win10下yolov6 tensorrt模型部署

news2024/11/17 16:47:29

  • TensorRT系列之 Win10下yolov8 tensorrt模型加速部署

  • TensorRT系列之 Linux下 yolov8 tensorrt模型加速部署

  • TensorRT系列之 Linux下 yolov7 tensorrt模型加速部署

  • TensorRT系列之 Linux下 yolov6 tensorrt模型加速部署

  • TensorRT系列之 Linux下 yolov5 tensorrt模型加速部署

  • TensorRT系列之 Linux下 yolox tensorrt模型加速部署

  • TensorRT系列之 Linux下 u2net tensorrt模型加速部署

  • 更多（点我进去）…

    文章目录

    • 一、YOLOv6简介
    • 二、Win10 TensorRT环境配置
      • 2.1 安装VS2019
      • 2.2 安装库
        • 2.2.1 安装Nvidia显卡驱动
        • 2.2.2 安装 cuda11.2
        • 2.2.3 安装 cudnn8.2.1
        • 2.2.4 下载 tensorrt8.4.2.4
        • 2.2.5 OpenCV4.5.5安装
      • 2.3 创建属性表
        • 2.3.1 创建OpenCV属性表
        • 2.3.2 创建TensorRT属性表
        • 2.3.3 创建CUDA属性表
        • 2.3.4 新建工程与设置
          • 2.3.4.1 新建vs工程
          • 2.3.4.2 vs2019工程设置
    • 三、从yolov6源码中导出onnx文件
    • 四、利用tensorrt编译onnx模型
    • 五、编译执行yolov6-tensorrt工程
    • 六、结束语

yolov6 tensorrt cuda模型推理加速部署TensorRT-Alpha《YunNan-Stree》

一、YOLOv6简介

YOLOv6是美团发布的检测算法，在最新版本中，YOLOv6主要更新了如下几个方面：

  • 发布了移动端轻量级模型YOLOv6Lite，这个模型更适用于移动端的应用场景，同时保持了较高的精度和速度平衡。

  • 发布了新的模型YOLOv6-Face，这是专门为人脸检测任务设计的模型，能够更准确地检测和识别人脸。

  • 优化了模型的性能和准确度，提高了模型的稳定性和鲁棒性。

  • 修复了一些已知的问题，提升了用户体验。

    此外，根据官方发布的信息，新版本的YOLOv6在各个模型大小（nano, tiny, small, medium, large）上都取得了较高的目标检测精度。例如，YOLOv6-nano在COCO val2017数据集上达到了35.0 mAP，YOLOv6-s在同样的数据集上达到了43.1 mAP。这些改进都大大增强了YOLOv6在各种应用场景中的实用性。


    本文提供深度学习CV领域模型加速部署案例，仓库实现的cuda c支持多batch图像预处理、推理、decode、NMS。大部分模型转换流程为：torch->onnx->tensorrt。下图左边是yolov6-python源码推理结果，右边是本文基于tensorrt实现yolov6模型部署的推理结果。
    在这里插入图片描述

    yolov6s : Offical( left ) vs Ours( right ）

有源码！有源码！有源码！ 不要慌，哈哈哈。

在这里插入图片描述

二、Win10 TensorRT环境配置

三步解决win环境配置：

  • 1、安装vs2019、Nvidia驱动、cuda，cudnn、opencv、tensorrt；
  • 2、创建属性表；
  • 3、工程设置，运行；
  • 注：一定是先安装vs2019，再安装cuda，顺序不能颠倒，因为cuda会自动给vs2019安装插件。
    问题：windows环境下，为什么使用vs2019属性表，而不用cmake？
    回答：因为属性表可以做到：一次创建，到处使用。

2.1 安装VS2019

需要Microsoft账号，如果您有别的途径下载安装也可以。

  • 进入：https://visualstudio.microsoft.com/zh-hans/vs/older-downloads/
  • 选择：[2019] -> [下载]
  • 在新页面选择： Visual Studio Community 2019 (version 16.11)
  • 下载完成之后安装过程选择如下图：
    请添加图片描述
  • 重启系统

