背景：这个问题也是在CV群里，有位同志问的，我给她解决了，就写个博客记录下！这个图形如下所示，要定位到图中的6个黑点和判断他们的方向，如图的方向为指向左边！分析：1、定位到目标点（图中那6个）怎么定位到图中的6个小黑点捏？我的方法是二值化后寻找图形的外部连通域，很显然利用此方法后可以很容易的索引到图中的索引白色圆，然后怎么确定小黑点位置捏？我是利用这些连通域求出所有轮廓的重心，这里是圆形的也就是他
转载
2024-02-19 14:35:39
29阅读
# Android开发中的耗时检测
在Android开发中，性能优化是一个极其重要的环节，尤其是对于用户体验来说，应用的响应速度直接影响用户的满意度。因此，检测和优化耗时操作是每个开发者需要掌握的技能。本文将通过一系列步骤教你如何在Android开发中实现耗时检测。
## 流程概述
下面是执行“Android开发耗时检测”的流程步骤：
| 步骤 | 描述 |
|------|------|
# 检测pytorch版本的方法
在使用python进行深度学习开发时，经常会使用到pytorch这个强大的深度学习框架。然而，随着pytorch的不断更新，我们可能需要检查当前环境中安装的pytorch版本是否符合我们的需求。在这篇文章中，我们将介绍如何使用anaconda检查当前环境中安装的pytorch版本，并给出相关的代码示例。
## 什么是anaconda？
anaconda是一个
原创
2024-06-26 04:13:14
54阅读
一：准确率（Accuracy）、错误率 （Error rate）准确率 = 正确分类的样本数 / 总样本数错误率 = 错误分类的样本数 / 总样本数 = 1 - 准确率Top-1准确率：预测类别按置信度从高到低排序，取排名第一的类别作为预测结果，计算准确率Top-5准确率：取排名前五的类别作为预测结果（只要包含真实类别，就算分类正确），计算准确率二：混淆矩阵（Confusi
转载
2024-05-04 22:25:39
919阅读
总体流程前言了解 VOC 数据集0、VOC数据集下载1、VOC 数据集的20个类别及其层级结构：2、下载文件的架构3、标签文件Annotations4、评估指标5、建立自己的VOC类型数据集5.1、建立文件夹5.2、将训练图片放到JPEGImages5.3、标注图片，标注文件保存到Annotations5.4、生成ImageSets\Main里的四个txt文件处理 VOC 数据集操作1、合并 V
转载
2024-08-15 13:39:03
22阅读
# 实现“Linux检测MySQL服务是否运行”的流程
## 1. 确认MySQL服务是否在运行
- 使用`systemctl status mysql`命令检查MySQL服务的状态
## 2. 如果MySQL服务未运行，则启动MySQL服务
- 使用`systemctl start mysql`命令启动MySQL服务
## 3. 如果MySQL服务已经在运行，则无需进行其他操作
原创
2024-05-01 07:23:28
11阅读
人脸检测是二分类问题，误检指的是非人脸被认为是人脸，漏检指的是人脸被认为是非人脸，误检和漏检的理论解释有一些，本文尝试从下面这个角度与童鞋们探讨一下误检漏检的原因。如果训练样本比较少（小样本问题），会造成人脸检测的误检还是漏检？答案应该是漏检，请看下面这个图，假设特征在二维空间中进行表征（w1，w2），黑色圆圈代表正样本（人脸），黑色叉叉代表负样本（非人脸）。红色圆圈和绿色圆圈代表不同训练样本集合
CMS介绍: CMS(Concurrent Mark-Sweep)(并发 标记-清除)是以牺牲吞吐量为代价来获得最短回收停顿时间的垃圾回收器。对于要求服务器响应速度的应用上，这种垃圾回收器非常适合。在启动JVM参数加上-XX:+UseConcMarkSweepGC ，这个参数表示对于老年代的回收采用CMS。CMS采用的基础算法是：标记—清除。2.CMS过程 初始标记(STW initial m
目标检测（后处理）：从 NMS 到 Soft-NMS 到 Softer NMS1、NMS2、Soft-NMS3、Softer-NMS4、总结 1、NMS非最大抑制（NMS）主要用于基于深度学习的目标检测模型输出的后处理，从而去除冗余的检测框，获得正确的检测结果。示意图如下：算法流程：将网络输出框集合 按照置信度分数 从高到低的顺序排序，定义 为最终检测框集合， 为 当 为置信度分数最高的
转载
2024-09-05 16:39:58
449阅读
计算机视觉研究院专栏作者：Edison_G 杭州市疫情以来，各路研究爱好者开始新的研究，目前已经被研究出很多高效高精度的框架，在深度学习领域，模型效率也是越来越重的一个研究课题。不仅仅停留在训练的提速，现在推理应用的速度更加关键。因此，现在很多研究趋势朝着更高效更小型化发展！1.摘要模型效率在计算机视觉领域中越来越重要。作者研究了神经网络结构在目标检测中的设计选择，并提出了提高检测效率
