cpu和gpu已过时，npu和apu的时代开始
🌎CPU是中央处理器。其实就是机器的“大脑”，也是布局谋略、发号施令、控制行动的“总司令官”。CPU的结构主要包括运算器（ALU，ArithmeticandLogicUnit）、控制单元（CU,ControlUnit）、寄存器（Register）、高速缓存器（Cache）和它们之间通讯的数据、控制
【深度学习】（五）目标检测——下篇
上一章介绍了目标检测上篇，主要为两阶段检测的R-CNN系列。这一章来学习一下目标检测下篇。R-CNN系列算法面临的一个问题，不是端到端的模型，几个构件拼凑在一起组成整个检测系统，操作起来比较复杂。而今天介绍的YOLO算法，操作简便且速度快，效果也不错。YOLO算法是一种典型的one-stage方法，
YOLOv5的head详解
yolov5的head详解，主要是detect部分
openCV 第四篇 角点检测、图像特征、图片拼接
openCV第四篇
CycleMLP:一种用于密集预测的mlp架构
CycleMLP有两个优点。(1)可以处理各种大小的图像。(2)利用局部窗口实现了计算复杂度与图像大小的线性关系。
yoloV5-face学习笔记
yolov5-face是在yolov5的基础上添加了人眼关键点检测。首先放上大佬的开源代码：https://github.com/deepcam-cn/yolov5-face一 代码复现原作者代码的注释非常少，很难直接跑通。1.下载WIDERFace数据集图片上图为https://github.co
2022年第二届长三角高校数学建模竞赛B题经验、论文、代码展示
2022年第二届长三角高校数学建模竞赛B题经验、论文、代码展示1、题目要求其中数据附件一数据（截图部分）：附件二数据（部分截图）：在这里插入代码片问题一到问题四的思路：针对问题一，对附件 1 中的 5 个表单的四个传感器数据进行分析，提取相关特征。研究发现 VMD 方法在可以避免模态混叠问题。VMD
机器学习实战4：基于马尔科夫随机场的图像分割(附Python代码)
图像分割将原始冗余而繁杂的图像，转化为一种更具意义且简单紧凑的组织形式，具有重要应用价值。本文介绍如何应用机器学习方法——马尔科夫随机场实现图像分割，加深对概率图模型应用的理解
openCV实践项目：拖拽虚拟方块
openCV实践项目：拖拽虚拟方块
计算两幅图像的相似度（PSNR、SSIM、MSE、余弦相似度、MD5、直方图、互信息、Hash）& 代码实现 与举例
计算两幅图像的相似度（PSNR、SSIM、MSE、余弦相似度、MD5、直方图、互信息、Hash）& 代码实现 与举例。计算两幅图MSE 计算模型的预测 Ŷ 与真实标签 Y 的接近程度。公式表示为：对于两个m×n的单通道图像I和K，它们的均方误差可定义为：优点：MSE的函数曲线光滑、连续，处处可导，便
Mediapipe+OpenCV与Unity引擎实现动作捕捉
因为之前的写的人物动作捕捉是先通过Python和Mediapipe先将人物动作进行捕捉，将捕捉到的数据format后写入到txt中，在Unity端对txt进行数据读取，进而实现Unity人物运动；**其中的缺点是：没有时效性****而本次的改进：通过利用socket和UPD通信，在localhost
Yolov5更换上采样方式( 最近邻 / 双线性 / 双立方 / 三线性 / 转置卷积)
将原本的的上采样方式替换为转置卷积；有人通过实验证明了确实涨点，但是我在VOC数据集上测试并没有涨点，大概掉了不到1点。
YOLO V7源码解析
YOLO v7参数与YOLO v5差不多，我就直接将YOLO v5命令行参数搬过来了，偷个懒。
yolov5源码解析(9)--输出
本文章基于yolov5-6.2版本。主要讲解的是yolov5是怎么在最终的特征图上得出物体边框、置信度、物体分类的。
OpenCV之 BGR、GRAY、HSV色彩空间&色彩通道专题 【Open_CV系列（三）】
OpenCV之色彩空间与通道 文章目录 1.色彩空间 1.1 BGR色彩空间 1.2 GRAY色彩空间 1.3 HSV色彩空间 1.4 空间转换 1.4.1 BGR 转 GRAY 1.4.2 BGR 转 HSV 2. 色彩通道 2.1 色彩通道的拆分 2.1.1 cv2.split() 拆分BGR通
利用opencv带你玩转人脸识别-下篇（人脸录入，数据训练，人脸识别小案例快速入门）
🐚作者简介：苏凉（专注于网络爬虫，数据分析）🐳博客主页：苏凉.py的博客🌐系列专栏：python-opencv快速入门👑名言警句：海阔凭鱼跃，天高任鸟飞。📰要是觉得博主文章写的不错的话，还望大家三连支持一下呀！！！👉关注✨点赞👍收藏📂文章目录前言人脸信息录入保存（动图演示）数据训练1
matlab图像处理
matlab图像处理，边缘检测、线检测、旋转、缩放、二值化、灰度、扩展、读取，规定化直方图，归一化直方图，累积直方图，均衡化
FPN网络详解
特征金字塔(Feature Pyramid Networks， FPN)的基本思想是通过构造一系列不同尺度的图像或特征图进行模型训练和测试，目的是提升检测算法对于不同尺寸检测目标的鲁棒性。但如果直接根据原始的定义进行FPN计算，会带来大额的计算开销。为了降低计算量，FPN采用一种多尺度特征融合的方法
简单三步 用Yolov5快速训练自己的数据集
Yolov5训练自己的数据集教程
图像分类方法总结
1. 图像分类问题描述图像分类问题是计算机视觉领域的基础问题，它的目的是根据图像的语义信息将不同类别图像区分开来，实现最小的分类误差。具体任务要求是从给定的分类集合中给图像分配一个标签的任务。总体来说，对于单标签的图像分类问题，它可以分为跨物种语义级别的图像分类，子类细粒度图像分类，以及实例级图像分