2.2 安装库

注：Nvidia相关网站需要注册账号。

2.2.1 安装Nvidia显卡驱动

  • 进入： https://www.nvidia.cn/Download/index.aspx?lang=cn#
  • 依据实际情况选择，如下图是我的选择(for RTX3070)：
    请添加图片描述
  • 选择：[搜索]->[下载] ->[双击默认安装] -> [重启系统] -> [进入cmd]，输入如下指令：
nvidia-smi

看到如下信息表明驱动正常：
请添加图片描述

2.2.2 安装 cuda11.2

  • 进入: https://developer.nvidia.com/cuda-toolkit-archive
  • 选择：CUDA Toolkit 11.2.0 (December 2020)
  • 选择：[Windows] -> [x86_64] -> [10] -> [exe(local)] -> [Download(2.9GB)]
  • 双击安装，重启在cmd窗口输入如下指令：
nvcc -V

CMD窗口打印如下信息表示cuda11.2安装正常

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2020 NVIDIA Corporation
Built on Mon_Nov_30_19:15:10_Pacific_Standard_Time_2020
Cuda compilation tools, release 11.2, V11.2.67
Build cuda_11.2.r11.2/compiler.29373293_0

note:cuda11.2 不需要手动设置环境变量，如下图，环境变量都是自动设置的。
请添加图片描述

2.2.3 安装 cudnn8.2.1

  • 进入网站：https://developer.nvidia.com/rdp/cudnn-archive
  • 选择： Download cuDNN v8.2.1 (June 7th, 2021), for CUDA 11.x
  • 选择： cuDNN Library for Windows (x86)
  • 你将会下载这个压缩包: “cudnn-11.3-windows-x64-v8.2.1.32_2.zip”
  • 解压之后，cudnn的头文件、库文件都要拷贝到cuda安装目录。
  • 如下图，进入cudnn解压所在文件夹中include，拷贝所有头文件，粘贴到CUDA/v11.2/include中
  • lib、bin中的文件也拷贝到对应cuda目录中
  • 重启系统
    请添加图片描述

2.2.4 下载 tensorrt8.4.2.4

  • 进入网站： https://developer.nvidia.cn/nvidia-tensorrt-8x-download
  • 把这个打勾： I Agree To the Terms of the NVIDIA TensorRT License Agreement
  • 选择: TensorRT 8.4 GA Update 1
  • 选择: TensorRT 8.4 GA Update 1 for Windows 10 and CUDA 11.0, 11.1, 11.2, 11.3, 11.4, 11.5, 11.6 and 11.7 ZIP Package
  • 你将会下载这个压缩包: “TensorRT-8.4.2.4.Windows10.x86_64.cuda-11.6.cudnn8.4.zip”
  • 解压到F:\ThirdParty，并重命名为：TensorRT-8.4.2.4
  • 并将路径"F:\ThirdParty\TensorRT-8.4.2.4\lib"添加到环境变量，如下图：
  • 重启系统
    请添加图片描述

2.2.5 OpenCV4.5.5安装

  • 进入：https://opencv.org/releases/
  • 选择：[OpenCV – 4.5.5] -> [Windows]
  • 下载完成之后，是一个exe的自解压格式，解压到：D:\ThirdParty
  • 并将路径：“D:\ThirdParty\opencv4.5.5\build\bin” 和 "D:\ThirdParty\opencv4.5.5\build\x64\vc15\bin"添加到环境变量，如下图：
  • 重启系统
    note：我的opencv在D盘，tensorrt在E盘，根据实际情况修改就行了。
    请添加图片描述

2.3 创建属性表

一般地，Visual Studio 2019，一个库对应两个属性表文件，分别对应：vs2019的debug模式和release模式，例如：本文中OpenCV创建了这两种。而TensorRT和CUDA只需要创建一种属性表(适用以上两种模式)。

2.3.1 创建OpenCV属性表

创建opencv库debug属性表：

  • step1：基于VS2019随便新建一个C++项目，如下图，项目设置为Debug、X64模式
    请添加图片描述
  • step2：如下图，选择：[属性窗口] -> [右击Debug|x64] -> [添加新项目属性表]
    请添加图片描述
  • step3：文件命名为：OpenCV4.5.5_DebugX64.props -> [添加]
  • 编辑属性表：[如下图：双击属性表]
    请添加图片描述
  • step4：如下图，选择：[通用属性] -> [VC++目录] -> [包含目录] -> [编辑]
    请添加图片描述
  • step5：如下图，将两个OpenCV两个头文件目录拷贝进去 -> [确认]
    请添加图片描述
  • step6：选择：[通用属性] -> [VC++目录] -> [库目录] -> [编辑] -> 将路径："D:\ThirdParty\opencv4.5.5\build\x64\vc15\lib"拷贝进去 -> [确认]
  • step7：选择：[通用属性] -> [链接器] -> [输入] -> [附加依赖项] -> 将文件名"opencv_world455d.lib"拷贝进去->[确认]
    小结：

