基于YOLOV5的物体检测ROS功能包.
测试环境: Ubuntu 18.04/ROS Melodic/Nvidia Jetson Nano上,
PyTorch 1.10.1, cudatoolkit=10.2.
此外,ROS Melodic默认python2.7的cv_bridge, 但Pytorch使用Python3 所以还需要为ROS 安装基于Python3的cv_bridge,详细见我的博文: 二十. 在ROS系统上实现基于PyTorch YOLO v5的实时物体检测
2022-03-11 17:30:16
19.18MB
1
本文实例为大家分享了unity3D实现物体任意角度自旋转的具体代码，供大家参考，具体内容如下
主要涉及函数：
Input.GetAxis(“Mouse x”) 可取得鼠标横向（x轴）移动增量
Input.GetAxis(“Mouse y”) 可取得鼠标竖向（y轴）移动增量
通过勾股定理获取拖拽长度，长度越长旋转越快。在project setting–Input 可以设置。
这里用Cube来做例子，因为方体看旋转比较清楚，如图：
代码如下：
using UnityEngine;
using System.Collections;
public class NewBehaviourScript
2022-03-09 21:39:09
73KB
1
需要学习ubuntu系统上YOLOv4的同学请前往：《YOLOv4目标检测实战：原理与源码解析》
【为什么要学习这门课】 Linux创始人Linus Torvalds有一句名言：Talk is cheap. Show me the code. 冗谈不够，放码过来！
代码阅读是从基础到提高的必由之路。尤其对深度学习，许多框架隐藏了神经网络底层的实现，只能在上层调包使用，对其内部原理很难认识清晰，不利于进一步优化和创新。
YOLOv4是最近推出的基于深度学习的端到端实时目标检测方法。
YOLOv4的实现darknet是使用C语言开发的轻型开源深度学习框架，依赖少，可移植性好，可以作为很好的代码阅读案例，让我们深入探究其实现原理。
【课程内容与收获】 本课程将解析YOLOv4的实现原理和源码，具体内容包括：
- YOLOv4目标检测原理
- 神经网络及darknet的C语言实现，尤其是反向传播的梯度求解和误差计算
- 代码阅读工具及方法
- 深度学习计算的利器：BLAS和GEMM
- GPU的CUDA编程方法及在darknet的应用
- YOLOv4的程序流程
- YOLOv4各层及关键
2022-03-08 11:07:45
39.24MB
1
通过散射介质成像已经成为现代光学成像领域的主要挑战。 近来，已经报道了基于波前整形的通过散射介质成像。 然而，尚未对将基于光学记忆效应的迭代波前整形技术应用于通过散射介质的运动物体的速度估计进行清晰的研究。 在此，我们提出将迭代波前整形技术与激光散斑对比度分析方法相结合，以通过散射介质检测运动物体的相对速度变化。 进行了幻影实验以验证我们的方法。
2022-03-03 10:19:12
1.62MB
1
运动物体的跟踪是把运动的物体检测出来, 对目标编号并获取运动轨迹。因此, 运动跟踪系统性能的优劣关键取决于运动前景检测的准确度。文章首先设计了一种有效的基于自动阈值分割的混合模型运动目标检测算法, 然后以此为基础创建了一个独立的前景检测模块, 最后将该模块嵌入到OpenCV 提供的运动跟踪系统框架里, 实现了一个完整的运动跟踪系统。运行结果表明, 该系统具有较好的稳定性、准确性, 满足了运动跟踪系统实时性、鲁棒性的要求。
2022-03-02 16:52:20
629KB
1