今天给大家介绍一个鸡蛋计数器的项目,使用 opencv 和优乐 v 八检测鸡蛋个数,能够高效、准确、安全、可靠的完成鸡蛋个数的统计工作。 ulov 八是一个使用配套取框架创建和训练的剪辑神经网络模型,是计算机视觉领域最流行的目标检测算法之一,运行代码来看看结果吧!
粉丝5645获赞2.6万

手把手教你 ulov 八推理检测。哈喽,各位小伙伴,上一期我们已经单独安装了,拍照时,接下来我们第二步就是下载 ulov 八原码,这里我已经下载好了,到时候你们再 get up 搜索 ulov 八就行了。 第三步直接安装,要了一百了,依赖要了一百了,依赖在这个类似快这个文件他里面已经写好了,这是官网给出的文,安装里面的拍摄依赖就行了。我们直接进入这个目录进行安装, cnd 打开中断 又激活你的虚拟环境。 c o n d a 一起一起一起优龙 v 八,因为优龙 v 八我之前已经创建过了, 数错了, c one d a a c a c t i v a t activity you will be by 幺六成功就进入了幺六一八的虚拟环境。接下来我们安装那个文件, k p install 二二 a q, 这里等待下载就行了,官网这个文件也给出了安装命令,就是这个, 我们这里等待安装就行了,没什么难度。 好的,这里已经安装成功了。接下来我们用 p y 串打开幺六一八的项目,鼠标右击,这里有个用 p y 串打开这个项目, 第一次打开的话,他这个解析器还没有设置,我们需要设置一下解析器, 这里剪辑器设置, 弹出这个窗口,我们添加解析器设置。之前的视频讲解过了,这里就不详细讲解了。 好的,解析器加载完成了,接下来我们进行用 v 八推理 点开 ulov 八的项目,我们看到有一个文件夹叫 out, 这个点开,然后看到 ulo 要要看到一个 v 八点开,然后他这里有很多,比如说分类啊,目标检测还有分割的,我们主要讲解目标检测,点开这个里,点开这里, 然后这里有训练验证预测的代码,我们首先打开 预测的代码,首先需要改的地方就是这里的,这里就是你那个官网的模型,其中官网的模型我已经下载好了,如果你们需要的话,我我也可以发给你们,如果第一次运行的话,他会自动下载的,我已经运行过了, 然后有了一般的配置文件。在哪里呢?在这个 fig 这里, before 这里, before 点样这里。然后模型的话需要复制这个路径就行了。右击复制它的路径一,一定要复制它的角度路路径,然后把这里复制过来。 ctrl v, 还有一个你要检测的照片,检测的照片用官网的照片,官网的照片在 在这里,这里就是他的官网照片,我们选用这张照片进行推理,也是复制他的绝对路径。复制,然后在配置文件这里粘贴就行了。然后我们直接右击 一运行这个 play 的 play days, 嗯,差点找不到这里路径错了, 你看这里多了一个一删掉,你们复制的时候一定要小心一点, 你看他的预测结果,保持在这个目录下面,我们打开看,在这里 v 八这里,你看他已经检测出来了,我们在 在测试这张卡,复制这张的路径到配置文件这里,这个传送 sos 这里跟 ulov 五的差不多,直接运行 他的结果保存在这里,我们 来看一下结果,你看这里已经预测出来了。好的,这期视频讲到这里,如果配置有问题的话,评论区留言,谢谢,喜欢的帮我点个小爱心,谢谢!

让拍审训练游戏 ai 十分陌生, 首先我们需要一份标注数据集,可以自己标注或者使用别人标注。好的,接着我们训练自己的 ulov 八模型,这个模型会识别游戏中的双方阵营。 运行过程中我们需要加载自己训练好的模型,然后只截游戏中心六百四乘六百四的图片。新模型当中的零代表 fbi 阵营已代表另外一个阵营,其他代码跟上已经类似。如果你喜欢这个系列,请给我点赞、关注、收藏哦!

给他一个优乐目标检测系统,他能顺利毕业。哈喽,各位小伙伴,今天我们演示必设基于深度学习的目标检测系统,可用于车辆、行人目标检测,各种检测系统都行。 我们点击进入主程序,然后可以进行图片检测,我们随便拿一张图片进行检测, 这里我们拿官网的照片来, 这里面检测出他的视频检测,我们拿这个视频检测, 我们这里可以查看他的检测流量, 他的每一针的数量。 嗯,这里可以改,比如说人流、车流都行,这里没有改, 如果不想看的话可以放掉,这里可以暂停, 我们看系统说明书,这里有介绍的。好的,这期视频讲讲解到这里,谢谢观看。

今天给大家介绍一个停车位计数器的项目,使用阿芬 cv 和优罗 v 八检测停车场剩余车位,提醒车主停车场各个区域的剩余车位信息, 使停车场车位管理更加规范有序,提高车位使用率。 ulov 八是一个使用配套取框架创建和训练的剪辑神经网络模型,是计算机视觉领域最流行的目标检测算法之一,运行代码来看看结果吧!