    到这里，opencv库debug属性表制作完成，release属性表和上述流程一样，唯一区别在于，如下图，项目切换到Release x64模式，新建OpenCV4.5.5_ReleaseX64属性表，然后在step7中，将文件名修改为：“opencv_world455.lib”
    请添加图片描述
    请记住，制作属性表就3个步骤：
  • 拷贝include路径
  • 拷贝lib路径，外加设置dll到系统环境变量
  • 拷贝lib文件名称

2.3.2 创建TensorRT属性表

右击Debug|x64 or 右击Release|x64新建属性表，重命名为：TensorRT8.4.2.4_X64，

# include路径
F:\ThirdParty\TensorRT-8.4.2.4\include
F:\ThirdParty\TensorRT-8.4.2.4\samples\common
# F:\ThirdParty\TensorRT-8.4.2.4\samples\common\windows # 这个路径文件不需要包含
# lib路径
F:\ThirdParty\TensorRT-8.4.2.4\lib
# lib文件名称（for release& debug）
nvinfer.lib
nvinfer_plugin.lib
nvonnxparser.lib
nvparsers.lib

依照上一节3个步骤：

  • step1：选择：[通用属性] -> [VC++目录] -> [包含目录] -> [编辑] -> 把上述3个include路径拷贝进去
  • step2：选择：[通用属性] -> [VC++目录] -> [库目录] -> [编辑] -> 把上述lib路径拷贝进去
  • step3：选择：[通用属性] -> [链接器] -> [输入] -> [附加依赖项] -> [编辑] -> 将上述lib文件名称拷贝进去->[确认]
    最后，修改tensorrt属性表：[通用属性] -> [C/C++] -> [预处理器] -> [预处理器定义] -> 添加指令：_CRT_SECURE_NO_WARNINGS -> [确认]

2.3.3 创建CUDA属性表

CUDA属性表直接白嫖官方，在路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\extras\visual_studio_integration\MSBuildExtensions\CUDA 11.2.props

最后，我们应该有了如下属性表文件：
请添加图片描述
其中，cuda 和tensorrt的属性表同时兼容release x64 和debug x64，你再新建TensorRT-Alpha中yolov8 yolov7 yolov6 等项目后，只需要把上述提前做好的属性表引入到工程就行了，当然项目还需要进行简单设置(设置NVCC，避免tensorrt的坑)，在后文提到。属性表做到了一次新建，到处使用。

2.3.4 新建工程与设置

这一节演示如何新建vs工程，如何设置工程，是通用方法。适用于仓库所有模型源码。

2.3.4.1 新建vs工程

如下图，打开vs2019，点击：文件 -> 新建-> 项目。
请添加图片描述
选择：空项目 -> 下一步。
在这里插入图片描述
选择创建。
在这里插入图片描述
如下图，现在将工程设置为：Release X64。
在这里插入图片描述

2.3.4.2 vs2019工程设置

如下图，选择：属性管理器 -> Release | x64 -> 添加现有属性表，把上一节生成的三个RleaseX64属性表添加进来。
在这里插入图片描述
添加进来后样子如下图：
在这里插入图片描述
TensorRT项目包含c++和cuda c代码，通俗讲，c++代码文件格式为：

