —— 开箱即用的目标检测API 提供了相应的代码,可以直接运行。......
    标签: 无 分类: 机器学习 创建时间:2024-08-31 04:04:21
小额赞助
本人提供免费与付费咨询服务,感谢您的支持!赞助请发邮件通知,方便公布您的善意!
**光 3.01 元
Sun 3.00 元
bibichuan 3.00 元
微信公众号
广告位
诚心邀请广大金主爸爸洽谈合作
每日一省
isNaN 和 Number.isNaN 函数的区别?

1.函数 isNaN 接收参数后,会尝试将这个参数转换为数值,任何不能被转换为数值的的值都会返回 true,因此非数字值传入也会返回 true ,会影响 NaN 的判断。

2.函数 Number.isNaN 会首先判断传入参数是否为数字,如果是数字再继续判断是否为 NaN ,不会进行数据类型的转换,这种方法对于 NaN 的判断更为准确。

每日二省
为什么0.1+0.2 ! == 0.3,如何让其相等?

一个直接的解决方法就是设置一个误差范围,通常称为“机器精度”。对JavaScript来说,这个值通常为2-52,在ES6中,提供了Number.EPSILON属性,而它的值就是2-52,只要判断0.1+0.2-0.3是否小于Number.EPSILON,如果小于,就可以判断为0.1+0.2 ===0.3。

每日三省
== 操作符的强制类型转换规则?

1.首先会判断两者类型是否**相同,**相同的话就比较两者的大小。

2.类型不相同的话,就会进行类型转换。

3.会先判断是否在对比 null 和 undefined,是的话就会返回 true。

4.判断两者类型是否为 string 和 number,是的话就会将字符串转换为 number。

5.判断其中一方是否为 boolean,是的话就会把 boolean 转为 number 再进行判断。

6.判断其中一方是否为 object 且另一方为 string、number 或者 symbol,是的话就会把 object 转为原始类型再进行判断。

每日英语
Happiness is time precipitation, smile is the lonely sad.
幸福是年华的沉淀,微笑是寂寞的悲伤。