大家好,今天要讲的内容是基于优乐 v 八训练一个安全帽佩戴的目标检测模型。 在本节课中,我们将使用 ulo v 八提供的 python 接口训练一个佩戴安全帽的目标检测模型。完成模型的训练后,使用这个模型识别图像和视频中的人物是否佩戴了安全帽。 首先需要准备训练数据,最简单的方法就是在开购平台搜索相关的数据。打开开购平台,搜索 safe, tea helmet 或者 worker safety 等等,可以找到相应的训练数据。 这里需要注意数据格式,例如 safety helmet 这份数据的格式是 pasco voc, 而 sat safety 这份数据的格式是 yolo v 八,前者需要将数据转为 yolo 格式,后者可以直接使用。 我们选择 set safety 这份数据下载后可以直接使用。 将下载的数据解压在 c s s data 文件夹中。春运保存了两千六百零五个训练数据, valid 保存了一百一十四个验证数据, test 保存了八十二个测试数据。 打开春雨文件夹,其中 image 文件夹保存了图片数据, levels 文件夹保存了数据的标记结果,标记格式为 you 格式。同一个数据的数据名和标记名是相同的,可以对应上 我们随意打开一个数据图片和对应的标记数据。简单来说,每一行表示一个目标物体,在标记数据中包括了十四行,因此对于这个图片数据会标记十四 这个目标物体。 每一行的数据格式如下,第一列是 class id 代表类别的编号。第二列和第三列是 x center 和 y center, 代表物体边界框中心点的坐标。 第四列和第五列是 white 和 height, 代表物体边界框的宽度和高度。这四个值的取值都在零到一之间。 我们以图片中的第一个目标物体来说明,也就是红框标记的蓝色安全帽,它的标记数据是第一行零,零点四九八,零点一一零等等。这里的编号零 对应类别,安全帽 边界框中心点的坐标是相对于图像宽度和高度的比例。边界框的宽度和高度同样是相对于图像的宽度和高度的比例。 例如,这个蓝色安全帽边界框中心点的 x 坐标是零点四九八乘以 image y s。 中心点的外坐标是零点一一零乘以 image height。 物体边界框的宽度和高度分别为零点零二一乘以 image white 和零点零六二乘以 image height。 另外,从这张 图片可以看出,每个图片可以分为多张子图,每个子图也包括了多个目标物体。因此这份数据虽然只有两千六百零五张图片,但实际上可以有两万多个标记。结果, 使用康大 create 创建一个名为 safe head 的新 python 环境,其中 python 版本选择三点十, 创建后激活环境,并输入 pipe install autolitics 安装 yolo。 完成。安装后需要编写一个模型训练使用 的压帽配置文件,文件取名为 save head 点压帽。该文件说明了数据的地址和待训练的类别。 数据的地址有三个路径, train 对应训练数据, v l 对应验证数据, test 对应测试数据。 接着定义模型的类别数量。 n c 冒号十代表十个带检测的类别。这十个类别的名称保存在 names 中,这里我们重点关注 heart head 戴安全帽和 no heart head 未戴安全帽这两个类别。 编写模型的训练代码 ulo trim, 点 p y 一行表示导入 ulo 模块。 第二行加载 yolo 的预训练模型 yolo v 八 n 点 p t。 这个模型使用了 coco 数据级训练,是通用的目标检测模型,我们将它作为基础模型,在该模型的基础上训练安全帽。模型 第三行代码表示训练自定义的数据级,数据的配置,保存在 save head 点压没中。已 pose 等于一百,表示一百轮迭代。 最后串一点 v a r 表示使用验证机验证效果。 完成训练代码的编写后, 运行训练程序 ulo tree, 点 p y。 从运行后打印的调制信息中可以看到,我们当前的环境是 ultralitics ulo v 八版本 python 三点十 c p u 环境进行训练。 训练需要持续一段时间,每个已 post 可能需要训练三到五分钟,整体训练一个下午基本就可以完成了。 完成训练后,会在当前目录下的 runs detect train 路径下保存训练过程中的数据和模型文件,其中 waits 文件夹中保存了模型文件。 接下来我们使用 bass 的点 pt 进行测试。 编写测试代码 you low test 点 p y。 首先导入训练好的模型 nice 点 p t。 这里我们可以随意找一些测试数据,也可以自己构造一些数据,图片数据和视频数据都是可以的,直接将数据传入接口就可以了。 另外,在识别我自己构造的数据时,传入了 classes, 等于零二,它代表只输出零和二这两个类别, 也就是指识别安全帽是否佩戴 linewise 等于三十,表示指定识别框的字体大小为三十。 运行测试程序可以看到模型识别数据的过程,视频会一针一针的识别,识别结果会保存在当前目录下的 runes detect predict 中。 打开结果文件夹,可以看到图片和视频的识别结果, 其中视频会将每一针都识别好。从视频中可以看到人物安全帽、安全衣、挖掘机都被识别出来了。 另外,在识别时可以只选择一部分需要 识别的类型,例如在我自己构造的数据中,只识别是否佩戴安全帽这两个类别。我们可以看到模型准确地将结果识别出来了。 那么到这里,基于 ulo v 八训练,一个安全帽佩戴的目标检测模型就讲完了,感谢大家的观看,我们下节课再会。

如何通过 ai 实现游戏人物的识别?首先安装 ultranetics 这个库,也可以叫它 ulob 八,跟着我们加载它的识别模型,我们根据游戏的窗口名称获取游戏的位置和宽高,对游戏位置循环截图,并且用模型识别就可以了。如果你喜欢这个系列,不要忘了点赞、关注、收藏哦!