  • .h头文件
  • .cpp文件
  • 由c++编译器编译
    而cuda代码头文件格式为：
  • .h头文件
  • .cu文件
  • 由NVCC编译器编译
    例如：我们添加如下图5个文件，在工程中。
    在这里插入图片描述
    添加CUDA依赖：右击项目 -> 生成依赖项 -> 生成自定义
    在这里插入图片描述
    将如下图CUDA11.2打钩 -> 确认
    在这里插入图片描述
    右击项目 -> 属性，将会打开如下界面，将字符集设置为未设置，点击确认。
    在这里插入图片描述
    最后，在项目中，同时选中所有.cu文件和对应的.h文件，注意是所有。我这里就是a.h 和 a.cu文件了。然后右击 -> 点属性。
    【注】：在tensorrt-alpha开源项目中，例如yolov8，会添加多个.cu .cpp .h格式文件，其中.cu和对应的.h文件都是这样设置，目的就是让NVCC编译器来编译cuda代码。
    在这里插入图片描述
    得到如下界面，我们把项类型设置为CUDA C/C++，点击确认。
    在这里插入图片描述
    然后编译一下：
    在这里插入图片描述
    编译成功如下图：
    在这里插入图片描述

三、从yolov6源码中导出onnx文件

可以直接从网盘下载onnx文件[weiyun]:weiyun or google driver ，你也可以自己下载仓库，然后按照下面指令手动导出onnx文件，下载yolov6源码：

# 下载yolov6源码
git clone https://github.com/meituan/YOLOv6
# 切换版本为6.3.0
git checkout  0.3.0

安装 yolov6环境

pip install -r requirements.txt

命令行进入yolov6源码根目录，用以下指令导出onnx模型文件

# 640
python ./deploy/ONNX/export_onnx.py --weights yolov6n.pt  --img 640 --dynamic-batch  --simplify
python ./deploy/ONNX/export_onnx.py --weights yolov6s.pt  --img 640 --dynamic-batch  --simplify
python ./deploy/ONNX/export_onnx.py --weights yolov6m.pt  --img 640 --dynamic-batch  --simplify
python ./deploy/ONNX/export_onnx.py --weights yolov6l.pt  --img 640 --dynamic-batch  --simplify
# 1280
python ./deploy/ONNX/export_onnx.py --weights yolov6n6.pt  --img 1280 --dynamic-batch  --simplify
python ./deploy/ONNX/export_onnx.py --weights yolov6s6.pt  --img 1280 --dynamic-batch  --simplify
python ./deploy/ONNX/export_onnx.py --weights yolov6m6.pt  --img 1280 --dynamic-batch  --simplify
python ./deploy/ONNX/export_onnx.py --weights yolov6l6.pt  --img 1280 --dynamic-batch  --simplify

四、利用tensorrt编译onnx模型

将上一个章节中导出onnx模型放到任意路径。进入到tensorrt根目录下bin文件里，里面有个tensorrt官方提供的模型编译工具，即：trtexec.exe 如下图：
在这里插入图片描述
然后使用，以下指令编译onnx模型，需要注意：参数 --onnx 和 --saveEngine 可以设置为自定义路径，例如：

 --onnx=d:/Data/xxx.onnx  --saveEngine=d:/Data/xxx.trt 

# 640
../../../../TensorRT-8.4.2.4/bin/trtexec   --onnx=yolov6n.onnx   --saveEngine=yolov6n.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
../../../../TensorRT-8.4.2.4/bin/trtexec   --onnx=yolov6s.onnx   --saveEngine=yolov6s.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
../../../../TensorRT-8.4.2.4/bin/trtexec   --onnx=yolov6m.onnx   --saveEngine=yolov6m.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
../../../../TensorRT-8.4.2.4/bin/trtexec   --onnx=yolov6l.onnx   --saveEngine=yolov6l.trt  --buildOnly --minShapes=images:1x3x640x640 --optShapes=images:4x3x640x640 --maxShapes=images:8x3x640x640
# 1280
../../../../TensorRT-8.4.2.4/bin/trtexec   --onnx=yolov6n6.onnx   --saveEngine=yolov6n6.trt  --buildOnly --minShapes=images:1x3x1280x1280 --optShapes=images:4x3x1280x1280 --maxShapes=images:8x3x1280x1280
../../../../TensorRT-8.4.2.4/bin/trtexec   --onnx=yolov6s6.onnx   --saveEngine=yolov6s6.trt  --buildOnly --minShapes=images:1x3x1280x1280 --optShapes=images:4x3x1280x1280 --maxShapes=images:8x3x1280x1280
../../../../TensorRT-8.4.2.4/bin/trtexec   --onnx=yolov6m6.onnx   --saveEngine=yolov6m6.trt  --buildOnly --minShapes=images:1x3x1280x1280 --optShapes=images:4x3x1280x1280 --maxShapes=images:8x3x1280x1280
../../../../TensorRT-8.4.2.4/bin/trtexec   --onnx=yolov6l6.onnx   --saveEngine=yolov6l6.trt  --buildOnly --minShapes=images:1x3x1280x1280 --optShapes=images:4x3x1280x1280 --maxShapes=images:8x3x1280x1280

