ai 解析跳绳用 media、 pep、 postulate、 pose 等模型实时提取三十三个人体骨骼关键点,肩、肘、腕、髋等视觉方法和核心算法逻辑,通过骨骼追踪加轨迹分析加合规比对, 把跳绳从数个数变成科学练动作、防伤提效率的智能运动应用场景,轻松实现精准技术实时纠错数据,报告训练计划。
粉丝2163获赞1.7万

今天我们来学习一下 rolo 八的训练和钓友训练,不需要安装任何软件和环境,打开 rolo 综合工具,上一节课我们已经标注完毕了该项目的所有图片。 点击训练栏,工具提供了 v 三、 v 四以及 v 八的训练功能。 v 八训练需要选择,我们训练的环境包现在是空白的,打开 v 八环境目录,将环境包直接解压进去即可。 这里提供了三个环境包,每个环境包大概有三 g, 因为体积大,故未将环境包与软件打包在一起。 切换一下选项,刷新显示, 直接点击开始训练。训练报错了,原因是力巴训练路径需要全英文, 点击项目更名,更改项目名称为英文名字, 重新点击开始训练。 训练框停在此处无法继续,那么我们更换一个环境宝, 训练成功了,接下来我们耐心等待即可。 训练了五十次,耗时两分钟, 下面我们测试一下 b 八模型的效果, 可以看到能够准确识别出目标。 我们测试一下直接识别视频,将视频画面抓图进工具中,可以看到方式一为黑屏抓取失败使用方式二可以抓取进工具中, 点击开始识别。 我们再试一下直接在视频画面上识别 v 八模型,只训练了两分钟即可准确识别目标。 来来来来, 下面演示如何使用代码来调用模型进行识别。首先将模型提取出来,方便代码调用。 点击提取模型, 将 name 模型和 p t 模型复制出来备用, 两个模型均可变死是最好的模型, last 是最后的模型。 代码识别需要调用模块准备好, roof 八模块 准备好,我们要测试识别的图片。 打开异语言,开始写代码来调用模型识别。 首先加载模块, 模块我已经写好了,集合了类似 cpu, gpu 分类识别以及力巴的识别 创建程序及变量。 role of 八类, ulon 八初始化, 填入我们所需要的环境包路径, 其余两个参数可以 不甜。 加载模型, 填入模型文件的路径 识别,模型加载后会返回一个编号,我们可以同时加载多个模型, 任何时候你想用哪个模型识别,就填那个模型对应的缩影编号就行了。 读入我们要 识别的图片, 识别到的结果将会返回到这个参数之中。 开始运行代码, 点击按钮可以看到调试输出已经识别到了结果。 我们把模型路径改成中文,看有没有影响。 没有影响, 下面演示一下如何继续训练, 直接点击继续训练即可, 这样我们就可以随时关闭训练和继续训练了, 这些都是训练生成的文件,边训练边验证识别效果。

大家好,今天要讲的内容是快速上手优乐 v 八,进行目标检测。 在本节课中,我们将在 windows 环境部署优乐 v 八,使用优乐 v 八提供的拍摄接口进行目标检测。另外,我也会进一步讲解如何阅读优乐 v 八的原码文件。 ulo 是一个端到端的实时目标检测算法,从他的名字就可以看出, ulo 算法只需要一次前向传播计算,就可以实现图像的多目标检测 做任务。 优乐算法兼顾了识别的准确率和检测速度,因此非常适合在实时检测的应用场景下使用, 例如视频监控、自动驾驶、无人机等领域都可以使用优乐来完成相关的任务。 yolo 算法于二零一六年首次推出,目前已经升级到 v 八版本。简单来说, yolo v 一到 v 三是 yolo 算法原始作者发布的版本,它的主要作者为 joseph redman。 从优乐 v 四开始,后续的升级版本来自不同的作者和团队开发。严格来说, 他们属于优乐系列的精神序作,例如美团、旷世科技等公司的研发团队都有参与其中。 我们可以在 outrelitics 公司的官网上找到 yolo 的各个版本,这些版本都有对应的开源代码。在本节课中,我们将详细介绍 yolo v 八的安装和使用方法。 ulo 模型的安装和部署非常简单,我们使用 conduct crete 创建一个新的拍摄环境,然后激活这个环境,再输入 pipe install ultra ctx, 就完成了 ulo 的安装。 接着在这个康大环境中打开 python, 输入 from autolitics import yolo 这行代码,这里如果不出现错误,就说明完成了 yolo 的安装。 打开 ultralitics 的官网,在 quick star 中可以找到 python 的样例代码。下面我们基于这段样例代码来详细说明 ulo 接口的使用方法。 我们将样例代码的前两行复制过来,第一行表示在代码中导入优乐模块,然后是 model, 等于优乐。 