![[课程][原创]yolov8训练自己的实例分割模型windows版
课程地址:
https://edu.csdn.net/course/detail/38274
学会如何搭建自己cuda环境
学会在windows上如何搭建自己yolov8环境
学会如何使用roboflow或者labelme标注自己实例分割数据集
学会如何训练和测试自己实例分割模型
课程介绍
本课程将带您进入yolov8面向实例分割框架搭建环境,标注,训练,测试等完整实现过程。主要内容如下
1、 yolov8目标检测框架基本介绍
2、搭建windows上yolov8环境
3、用roboflow或者labelme标注自己的数据集
4、转换数据集
5、配置参数
6、参数调节和训练
7、测试自己的模型
yolov8不仅仅是一个目标检测框架,也具备实例分割和图像分类的功能。让我们在cv领域多出一个非常实用深度学习算法框,本课程主要针对实例分割做自己的数据集训练,不对目标检测和图像分类训练做讲解,请同学注意一下本课程主要内容,可以先观看本课程的课程导论,了解课程主要内容和体系结构。](https://p3-pc-sign.douyinpic.com/image-cut-tos-priv/1ac95fe8d257fec1544435e6f226fb8d~tplv-dy-resize-origshort-autoq-75:330.jpeg?lk3s=138a59ce&x-expires=2110471200&x-signature=LBfD%2Fa7Pdmk529ICqsmvsvLK6Tg%3D&from=327834062&s=PackSourceEnum_AWEME_DETAIL&se=false&sc=cover&biz_tag=pcweb_cover&l=2026112002074450F5F31F684227F5B578)
各位同学们好,我是云辉,来这节课呢,我跟大家介绍一个这个我们的课程啊的主要内容,我们这课程呢,主要是教大家如何用这个 ulo v 八去训练这个自己的数据实力啊,分割的数据啊,就是, 呃,我们这个课程主要是面向于做这个啊,十里分割的这样的一个教程。我们的这个呃最核心的课程就是教大家啊,如何去搭建自己的 uloviv 的环境,然后呃利用 ulov 八呢去呃,对这个 labor me 啊, labor me 这个 标注的这个分割式,这个实力分割的数据集呢,进行这个呃格式的转换,然后再训练啊,最后呢我们会得到一个 p t 模型,然后呢对他测试,这个就是我们嗯,这个课程的主要内容,那么我们这个 课程呢,我们的课程主要是涉及到分割的,因为这个 u v 八它本身是支持这个呃目标检测啊,图像分类啊,还有分割啊,目前话是是这样的啊,然后呢我们啊这个课程呢,主要是只在教教会大家啊,用 u v 八去做这个 啊,视力分割啊,主要是教大家去去训练自己的模型啊,得到自己的模型啊,然后,呃我们这课程呢是不对这个模型的部署啊,去做部署的啊,不做部署,嗯,这个讲解也不做这个理论的讲解啊,我们主注重于这个 啊,就是模型怎么得到啊,这个才是我们核这个课程的核心内容啊,然后呢我嗯大家在学习这个我们课程之前呢,需要准备的就是一个,因为我们这个课程是主要是在温度上,温度下面这个环境下进行的啊,其实大家可以也可以在六六六上 像这个呃新的 os 啊,或者呃乌邦图这样的系统上面啊,是可以的,但是我们这个呃主要是在呃这个我们课程主要是以呃就是我们课程是就是在温度上面去做这个黄金搭建,然后去安装的啊,所以呢 过去了我们会跟大家去做一个呃余光图的上面的这样的一个一个整个训练的流程的一个课程啊,的一个一个讲解啊,所以我们这个课程主要是在文字上面啊,然后所以大家呢一定要准备一个带有这个英伟达显卡的啊,最最少就是需要 像我的电脑这个显卡这个配置都比较辣,就是九四年 max, 嗯,所以说大家至少得准备一个像这个 gtx 就是一个英瑞达显卡的这样的一个有这样显卡的一个电笔记本。