注：如果报错（Error Code 1: Cuda Runtime (an illegal memory access was encountered “bool context = m_context->executeV2((void**)bindings)” returns false）
可能是爆显存了，降低batch-size就行了

五、编译执行yolov6-tensorrt工程

下载源码并编译

git clone https://github.com/FeiYull/tensorrt-alpha

仿造 2.3.4 新建工程与设置 中新建、设置vs2019工程；其中，yolov6需要将如下图多个文件添加到工程中：

  • 红色框内文件来自TensorRT-Alpha/utils/
  • 蓝色框内文件来自TensorRT-Alpha/yolov6/
  • 绿色框内文件来自TensorrRT安装路径下：TensorRT-8.4.2.4.Windows10.x86_64.cuda-11.6.cudnn8.4\TensorRT-8.4.2.4\samples\common\logger.cpp
    在这里插入图片描述
    如下图，yolov6项目编译成功，从下面编译信息可以看到，exe文件所在路径为：
  • D:\my_code_trt\TensorRT-Alpha-VS2019\TensorRT-Alpha\x64\Release\yolov6.exe
已启动生成…
1>------ 已启动生成: 项目: yolov6, 配置: Release x64 ------
1>正在生成代码
1>0 of 1033 functions ( 0.0%) were compiled, the rest were copied from previous compilation.
1>  0 functions were new in current compilation
1>  0 functions had inline decision re-evaluated but remain unchanged
1>已完成代码的生成
1>yolov6.vcxproj -> D:\my_code_trt\TensorRT-Alpha-VS2019\TensorRT-Alpha\x64\Release\yolov6.exe
========== 生成: 成功 1 个，失败 0 个，最新 0 个，跳过 0 个 ==========

以下是命令行执行指令，需要说明的是执行推理任务，支持图片、视频、摄像头

## 640
# infer image
./app_yolov6.exe  --model=../../data/yolov6/yolov6n.trt --size=640  --batch_size=1  --img=../../data/6406401.jpg  --show --savePath=../
# infer video
./app_yolov6.exe  --model=../../data/yolov6/yolov6n.trt     --size=640 --batch_size=2  --video=../../data/people.mp4  --show 
# infer camera
./app_yolov6.exe  --model=../../data/yolov6/yolov6n.trt     --size=640 --batch_size=2 --cam_id=0  --show
## 1280
# infer video
./app_yolov6.exe  --model=../../data/yolov6/yolov6s6.trt --size=1280  --batch_size=2  --video=../../data/people.mp4  --savePath=../

这里给个示范，例如我要在命令行使用yolov6推理一张图：

.\yolov6.exe --model=D:/ThirdParty/TensorRT-8.4.2.4/bin/yolov6s.trt --size=640  --batch_size=1  --img=d:/Data/2.jpg  --show --savePath=d:/

效果如下图：
在这里插入图片描述

下面是yolov6推理视频效果，可以自己玩一玩：

yolov6 tensorrt cuda模型推理加速部署TensorRT-Alpha《YunNan-Stree》

六、结束语

都看到这里了，觉得可以请点赞收藏，有条件的去仓库点个star，仓库：https://github.com/FeiYull/tensorrt-alpha
在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1113252.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

uniapp\ taro 如何使用 UnoCSS 原子化css

uniapp\ taro 如何使用 UnoCSS 原子化css

unocss-preset-weapp 相较于 tailwindcss 和 windicss, unocss的性能和可扩展性都优于它们 UnoCSS小程序预设 unocss-preset-weapp 内置 transformer 用于兼容小程序 transformerClass 转换转义类名，解决小程序不支持\\，\:，\[，…
阅读更多...
瞬态抑制二极管TVS的工作原理？|深圳比创达电子EMC（下）