yolo v 八 n 点 yamo, 这句代码表示读取 yolo 的配置文件, 那我们要注意的是官方给出的样例代码中的这个配置文件。 yolo v 八 n 点 yamo 实际上并不在 yolo 的模块中,要用这句代码后也不会从互联网中下载这个文件,这一点可能会给新手带来困惑。 为了弄懂这句代码背后的意义,我们需要找到 altrolytics 模块儿的原代码,并在其中写一些 print 调试语句。最后找到真实的 yama 配置文件进行阅 阅读。 首先找到刚刚在康纳中创建的 ulo v 八环境目录,从中找到 ultralitics 模块, 具体路径是 e n v yellow v 八 lab set packages ultralitics。 继续打开其中的 models yolo 文件夹,然后打开 model 点 p y, 会看到刚刚使用的 yellow 类,这个类继承了 model 类具体的实现。在 model 类中。 从第一句的导入代码可以知道 model 类在 autolitics 下的安真文件夹中的 model 点 py 文件中。 找到这个 model 点 p y 文件后,我们要在它的 unit 函数中加几句 print 调试代码进行进一步的研究。 unit 函数传入的 model 参数代表了配置文件名或模型的名字,我们在 unit 函数的第一句前打印第一个井一标记和 model 的值, 它的下面是一些初始化的代码,我们忽略这些代码。继续向下看, 在 softix 等于 pass model 点儿 softfix 这个位置打印第二个井二标记 和 sophics 的值,然后继续忽略下两行代码。这里要注意 if sophics 音点压木这一句对于样例代码的调用方式会走这个分支,也就是进一步调用 sof 点 new 这个函数。 向下找到 new 函数,函数的第一个 cfg 参数就是我们刚刚传入的 model。 在 new 函数中打印第三个井三标记和 cfg。 下一句代码鸭某 model load c f g 是关键内容,我们可以在 ultralitics 点 n n 点 task 中找到这个函数的实现。 打开 task 点 py 文件,找到 yama model low 的函数,函数传入的 pass 就是刚刚的 cfg 变量。在这个位置打印第四个警次标记和 pass 变量。 观察下一句很复杂的代码,它具体在做什么其实我也没搞明白,实际上这行代码有什么作用也不重要。在下一句 unified pass 后打印第五个标记, 在下面的压模 low 的前打印第六个标记。实际上 ulo 最终读取的配置文件名保存在压模 file 中,这样我们就完成了必要的 print 调试代码 运行程序会得到如下结果,首先打印了标记一传入的文件名是 ulo v 八 n 点压木, 实际上这个文件根本就不存在。其实我也很困惑为什么样例代码要使用一个根本不存在的配置文件,了解其中原因的小伙伴可以留言讨论一下。 接着打印二三四五这几个标记,这说明我们正确的理解了代码的执行流程。 最后打印的标记六, ammo file 这个变量保存了真正调用的配置文件的路径, 按照这个路径 打开对应的文件夹。在 cfg models 下保存了 ulo 各个版本的配置。 v 八是我们当前使用的版本,打开 v 八目录,可以找到我们正在使用的配置文件。 ulo v 八点 yamo, 在这个配置文件中记录着必要的初始化信息,例如 n c 冒号八十代表了模型需要识别的类别,数量是八十。 scales 表示模型的规模。 backbone 是模型的主干,用于特征提取。 pad 是模型最后的决策部分,用于预测物体的类别和边界框。 弄明白 yolo 的配置后,下一句 model 等于 yolo。 yolo v 八 n 点 p t 用于加载模型。 这里要注意模型最初是没有的,依次调用,会从互联网中下载优乐 v 八 n 点 p t 这个模型。 model 点 predict 用于预测结果。这里 bus 点 gpg 是官方给的样例数据,我们可以再找一些其他的测试数据一起进行测试。 另外有兴趣的同学可以进一步使用刚刚的调试方法,在代码中写一些 print 语句调试并理解其他的接口。 还有一点要说明,即使我们最开始不加载压模配置,也可以正常使用模型和预测结果。这个压模配置文件主要是用来训练模型用的 运行程序控制台会打印出运营信息,从信息中可以知道三个图片的结果会保存在当前目录下的 rise detect predict 文件夹中。 将结果图片打开,可以看到 ulo v 八的运行结果,其中在 bus 点 g p g 中识别出了行人、汽车等,在 image g p g 中识别出了行人、风筝等等。 那么到这里快速上手优乐 v 八进行目标检测就讲完了,感谢大家的观看,我们下节课再会。