如果你是这个 amd 的显卡的话,或者说 说是呃就是没有这种啊毒血的话,那么可能就是说只能用 cpu 去做训练了,然后我们这个主要是跟他去呃做这个 gpu 上面的环境搭建,所以大家呢一定要呃准备一个 gpu 的环境,这样第一个就是说他训练会更快啊,训练更快,如果用 cpu 的话就训练非常慢啊,训练非常慢,所以呢,嗯,我们也是推荐大家用这个优惠达的,这个 呃就是有英伟达这样显卡的笔记本去做训练啊。当然你如果是像 rtx rtx 系列的话,像最新的就是三零五零啊,三零六零啊,三零七零,三零八零啊这样的一个显卡的话,那么可能就是呃就是训练会更快啊,然后呢? 嗯训练的这个呃效率更高,然后我们可以得到更快的得到我们自己的模型啊,尽可能去对我们的这个模型去做部署啊,或者说 是做这个二次开发都是呃十分有帮助的,也就是说一个好的运行环境啊,可以快速的帮我们去做一些这个训练啊。嗯 后面呢我们将嗯围绕这个呃就是围绕围绕这个课程去跟大家去做讲解,然后呢?嗯,有的就是因为有的呃就是我们照顾初学者嘛,有的是讲解是, 呃其实就是本身是很简单的,但是我们讲解是比较细的啊,所以呢导致了大家就可能说嗯觉得就是说有的课程啊,觉得就是可能就是自己熟悉的话就可以跳过,比如像香港驱动啊,一般的话, 嗯笔记本的话就是已经其实默认装的,有信号驱动的话你就不需要装了啊,所以大家可以有的客人是可以跳过的。如果大家呃只对这个啊,呃就是我们部分的章节感兴趣的话,那么 可以直接看我们章节内容啊,因为我们这个尽量的使用每个章节就是每每节课啊,我们一共有十三节课啊,我们尽量使我们的这个呃十三节课啊去比较独立,所以呢大家可以去搜一下看看啊,到后面我们都 会一一跟大家讲解。好我们这个课程导论就讲讲解到这里啊,下下节课呢我们就啊就继续就开始跟大家去做讲解了啊。

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。

必设基于优罗 v 八的钢材缺陷检测系统。接下来上才艺选择一张钢材表面缺陷图像,点击开始检测按钮,等待模型预测输出结果。图片检测在右图,并且左上角输出统计结果。

想入门或梳理目标检测领域,这篇论文一定别错过。其对目标检测网络 yolo 的演变进行了全面的分析,对 yolo v 一道、 yolo v 八每一次 更新、迭代和贡献进行了总结,讨论了模型结构变化及美代网络训练技巧,总结了美代网络的经验,包括 ulix dumbo、 ulo ppulo。 此外,为方便大家理解和运用,还给大家准备了 ulo v e、 ulo v 八相对应的论文和配套代码,赶紧收藏备用吧!

哈喽,大家好,我是自苗选手,今天我们第二堂课是教大家如何去卡点。嗯,首先呢, 假如我们是在大尔这张地图上面去手臂点的,手臂动的卡点,这个人从臂动这样横拉出来,横拉出来, 你要想去卡这个土匪的话,你这样卡是可以的,是可以的,因为他有个楼梯下来,但如果是想要去科学的去卡的话,往往都是卡四十五度角 都是卡斯入度,这样斜着斜着打,因为他这样横拉出来,对于你来说对方的速度是很快的,对吧?如果你这样卡斯入度的话, 他是从,他是这样跑过来,对于你来说是斜的,他的速度没有那么快,对于你来说想要击杀他,相对来说要比这样子的话要容易的很多。 卡点一定要斜着卡啊,要找角度斜着卡,对吧?比如说,比如说这个人他从这个门进来 斜着卡啊,你如果你这样卡的话,是相对来说相对来说是比较费劲的,比如说这个人从中门出来,你这样卡相对来说比较费劲的,一定要斜着卡,你懂我意思吧? 然后还有一点就是说,呃,对于价点而言, 比如说你再去就会拿把枪啊,掐这个壁洞。首先你要知道你从左往右甩是舒服一点还是从右往左甩舒服一点 啊?对于我来说,我是,嗯从左往右甩舒服一点,比如说我,我可以瞄这, 他出来了一个大拉,我可以甩过去,我能甩的很准,但是相对相反而言,他从左边过来,他从左边过来啊,我从从右往左甩,我甩的不太好,所以说我就预留一个日秒点,预留的大一点 就留的大一点因为我从左往右甩甩的舒服啊对不对?他如果在这露一个小身位的话我直接甩过来对不对?但但是 如果我瞄的太小的话他从这边往往左边大拉我从右往左甩的话我成成功率不是很高所以说我瞄左边可以这样瞄我瞄右边我就这样瞄 懂我的意思吧就是说你的育苗点一定要是适合自己的。呃还有一点就是说 当你去打残局的时候打残局的时候往往敌人呢他是不会大脚步出来的他往往是摸出来 同样是摸出来那你摸出来的话你是不是可以加加近一点加近一点对不对?