瞬态抑制二极管TVS的工作原理？|深圳比创达电子EMC（下）

TVS二极管与Zener二极管同样作为过压保护， TVS着重浪涌电压的钳位保护，具有抗大电流冲击的能力;Zener管着重于稳压效果，具有浪涌电流小，保护电压稳的特点，两者在原理与保护特性有所区别，同时在个别应用领域…
阅读更多...
回收站删除的文件怎么恢复？快来学习这3个方法！

回收站删除的文件怎么恢复？快来学习这3个方法！

“有时候我会先将一些不重要的文件放入回收站中，等需要用到时再将它还原。但是我刚刚不小心把回收站清空了，还有方法可以帮我找回我的数据吗？” 在使用电脑时，如果我们删除文件，这些文件会被先收入回收站中。如果我们是…
阅读更多...
MODBUS-TCP转MODBUS-RTU通信应用(S7-1200和串口服务器通信)

MODBUS-TCP转MODBUS-RTU通信应用(S7-1200和串口服务器通信)

在学习本博客之前，大家需要熟悉MODBUS-TCP和MODBUS-RTU通信，这2个通信的编程应用，大家可以查看下面文章链接： MODBUS-RTU通信 MODBUS-RTU通信协议功能码+数据帧解读(博途PLC梯形图代码)-CSDN博客MODBUS通信详细代码编写，请查看下面相关链接，这篇博客主要和大家介绍MODB…
阅读更多...
商用工程运输车辆智能交通精细数字化管理中的大数据应用

商用工程运输车辆智能交通精细数字化管理中的大数据应用

在物联网蓬勃发展的今天，智能交通、智能工业控制、远程控制汽车基本不是什么难题，在集团、企业、都会涉及用车及安全管理，就拿车队管理系统来说，它的主要作用是进行车辆定位、机械诊断、驾驶员行为监测等，并能及时发现…
阅读更多...
ubuntu18.04 RTX3060 rangnet++训练 bonnetal语义分割

ubuntu18.04 RTX3060 rangnet++训练 bonnetal语义分割

代码链接： https://github.com/PRBonn/lidar-bonnetal 安装anaconda环境为 CUDA 11.0（11.1也可以） anaconda环境如下 numpy1.17.2 torchvision0.2.2 matplotlib2.2.3 tensorflow1.13.1 scipy0.19.1 pytorch1.7.1 vispy0.5.3 opencv_python…
阅读更多...
工业高频读写器和超高频读写器怎么选?

工业高频读写器和超高频读写器怎么选?

在工业领域中，RFID技术是常用的信息采集和传输的方式之一，RFID根据频段还可以分为低频、高频和超高频等，在选择具体的频段应用时，很多企业却毫无头绪。接下来本文就高频RFID和超高频RFID读写器的特点进行分析，帮助企业…
阅读更多...
Python综合练习题

Python综合练习题

题目 创建一个系统，里面可以添加学生、添加班级、查看班级里的学生，在控制台输出 效果图 关键代码 完整代码 # -*- coding: UTF-8 -*-#功能 Functionality0 #学生 Student [刘榕榕0, 秦英姿1, 王家乐0, 孟德赫3, 门子伟4, 明展宇5] #班级 Class [大…
阅读更多...
景联文数据标注平台助力标注效率翻倍，年处理图像数据过亿

景联文数据标注平台助力标注效率翻倍，年处理图像数据过亿

图像标注是指为图像添加文字描述或标签，包括物体、场景、情感、活动等多种内容，以帮助计算机更好地理解和处理图像信息的过程，提高图像处理的自动化程度和准确性，常用于计算机视觉、图像识别等领域。 选择图像标注工具时&#xff…
阅读更多...
思必驰：离线语音识别芯片简介

思必驰：离线语音识别芯片简介

一．使用场景 夏天某个凉爽的早晨，当你躺在床上玩着手机，突然一阵困意袭来，原来已经中午了，此时你一个侧身准备休息，突然发现一阵酷热袭来，你定睛一看，原来是风扇没有打开&#xff0c…
阅读更多...
工业以太网RFID设备有哪些部分组成？

工业以太网RFID设备有哪些部分组成？

随着近年来物联网不断发展，RFID技术已经逐渐成为物联网中的关键技术，利用RFID技术可以实现实时数据采集、物流自动化、远程设备管理等功能，大大提高了物联网提取数据和物体识别能力的智能化水平。 工业RFID读写器作为数据采集最关键的一个设备…
阅读更多...
使用Pytorch Geometric 进行链接预测代码示例

