pytorch模型转换为rknn模型，使用npu推理
然后在rknn文件夹下，找到onnx2rknn.py、dataset.txt和coco2017数据集，将它们复制到新的文件夹中，作为rknn模型转换目录。🎼量化精度分析：该功能将给出模型量化前后每一层推理结果与浮点模型推理结果的余弦距离，以便于分析量化误差是如何出现的，为提高量化模型的精度提供思路
OpenCV实战（1）——OpenCV与图像处理
OpenCV 是一个跨平台计算机视觉和机器学习库，实现了图像处理和计算机视觉方面的很多通用算法。本节将介绍 OpenCV 的基础知识，以及如何编译运行 OpenCV 程序，并介绍如何完成最基本的图像处理任务——读取、显示和保存图像。除此之外，鼠标事件和图形绘制也是 OpenCV 计算机视觉项目中常用
最新｜全新风格原创YOLOv7、YOLOv5和YOLOX网络结构解析图
分享一下绘制的全新风格 YOLOv5网络结构图、YOLOv7网络结构图和YOLOX网络结构图
TPH-YOLOv5 | 基于Transformer的YOLOv5小目标检测器 | 四头加注意力
在无人机捕获的场景中进行对象检测是最近的一项热门任务。由于无人机总是在不同的高度航行，物体尺度变化剧烈，给网络优化带来了负担。
卡尔曼滤波实例——预测橘子的轨迹
step3:将质心送入卡尔曼滤波器，获取到预测的下一次橘子的质心位置。step1:获取橘子的检测框。视频中截图的一张带有橘子的图。step2:求取橘子的质心。检测橘子轮廓最小外边框代码。
使用pandas-profiling对时间序列进行EDA
在这篇文章中，我将利用 pandas-profiling 的时间序列特性，介绍EDA中的一些关键步骤。
你安全吗网剧技术探讨-个人向
花了两三天时间刷完了网剧 你安全吗，说实话还是挺好看的，剧情跌宕起伏，还没有那么多情情爱爱，并且传播给观众各种网络安全意识。剧中出现了大量技术相关，所以想写一篇文章来对一些我知道的技术进行探讨，当然这些都是我的个人观点，不喜勿喷。不对的地方也请大神们指正。说实话，虽然也有一些bug，但是总的来说是一
深度学习visio作图技巧
不显示跨线：设计→连接线，取消显示 跨线的勾选。
图卷积神经网络GCN及其Pytorch实现
ICLR作为机器学习方向的顶会，最近看了ICLR2023 Openreview的论文投稿分析，通过2022和2023年论文关键词、标题高频词等信息的可视化比较。根据前十的关键词频率排名频率来看，基本上和去年保持一致，大火的领域依旧大火。但是可以明显看到前五名关键词的频率差距逐渐减少。有意思的是这一关
OpenCV 编译安装与环境配置
OpenCV 是一个开源库，可以用于开发在 Windows、Linux、Android 和 macOS 等平台上运行的计算机视觉应用程序。自 1999 年推出以来，它已成为计算机视觉领域广泛采用的主要开发工具。在开始使用 OpenCV 之前，首先需要安装该库。
[机器学习、Spark]Spark MLlib分类
线性支持向量机在机器学习领域中是一种常见的判别方法，是一一个有监督学习模型,通常用来进行模式识别，分类以及回归分析。通过找到支持向量从而获得分类平面的方法，称为支持向量机。可以非常成功地处理回归（时间序列分析）和模式识别（分类问题、判别分析）等诸多问题，并可推广到预测和综合评价等领域，因此可应用于理
最新CUDA/cuDNN与Pytorch保姆级图文安装教程(速查字典版)
最新CUDA/cuDNN与Pytorch保姆级图文安装教程：CUDA下载、安装、多版本切换、卸载；解析CUDA、cuDNN、NVIDIA驱动、Pytorch间的版本对应关系
精益求精——斐波那契数列的logn解法
利用数学归纳法证明斐波那契数列的恒等式，并且使用时间复杂度为对数阶的算法求解斐波那契数列
使用KNN进行分类和回归
一般情况下k-Nearest Neighbor (KNN)都是用来解决分类的问题，其实KNN是一种可以应用于数据分类和预测的简单算法，本文中我们将它与简单的线性回归进行比较。
浅淡数据结构时间复杂度和空间复杂度
浅淡数据结构时间复杂度和空间复杂度
GRAF论文解读
为了解决这个问题，最近的几种方法将基于中间体素的表示与可微渲染相结合。然而，现有方法要么产生低图像分辨率，要么无法解开相机和场景属性，例如，对象身份可能随视点而变化。在本文中，我们提出了一种辐射场的生成模型，该模型最近被证明在单个场景的新颖视图合成方面是成功的。
【自然语言处理（NLP）】基于FNN网络的电影评论情感分析
【自然语言处理（NLP）】基于FNN网络的电影评论情感分析，基于百度飞桨开发，参考于《自然语言处理实践》所作。
opencv训练自己的模型，实现特定物体的识别
opencv安装包中有训练好的分类器文件，可以实现人脸的识别。当然，我们也可以训练自己的分类器文件，实现对特定物体的识别。本文章就详细介绍下如何训练自己的分类器文件。
[机器学习、Spark]Spark MLlib实现数据基本统计
MLlib提供了很多统计方法，包含摘要统计、相关统计、分层抽样、假设检验、随机数生成等统计方法，利用这些统计方法可帮助用户更好地对结果数据进行处理和分析MLlib三个核心功能：1.实用程序：统计方法，如描述性统计、卡方检验、线性代数、模型评估方法等2.数据准备：特征提取、变换、分类特征的散列和一些自
机器学习之神经网络的公式推导与python代码（手写+pytorch）实现
因为要课上讲这东西，因此总结总结，发个博客模型图假设我们有这么一个神经网络，由输入层、一层隐藏层、输出层构成。（这里为了方便，不考虑偏置bias）输入特征为xn输入层与隐藏层连接的权重为vij隐藏层的输出（经过激活函数）为ym隐藏层与输出层连接的权重为wjk输出层的预测值（经过激活函数）为ol隐藏层