如果说是第一时间 rap 的话脚步从壁动马上就听到了扔雷扔伞是 rap 的话他很明显是跑出来的是吧那你就可以加大 大一点。声明加大一点懂我的意思吗你要看当前的局势如果说是防乱是啊是第一时间你听到脚步了你只要听到脚步往往都是大拉都是大拉出来 如果是打残局啊最后二打二啊三打二啊这种残局的话他是不会有发出任何声音的而且他也不会扔东西他也不会说啊再避动了就扔点东西什么出来他都是慢慢的干拉慢慢的一点点轻的一点点轻 一点点轻轻轻轻轻轻啊一点一点轻出来。所以说这个时候打残局的话都是描很细一点比较细一点啊 大家理解我的意思了吧所以说我们秒点首先采用的是什么?采用的是斜斜着秒四十五度秒啊然后你要去熟悉自己 从左往右束缚还是从右往左束缚啊?这样可以去改变你的疫苗的一个点。然后第三点就是说根据局势去判断啊,他是会踏脚不出来还是打残局慢慢的拉出来,对吧?你的疫苗就是不一样的, 希望你们可以失手,今天就到这,拜拜。

观众朋友,好啊,不好意思 给你们又拖更了好些天了,那么你们也在尽力的给我催更啊,我也不好意思给你们继续拖下去。那么基于上一次的项目呢,我们说到了呃, 基础的跑代码的一些环节啊,包括也是啊,对一些基本的,大家对一些这个基本的知识有也有一定的了解,那么再来回顾一下上一期的知识吧,上一期咱们讲到了这个灯塔是这个, 嗯,扣个幺二八,就是我们训练的一个路径,那么下面呢,这个一破曲呢,是我们训练的一个缓解流程的一个次数, 那接下来是白色赛事呢?嗯,这一个是将图片啊存到我们的显存当中的一个值 啊,其实这一个值呢啊,你的显卡特别好的话,甚至可以填三百,但是像我的,我们的显存比较低吗?显卡也不怎么样,我一般是填个五到三,给大家测试这边这个显存啊, 那么呃,接下来呢,关于这个一破曲,我还是要着重说明一下,一破曲呢,他在训练,呃,大家如果训练 那个数据比较多的话,再有啊,两千张以上的话,可以把这个一破取,甚至你就说想得到更好的一个有训练的效果,你可以填个五百,反正一般是呃三百到八百之间。那么还有下面这一个图片尺寸,就是 啊,我们将自己本地的图片输出到优龙威武模型当中啊,使用的一个尺寸,他会将这个尺寸缩小到啊六四零,并且 将这个图片呢进行翻转的一些检测训练啊,大概就说这么多吧,那么接下来呢, 咱们这本期的课程呢,将带给大家如何训练属于自己的自己的一个训数据节,也是为了实现我们 cf 这个实战的一个项目。那么首先我们还是一样,嗯,我们来到这个灯塔下面有一个 qq 那个幺二八的这一个文件,因为这边呢,他这边训练的用到的路径就是在这里吗?我们经常也可以自己创了,但是呢我基于让大家好理解呢,咱们 就在这里进行一个实战的修改,那么首先来到这一个文件这里,然后呢这个文件第一行呢,他是会下载啊, 扣我幺二八的数据集,嗯,咱们这一次改的话,建议大家这样子啊,嗯,首先这里复制,然后呢来到这个地方,把它粘贴出来,这边就会多了一个 copy, 那么将这个 copy 呢,把它改成自己的一个项目的名字,我这边就取名为 c f 吧,嗯, cf 的就这个 cf 吧。然后呢我们继续讲解一下啊,前面的一个东西啊,首先这边呢,嗯,他会 下载 qq 幺二八的数据集,但是我们有的是自己数据,就是我们是不需要下载了,所以说我们把将它注视掉。再来就是这一个地方是 他的类别,我们目前训练的话用不了那么多类别,所以说我们啊先弄比较少一点吧,先这样子弄着,然后类这些呢也,嗯,然后再来就是这一个比较重要的环节,这个地方我们需要改成自己的一个路径, 他这边点斜杠的意思是基于当前路径,我们目前就是基于当前路径的呀,所以说填 cf, 然后图片尺寸啊,这样子哦,我 cf 里面只需要这一个文件就够了,那么接下来之后呢,我们需要,呃 呃需要去给自己的那个数据集打标签,那么我带给大家一个方法吧,呃,就是说我们如果要训练自己数据集呢?我们需要,呃用那个 obs 去 录制一下,对吧?啊?录制一下自己的一个视频出来,再用那个呃视频猜图片的方式去打标签,其实这种方案呢是特别不错的,那么咱们首先呢需要找到一个打标签的一个平台,对吧? 我们要对自己的哪一个项目打标签,那么咱们这一次呢,我是用这个 cf 给大家打标签,对吧?