使用Pytorch Geometric 进行链接预测代码示例

PyTorch Geometric (PyG)是构建图神经网络模型和实验各种图卷积的主要工具。在本文中我们将通过链接预测来对其进行介绍。 链接预测答了一个问题:哪两个节点应该相互链接?我们将通过执行“转换分割”，为建模准备数据。为批处理准备专用的图数据加载器。在Torch Ge…
阅读更多...
书客护眼台灯好用吗？书客、柏曼、飞利浦多维度测评

书客护眼台灯好用吗？书客、柏曼、飞利浦多维度测评

护眼台灯作为一种辅助照明设备，旨在提供舒适的光线环境，以减轻眼睛疲劳和保护视力健康。它通常采用柔和的光线、调节亮度和色温的功能，以及一些附加的设计特点，如可调节灯颈、遮光罩等。虽然护眼台灯并不能完全解决眼部问题&#…
阅读更多...
YOLOv8改进实战 | 更换主干网络Backbone（一）之轻量化模型Ghostnet

YOLOv8改进实战 | 更换主干网络Backbone（一）之轻量化模型Ghostnet

前言 轻量化网络设计是一种针对移动设备等资源受限环境的深度学习模型设计方法。下面是一些常见的轻量化网络设计方法： 网络剪枝：移除神经网络中冗余的连接和参数，以达到模型压缩和加速的目的。分组卷积：将卷积操作分解为若干个较小的卷积操作，并将它们分别作用于输入的不…
阅读更多...
应用在冷链运输中的数字温度传感芯片

应用在冷链运输中的数字温度传感芯片

冷链运输（Cold-chain transportation）是指在运输全过程中，无论是装卸搬运、变更运输方式、更换包装设备等环节，都使所运输货物始终保持一定温度的运输。冷链运输要求在中、长途运输及短途配送等运输环节的低温状态。它主要涉及铁路…
阅读更多...
论文笔记：Multi-Concept Customization of Text-to-Image Diffusion

论文笔记：Multi-Concept Customization of Text-to-Image Diffusion

0 概述 论文：Multi-Concept Customization of Text-to-Image Diffusion 源代码和数据：https://www.cs.cmu.edu/~custom-diffusion/ 当生成模型生成从大规模数据库中学习的概念的高质量图像时，用户通常希望合成他们自己的概念的实例(例如&…
阅读更多...
Python技能树练习——python字符串转列表

Python技能树练习——python字符串转列表

一、题目与解 把下列字符串转为列表格式输出 top_ide_trend """ Rank Change IDE Share Trend 1 Visual Studio 29.24 % 3.5 % 2 Eclipse 13.91 % -2.9 % 3 Visual Studio Code 12.07 % 3.3 % 4 Android Studio 9.13 % -2.5 % 5 pyCharm 8.43 % 0.7 % 6 …
阅读更多...
【设计模式】设计模式概述

【设计模式】设计模式概述

😀大家好，我是白晨，一个不是很能熬夜😫，但是也想日更的人✈。如果喜欢这篇文章，点个赞👍，关注一下👀白晨吧！你的支持就是我最大的动力！&#x1f4…
阅读更多...
中文编程工具开发软件实际案例：酒店饭店餐饮点餐管理系统软件编程实例

中文编程工具开发软件实际案例：酒店饭店餐饮点餐管理系统软件编程实例

中文编程工具开发软件实际案例：酒店饭店餐饮点餐管理系统软件编程实例图片如下 软件的安装方法： 软件绿色免安装，压缩包文件解压后，将文件夹复制到电脑的D或E盘里，将软件目录下的红色程序图标按右键发送到桌面快捷方式…
阅读更多...
泛微全新低代码平台e-builder在沪发布，超千名与会者共商数字化转型

泛微全新低代码平台e-builder在沪发布，超千名与会者共商数字化转型

10月18日下午，泛微低代码平台体验大会在上海顺利举办，大会以“智能、协同、全程数字化”为主题，吸引了上千位政府及企事单位的信息化负责人参与。 活动现场，参会者身临其境地体验了泛微低代码平台，了解了泛微低代码平…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023