✔说明⇢本人讲解主要包括Python、机器学习（ML）、深度学习（DL）、自然语言处理（NLP）等内容。文章目录表示图像将图像转换为结构化数组和标量为什么要利用神经网络进行图像分析？为图像分类准备我们的数据训练神经网络缩放数据集以提高模型准确性了解改变批量大小的影响批量大小 32批量大小为 10,000了解改变损失优化器的影响了解改变学习率的影响学习率对缩放数据集的影响高学习率中等学习率学习率低不
转载
2024-06-17 06:51:13
181阅读
关于模型OpenVINO自带的表情识别模型是Caffe版本的，这里使用的模型是前面一篇文章中训练生成的pytorch全卷积网络，模型基于残差网络结构全卷积分类网络。输入格式：NCHW=1x3x64x64输出格式：NCHW=1x8x1x1支持八种表情识别，列表如下：["neutral","anger","disdain","disgust","fear","happy","sadness","sur
转载
2024-04-04 09:19:25
143阅读
WindowsDNN模块需要opencv版本是3.3以上。配置VS环境加入opencv路径。代码逻辑：预设文件加载路径；加载图片；读取标签文件类别名称，存储到vector变量中。API调用caffe模型；输入图片数据需要格式转换；前向推理模型，得到结果；对结果数据进行reshape，找到结果中比例最大值位置信息；打印对应位置类别名称；main.cpp#include <opencv2/ope
转载
2024-07-01 16:31:49
179阅读
yolov3 + win10 + vs2019配置GPU版本准备阶段1.cuda安装+cudnn配置 2.opencv3下载3 3.yolov3下载 4.vs2019安装cuda+cudnn这里面有关于cuda的配置opencv3https://opencv.org/releases/下载并安装yolov3https://github.com/AlexeyAB/darknet到对应网站下载程序，当
转载
2024-05-14 08:32:55
118阅读
1.1. DNN模块简介OpenCV中的深度学习模块（DNN）只提供了推理功能，不涉及模型的训练，支持多种深度学习框架，比如TensorFlow，Caffe,Torch和Darknet。OpenCV为什么要实现深度学习模块？轻量型。DNN模块只实现了推理功能，代码量及编译运行开销远小于其他深度学习模型框架。使用方便。DNN模块提供了内建的CPU和GPU加速，无需依赖第三方库，若项目中之前使用了Op
转载
2024-05-04 19:10:50
79阅读
前言上一篇《OpenCV--自学笔记》搭建好了yolov5的环境，作为目标检测在应用中，最重要的还是训练自己的数字集并推理，所以这一篇就专门来介绍使用yolov5训练自己的数据集，并且用OpenCV的DNN进行推理。实现效果实现yolov5训练自己数据并识别的核心是什么？A实现yolov5训练自己数据集，最核心的是怎么标注文件，像上图中我们就是做的数字华容道的识别，每个数字分类标注时，用到的第三方
转载
2024-05-11 14:39:52
220阅读
目录1.代码2.原理 2.1“边缘”2.2高斯滤波 2.3 计算梯度2.4 非极大值抑制 2.5 滞后阈值化1.代码 这是一个很老很常用的方法。博主写了一下，与OpenCV460做对比。在之前的版本(Opencv3.x)个人感觉其实现效果不理想，于是自己写了一遍，效果比OpenCV好。今天与OpenCV460比发现
转载
2024-06-29 18:35:01
107阅读
yolov5 opencv dnn部署自己的模型github开源代码地址使用github源码结合自己导出的onnx模型推理自己的视频推理条件c++部署c++ 推理结果 使用github源码结合自己导出的onnx模型推理自己的视频推理条件windows 10 Visual Studio 2019 Nvidia GeForce GTX 1070 opencv 4.5.5、opencv4.7.0 (注意
转载
2024-09-01 20:38:27
56阅读
1，安装预操作1，有木有显卡##查看有没有显卡
lspci | grep -i nvidia返回：看不大懂，大意是有的01:00.0 VGA compatible controller: NVIDIA Corporation Device 1c82 (rev a1)
01:00.1 Audio device: NVIDIA Corporation Device 0fb9 (rev a1)2，查看是
# 如何实现“OPENCV DNN ANDROID”
## 一、整体流程
```mermaid
flowchart TD
A[下载OpenCV Android SDK] --> B[在Android Studio中创建新项目]
B --> C[导入OpenCV库]