那么我就用 cf, 这边我用 cf 的实战给大家讲解一下,这边跳过,那么咱们静静的等待进游戏, 那么咱们刚刚呢,呃已经通过 vgm 呢启动游戏了,嗯,就是说大家在嗯要要要打标签, 首先要有个目标,有个方向,你要对什么东西去打标签,并且你要你要呃标注他的识别他的哪些部位,并且呢他的每个部位呢?你需要给他一个那个标签的命名的分类,对不对?那么至于这一次呢,我我是通过这个穿越火线,对吧?然后那么咱们 呃随便进个频道吧,因为这是一个实战项目啊,啊,创建一个房间啊?不创啊,应该不是创建房间,我这边是用这个啊创建房间人工试验吧啊,这边 我需要创建一个人机来进行操作,那么咱们基于最简单的一个东西,我们就以这个新手推荐这一个进去吧。那么大家在进去的时候呢?呃需要用到这个 obs 对不对?要要要用到 obs 去这个录制视频,嗯,录制完之后大概是这样子的,我给大家看一下。嗯,我找一下我今天 今天弄的一个东西吧,嗯,就是我,我还是给大家说一下具体的一个情况,就是什么样的呢?就是说,嗯,最好的一个方案就是,嗯,我的方案是,嗯,通过录制视频, 录制视频内容的内容是,嗯,通过录制自己打自己打标签的 视频,然后呢通过代码将视频拆分成图片, 然后呢将图片一张一张的去打标签,嗯,标签 先,对吧,这样子的,嗯,那么这一期课程就到这里了,那么咱们下一期再见。 嗯,然后呢具体就是说一下。目前啊,这一个地方我是大,给大家稍微介绍了一下,因为我,为什么呢?这边停下来了,是因为我们都没有数据,急,我们怎么去填我们的类别还有以及类别的数量了,对不对? 大概是这样的意思,所以说咱们基于这一个在修改这一个配置文件,需要先准备好自己的数据题,对吧?然后再去 填好他的各个参数,再去服务器进行训练。那么如果大家喜欢我的视频,觉得我做的还不错的话,求必,求收藏,求转发,呃, 你们的支持就是我最大的动力,那么我们下一期啊,再见。

大家好,今天来跟大家介绍一个项目,这个项目就是用 ulo v 八的这个 o x 和这个 bid track 实现一个目标追踪,就相当于我们使用这个 ulo v 八的 o x 模型啊,然后呃结合这个 bid track 算法呢,我们实现一个目标追踪的一个算法。 呃,首先呢,我们呃呃我们这个元宝呢,它的环境是有要求的啊,必须要求这个大于等于 open c v 四点七点零啊, 那低于这个版本肯定是用不了的,所以大家注意一下。然后我们的 o n n s run time 这样的一个库呢,是微软的这个出的这个库的话,它呃测试的话是一点十二点零,所以这个呃库的要求是有要求的啊,不然的话它跑不起来。呃 呃第二个点呢,就是说啊,我们这个整个使用的是 cmag 工程,也就是 cmag list, 大家看这个就是 cmag list 啊, 然后呃理论上啊,我们这工程是支持这个 linux 和 c 幺幺啊,都是支持的啊,但是呢,你要改路径啊,比如说像这个 opens up 路径在哪里啊?你需要改这个在文字上面呢,我是啊,自己指定一下就可以了,这是在文字上面,所以我演示都是在文字上面的。 然后呢,呃我们的这个代码呢,其实代码量不是特别多啊,不是特别多,就是我们不看这个东西啊,我们不看这个里面有多少原码,有多少铜价,我们只看这个最基本的一个就可以了, 大家看看啊,它首先它就是加载这个 o s 模型,然后通过摄像头读取啊,获取它的这个摄像头的一些啊,就是视频的一些参数啊, 当然这个地方传摄像头也是可以的,然后这里边啊可以传一些,就是可以得到它的一些参数,然后我们可以看到啊, 呃,他得到这个我们主要第一步吧,主要是得到头像,是吧?然后第二个就是对他做目标检测,我们得到一个这样的 option 的词,这样的一个 自己创下了一个结构体啊数据,那么我们会把它放到这个 update 里面去 update, 然后最后我们得到结果把它混上去就可以了啊,这个就是我们整个的流程思路啊。 好,首先呢,呃,这个我们使用的是 vs 二零一九啊为例子啊,所以大家呢,最好是跟这个版本同步啊,不然的话你跑不起来,比如说,嗯, 呃,就是,呃,理论上也是支持二零二二的。 vs 二零二二,二零一七那是可以的,但是,呃要跑起来的话肯定是用二零一九,因为我是在二零一九上面测试的啊。 