hello, 大家好,最近关于 a 镜头的视频特别火爆,然后我就试着自己做了一个 ai 镜头的小项目,大家是否以前训练 ai 的 时候觉得特别的繁琐,因为我们要手动改配置,切模型,好命令测效果,所以基于此我做了这个 ulog, 这是一个会自己训练的 ulog 的 ai 镜头,还有一整套的 a 镜头命令系统是 come 的 包含的部分, 这些的系系统和透我都给它集成在这个 ui 里面,我们可以看一下我们的 ui 界面, 一共分为五个部分,第一个 chat 部分就通过我们自然语言交互告诉我们要干什么事情。第二个就是微信部分,我们这里可以上传视频,或者用我们十字摄像头设备或者是上传图片。呃,通过已训练的模型就是训练完的模型,我们这里可以选择或者是手动输入我们的 best d, l、 p、 t 的 目录, 或者用预设的这些模型进行展示测试。然后这个是 print 部分,就是前面你如果不想用语言来问他的话,就可以这里手动进行。设置好这个 log, 可以 看我们的训练的日记,这个就是这个 log 键,包含 ig 和 memory, 是 为了可以记住一些重要的参数, 就是我们前面如果第一次训练的 mvp, 我 们可以在这里进行查询。我们给大家举个例子,比如说我让他检查这个数据集训练模型用优乐 v 八,结果包含了这个空文件夹里面,终端已经开始操作了。 ok, 他 已经操作完成,他会告诉我们这个数据集的各种信息,并且给我们训练参数的建议,以我那个 亚米文件里面没有参数设置参数,比如说他已经现在已经把所有东西都写好了,我们只需要确定 yes 就 可以进行训练。比如说我想更改它这个轮数,我就说把轮数 改到二十,它就可以进行修改,已经更改成功,然后我们就说 yes 开始训练, 我们可以看到终端这里的一炮其实是二十已经改好, 我们把我们需要 test 的 变化零距离,然后找到我们的 test 模型的位置, 可以开始检测了,这里已经检测到了,没看到最近都是零点七六, 这个是我之前训练一百零后的结果,哎。这里可以手动调自音度,自音度,比如说零点七,零点七以下它不会显示,这是可以填改变,这个 i o u 可以 手动调的,比如说我们现在不用我们自己的路径,我们用它这个 u o u 八自带了一身模型 啊,这个就是没经过训练之后的,它就是没法找到我们需要的垃圾。


今天给大家演示一下如何精准自动标注目标。 首先手动标注几个目标, 接着选中你要自动标注的目标,右键鼠标选择,以此目标标记剩余样本图。这里提供了两种方式,原理都是以找图的方式去标记剩余样本图。 我们可以看到样本集里的图片,所有相同的目标都被标记了出来,并且是完全准确的。 右键目标框就能不断往后标记剩余的样本。 接下来我们介绍第二种方式,打开自动标注控制台。 这里我之前已经用少量样本训练了一个参照模型,把参照模型加载进控制台窗口, 输入模型的尺寸参数, 我们先选中 j l 和 j a, 分 类看一下模型原始的标注效果。点击标注, 可以看到标注出来的框是有偏移的,不是很准确。 如果我们想让模型标注出来的目标框是完全准确的,可以使用精准标注功能。 这里我们直接使用大墨工具来框选精准坐标。 首先使用大墨工具绑定画板页面, 精准地框出目标的坐标范围, 将目标的坐标范围填入表格内, 这里给大家演示一下填了数据之后的自动标注效果。 可以看到这两个图标标注就是完全准确的了,其他的依然是歪的。 填好的数据可以直接导出成 txt, 以便以后使用或者发给别人使用, 同样可以导入已有的数据文件直接进行使用。 接下来就选中所有的分类进行自动标记, 现在可以看到自动标记出来的是非常准确的。 下面开始进行训练,切换到训练页面,在训练例三时,如果你想要最好的识别效果,可以选择自动计算尺寸参数, 点击确定。例三开始训练了, 如果你想训练 le 八,切换到 le 八页面,选择你要使用的训练环境显卡版本,高的就用第二个版本,低就用第一个。 v 八已经跑起来了, 并且右侧开始绘出曲线图,曲线会逐渐下降并趋于平缓,当红色的曲线趋于平缓的时候,则可以停止训练。 训练了几分钟,曲线已经平缓了,直接关闭训练窗口。这里我们直接让软件输出免环境清亮模型, 直接点击开始转换,将模型输出到刚刚创建的文件夹里, 下面我们来验证一下该模型能不能进行识别。目标,将模型拖入验证页面编辑框里, 选择一张图片 能进行识别了。 下面我们再来训练一下 v 二六模型,方法和立八基本是一样的,也是直接点击训练就行了。 v 二六已经跑起来了, 方法也是和之前一样的,输出 v 二六的免环境模型, 同样的方法对模型进行验证, 模型已经可以识别了。 好了,谢谢大家观看。