目录Soft-NMSDIoU-NMS YOLOv4中采用了DIoU-NMS 非极值抑制方法，本文就YOLOv4中涉及的Soft-NMS和DIoU-NMS方法做解读学习。 Soft-NMS论文：https://arxiv.org/abs/1704.04503 代码：https://github.com/bharatsingh430/soft-nms Pytorch版本：https://githu
转载
2024-07-26 19:17:49
143阅读
首先，回顾一下前一篇文章主要内容。PS基础篇之十大抠图工具（上），主要讲解了矩形选框工具、椭圆选框工具（按shift，可画正圆选区）、多边形套索工具、磁性套索工具、魔棒工具的抠图要点及选区抠图的基础知识，这里我们不在展开，若有不懂，可自行查看前文，也可留言给我，我会一一解答。接下来，话不多说，我们就进入今天的正题，继续给大家讲解另外五种在PS软件中常用到的选区抠图工具。一.十大抠图工具之快速选择工
1. 基本概念 异常就是"不正常"的含义，在Java语言中主要指程序执行中发生的不正常情况。 java.lang.Throwable类是Java语言中错误(Error)和异常(Exception)的超类。 其中Error类主要用于描述Java虚拟机无法解决的严重错误，通常无法编码解决，如:JVM挂掉了 等。 其中Exception类主要用于描述因编程错误或偶然外在因素导致的轻微错
转载
2023-06-20 18:39:49
54阅读
# Android openCV科普
在Android开发中，图像处理是一个非常重要的领域，而OpenCV是一个强大的开源计算机视觉库，它提供了丰富的工具和算法来进行图像处理和分析。在Android平台上，使用OpenCV可以实现各种功能，比如人脸识别、图像滤波、特征提取等。本文将介绍如何在Android应用中集成OpenCV，并给出一个简单的示例代码。
## OpenCV在Android中的
原创
2024-03-28 03:27:09
33阅读
一些比较常见的linux命令，主要用于检测服务器的配置和硬件信息，包括：操作系统、CPU、内存、硬盘分区、系统时间、负载、网络相关、进程、用户、开关机、启动等方面，适用于主流操作系统，常见的centos、ubuntu、debian等。操作系统版本 $ uname -a # 查看系统，主机名，内核版本，系统架构等命令
$ top # 总览系统全面信息命令，Ctrl + C 退出界面
$ hostna
# 检查 Nginx 和 Redis 是否启动的 Shell 脚本
Shell 脚本是一种运行在 Unix/Linux 系统上的脚本语言，它可以用来自动化执行各种任务。在运维管理中，我们经常需要检查服务器上的各种服务是否启动，以确保系统的正常运行。本文将介绍如何使用 Shell 脚本检查 Nginx 和 Redis 服务是否启动，并提供相关的代码示例。
## 1. 检查 Nginx 服务是否启
原创
2024-01-31 06:43:55
162阅读
一，原理公式主要的事说三遍，精确率和准确率不是一个东西！精确率和准确率不是一个东西！精确率和准确率不是一个东西！我们平时在衡量一个模型的性能的时候，通常用的是精确率和召回率。 TP是正样本预测出正样本数量。 FP是负样本预测出正样本数量。 FN是正样本预测出负样本数量。二，对于多目标检测任务，怎样自己码代码求precision和recall？ （前提必须有标注信息。） 1，思路解析：对于多目标检测
转载
2024-09-09 16:05:19
34阅读
在本篇博客中，我们将探讨如何用 OpenCV 提取轮廓并在 Java 中实现这个功能。不论是图像处理爱好者还是开发者，掌握轮廓提取的技巧都将为您的项目增添不少视觉和实用性。我们将从版本对比开始，逐步深入到实际使用案例和排错技巧，最后进行性能优化。让我们开始吧！
## 版本对比
在探讨不同版本的 OpenCV 时，我们可以观察到如下几个特性差异：
| 特性 | OpenCV
在机器视觉实际应用中，不良品检测是经常遇到的任务之一。从客户关心的实际应用角度，我们定义了误剔率、漏剔率去描述视觉系统的检测能力，同时准确率作为量测整个系统的检测能力，推导出准确率和误剔率、漏剔率的关系。 在机器视觉实际应用中，缺陷品或称不良品检测是经常遇到的任务之一。随着深度学习技术的大量应用，一些传统机器视觉难以检测的缺陷也能够被很好的检测处
转载
2024-04-12 14:18:46
361阅读
在机器学习、数据挖掘领域，工业界往往会根据实际的业务场景拟定相应的业务指标。本文旨在一起学习比较经典的三大类评价指标，其中第一、二类主要用于分类场景、第三类主要用于回归预测场景，基本思路是从概念公式，到优缺点，再到具体应用（分类问题，本文以二分类为例）。1.准确率P、召回率R、F1 值定义 准确率（Precision）：P=TP/(TP+FP)。通俗地讲，就是预测正确的正例数据占预测为正例数据的比
转载
2024-09-23 06:49:10
0阅读