然后呢,我们这个,呃就是编译一下就可以了,来看看我们编译很很明显就成功了。呃,是这样的,因为这个,因为 o n s 转碳嘛,他们都是,我们都是用的 release 版本啊,所以你这个,呃不好,不太好调试,因为你这个 如果切换到第八个模式的话,他就是,呃有可能会有点问题啊,因为因为什么会有问题啊?是因为你的第八个库和 release 库他不一样的啊。然后我们这个边移通过以后呢,我们可以就是测试一下,我们跑起来试一试。好,大家看到我这个地方已经这个顺利的跑起来了啊, 然后大家看啊,这个,呃,你看这个 m p s 还是特别慢的,才二,才二, 但是目前的话他们都已经被检测出来了,因为我使用的是默认的八十六啊,这个这个特别慢,这个 i p s。 现在只到一了, 他这个是有,就是他也是跟你的这个运行的情况有也也是有有一定的关系的,就是比如说啊,比如说我从这门打开啊,再跟大家演示一下,他这个烧就会稍微快一点, 大家看到啊,这个明显的就稍微要快一点点啊,但是他也是,呃,也是跟电脑的这个性能有关系啊,就是我昨天 啊,昨天测的时候大概就是六吧,他 fps 是六啊,现在变成了二,每次还都不一样。总而言之呢,因为用 cpu 的话可能就慢一点,因为他毕竟使用的是 这个 u v 呃 u v 八这个呃大点的模型,所以它这个是比较慢的,然后再加上它是 c p u 啊,所以它整体来说是比较慢的,那你换成这个 啊,这个是呃,这个 ulo v 八 s, 你看它这个其实还是参数量有点大的,所以它比较慢,但是如果你换成 n 的话,可能它就稍微快一点,那我就给大家来换一下,演示一下 啊啊,我就换了一个 ulv 八的 n 的模型啊,大家可以看到啊,这个是都参数量都比较少了,你看,然后,呃我就,我就不重新编译了,然后我就直接把这个 ulv 八 n n s 改成这样,名字一样的,然后我们再跑一下试试 啊,大家可以看到这个明显的就是要比呃前面一个要快啊,要快一点, 因为这个可能就是跟 cpu 占用有关系啊,刚才跑的是它的 f p s 大概是十七啊,十七左右啊,不知道为什么它这个显显示就很慢啊, 可以重新再跑一次看看。 呃,很明显啊,它这个物体多了以后,你看它就会越来越慢啊,它的物体多了以后,它就它的 f p s 就 就会越来慢,但是它那个检测的物质少的时候,它的这个 i p s 就会越来越高啊, 但总体来说,我们这个肯定是这个代码应该是没问题的,代码应该是没问题的啊, 啊, 好,大概就是这样的吧,它的这个好像也跟这个,从这个统计的这个视频的演示来看,它这个即使它的数量降低了,它 i p s 基本上也就没有怎么变化。 ok, 这样就演示就到此结束了,我们撤下了。 呃,然后呢,就是啊,我刚才把这个录屏的这个软件关了以后呢,大家,呃,可以看到它这个 f p s 就是十六和十七啊,然后我看了一下,基本上我已经在十六和十七。 可见啊,这个程序的运行呢,跟你的这个 cpu 占用还是有关系的,如果你打开其他软件被占用了,那很有可能会导致你的这个 lps 降低啊,所以呢, 刚才我们演示的越来越慢了,就是因为你这个开的有其他的软件啊,在这个占用这个 cpu 啊,所以它导致很慢,然后我,呃把它演示关了以后,大家看这个截图啊,当然这 只是一张啊,但是,呃,事实说话就是啊,我就看就是把这个录屏软件关了以后呢,他这个 ips 就是大概在十七 ips 左右的样子啊 啊,总体来说啊,我们代码应该是问题不大啊,毕竟是也是就是开源的代码改的,所以问题不大。呃,主要就是, 嗯,确定的话,就是第一个就是呃它支持 windows 和六四了。第二个就是说如果你的 o r s 转 time 是 g p u 版本的话,那么肯定是可以使用 g p u 的, 因为这个代码里面其实也做了一些就是 cpu 和 gpu 的自动切换啊,但是你需要你的这个呃扩大环境和 o s 轮胎等要要支持才行啊。所以啊,我跟他演示了,我们就使用了 cpu, 这样我们就不需要关注于扩大的东西了, 就是呃 gpu 加速的问题,所以我们就演示一下就没问题了。呃,好,这个代码呢,基本上就是这样的,所以演示就到此结束了。然后呃,感觉就是啊,其实啊,大家知道啊,就是 呃追踪和 beautre 的追踪呢,其实,嗯,其实有比较好的算法,其实我们稍微改一改就可以了,可以嵌入到任何的这个目标的框架里面,比如像呃呃,开源的也有啊,像 ulov 八, tender 七啊, oppo x 啊,甚至可以用这个 ulox 啊,这些检测框架 ulox 啊,都是没问题的。呃,好,我们这个演示就到此结束,欢迎大家收看。