C --> D[编写代码实现DNN功能]
D --> E[测试代码]
```
## 二、具体步骤
原创
2024-04-24 03:53:30
82阅读
软件环境最近需要使用到opencv，而目前使用的IDE是CLion，个人感觉体验挺好的，因此产生了在CLion上使用opencv库的需求。参考了网上几篇文章后，完成了相关配置，这里做个简单记录。首先给出自己的相关软件环境：windows10 64位CMake 3.17.1MinGW-w64-x86_64-8.1.0-release-posix-seh-rt_v6-rev0opencv 4.2.0C
PaddleOCR 尝试下OpenCV-DNN推理 文章目录说明：环境：过程：不足：引用： 说明：本文基于PaddleOCR源码改写，修改部分前处理和模型推理相关代码。需要opencv即可推理。目前测试paddleocr v2版本可行。完整代码：https://github.com/VITA-Alchemy/PaddleOCR-OpenCV-DNN环境：onnx 1.11.0 onnxruntim
1.什么是DNN？
DNN全称deep neural network，深度神经网络。是深度学习的基础。
2.opencv中关于DNN的常用api。
（1）加载网络模型的api
Net
cv::dnn::readNet (const String &model, const String &config="", const St
转载
2024-04-08 00:00:18
468阅读
文章目录0 前言1 课题背景2 相关技术2.1 Dlib人脸识别库2.2 疲劳检测算法2.3 YOLOV5算法3 效果展示3.1 眨眼3.2 打哈欠3.3 使用手机检测3.4 抽烟检测3.5 喝水检测4 最后 1 课题背景为了有效监测驾驶员是否疲劳驾驶、避免交通事故的发⽣,本项目利⽤⼈脸特征点进⾏实时疲劳驾驶检测的新⽅法。对驾驶员驾驶时的⾯部图像进⾏实时监控,⾸先检测⼈脸,并利⽤ERT
简介 引入OpenCV4Android的目标是在Raknet框架下解决视频通讯的问题，目前在ubuntu下已成功实现，现在把它引用到Android平台下。 OpenCV是一个基于开源发行的跨平台计算机视觉库，可以在 Windows, Android, Maemo,FreeBSD, OpenBSD, iOS,Linux 和Mac OS等平台上运行。它轻量级而且高效——由一系列 C 函数和少量 C++
网络上有很多ubuntu上caffe配置环境的帖子，本人照着其中的许多进行了参考，都出现了或多或少的错误，很多地方也有差异。于是自己整理了下自己的安装过程，成功进行了测试，跑通了faster-rcnn。配置环境时间为2017.1.4 系统ubuntu16.04一：显卡驱动的安装： 由于要使用GPU，所以先要查看自己显卡所匹配的显卡驱动，网址：http://www.nvidia.com/Dow
转载
2024-08-19 19:42:16
37阅读
目录一、安装前准备二、显卡驱动安装三、cuda安装四、cudnn安装五、opencv-4.5.1源码编译参考 一、安装前准备显卡驱动下载：https://www.nvidia.cn/Download/index.aspx?lang=cn
创建文件：sudo vim /etc/modprobe.d/blacklist-nouveau.conf在文件中添加以下内容，将nouveau加入黑名单：bla
转载
2024-04-29 13:53:30
132阅读
OpenCV DNN模块介绍OpenCV自从发布了DNN模块之后，就开始以开挂的方式支持各种深度学习预训练模型的调用，DNN模块的全称为深度神经网络，但是并不是所有深度学习模型导出到OpenCV DNN模块中都可以使用，只有那些OpenCV声明支持的层与网络模型才会被DNN模块接受,当期OpenCV支持的模型与层类型可以在下面链接中找到相关文档https://github.com/opencv/o
转载
2024-05-22 21:17:19
239阅读
目录1，blobFormImage2，NMSBoxes：3，setInput4，forward5，readNet6，getUnconnectedOutLayersNames7，加速处理 OpenCV中的深度学习模块（DNN）只提供了推理功能，不涉及模型的训练，支持多种深
转载
2024-05-29 12:48:00
64阅读
在用字符识别上进行测试 训练集3000张图片 测试集2000张图片 这3000和2000的图像没有重复的Knn: 目标：将待测物分类成多个类别 输入：待测物（已知类别集合D，其中包含j个已知类别） 输出：项目可能的类别。优点： 算法简单，易于实现，不需要参数统计，不需要事先训练缺点： KNN计算量特别大，而且训练样本必须存储在本地，内存开销也特别大 K的取值（一般不大于20） opencv提供了一
转载
2024-04-03 15:09:44
176阅读