最近一项新技术指出, ulov 八在红外弱小目标检测任务疯狂长点 map 从零点七七五提升至零点七五八, 同时参数量 parem 及计算量 flaps 都有降低,只能说太卷了。通过小目标的一系列背景来说,作者推出了一种新的 part 手卷机,简称 pcon, 通过同时减少勇于计算和内存访问, 可以更有效地提取空间特征。在此基础上,将 pick 融入得到一种新的神经网络 fast net, 它可以广泛应用于各种设备, 例如在 image net ek, gpu, cpu 比 mobile with x xs 都快三点一倍, arm 处理器快二点五倍,精度提高了百分之二点九。 将 pc on winner 三融入到 you love 八中,它不仅运行速度更快,而且保证了相当的准确性,在各种视觉任务中遥遥领先,遥遥领先。

ok, 观众朋友好,大家好,我是 nts 网络联盟的怡宝,这一期给大家带来关于 vs cope 嗯,对拍审环境的一个支持的安装,那么我们先从这个 vs 扣开始,首先我这边已经下载好了关于 vs 扣的一个安装包, 嗯,如果大家需要安装 vs 扣的话,我会在本期视频的简介里面添加这个 vs 扣的一个链接给大家,那么我们首先试一下, 大家好, vs 扣呢,打开这个 vs 扣的安装包,这边这个安装包啊,然后其实也很简单,按确定,然后这边大家尽量慢一点下一步,然后我这边就是一般是用默认,然后下一步,主要是这边啊建议大家都全部打开会更方便一点。 然后下一步安装, 嗯,我们安装完之后首先先运行一下他就大家在安装完之后肯定是像我这样子的,哎,打开之后英文字母一大片可能看不懂,那么我们需要做的第一步呢是将,嗯,将这个维斯扣的一些界 面呢进行一个汉化,如果大家有一些基础的同学可以跳过这一部分的一个教程,那么如果说大家是零基础看不懂英文的话,那么就跟着我一起来吧。首先打开这边这个图标是扩展, 然后在这个搜索栏中搜索 c h i, 嗯,这边有 c h i n e s e 啊,然后这边第一个是他的简体中文,大家一定要看清楚啊,是这一个图标,然后点一 siri 安装, 安装完之后右右下角会让我们啊是否要重启一下才会生效,所以说我们点击重启, 那么重启完之后呢,我们这现在的界面就已经变成中文的效果了, 那如何才能?嗯,实现就说,嗯,让他运行拍审程序,并且能运行起来呢?那么还是需要点扩展去安装他,嗯,直接搜拍审,拍审安装一下就 ok, 安装一个, 嗯,安装完毕之后呢,这里还是需要这个确定一下,嗯的,看一下, 安装完之后,我们就我们就重重重新开一下这个 vs 扣的,然后我们继续来检查这边的扩展程序,检查主要的情况,就是说看他是否正在安装,这还在安装,我们再等一等, 嗯,一般情况来说是不会出问题。安装这一步, ok, 然后这边安装完之后呢,点击重新加载,然后我们再来到这个地方点一下拍摄这边,看他有没有安装完。那么我发现,哎,这多了一个不知道是什么东西。卸载,卸载,这不知道是啥 啊?重新加载一下啊。现在,目前,呃大,大家如果是跟我一起操作的话,基本上就会看到这三个扩展 啊,第一个是中文语音包,第二第二个是这个拍审机遇的这个,嗯,扩展再来就是拍审的扩展,这里安装完之后,我们基本上就可以继续我们后续的那个 u 六 v 五的一个项目了。 嗯,给大家做一个假设啊,这样子我们就可以右键通过 vs 扣打开,并且呢,嗯,大家在 啊左下角就可以选择我们的那个用康达创建的一个环境,看到没有,这是我,嗯,接下来下一期视频将用到的一个环境,我们选择他,我们再来运行这个程序, 只要他能跑成功就 ok 了。这期视频就到这里结束了,是不是很简单呢?如果大家觉得本期视频对你有帮助的话,求赞、求转发、求硬币、求收藏, 各位的支持就是我做视频最大的动力,那么我们下期再见啦,拜拜!
