PCL库学习及ROS使用

news2024/12/25 0:37:24

PCL库学习

c_cpp_properties.json

{
    "configurations": [
        {
            "name": "Linux",
            "includePath": [
                "${workspaceFolder}/**",
                "/usr/include",
                "/usr/local/include"
            ],
            "defines": [],
            "compilerPath": "/usr/bin/gcc",
            "cStandard": "c11",
            "cppStandard": "c++17",
            "intelliSenseMode": "clang-x64"
            // "compileCommands": "${workspaceFolder}/build/compile_commands.json"
        }
    ],
    "version": 4
}

CMakeLists.txt

cmake_minimum_required(VERSION 2.6)
project(pcl_demo)

find_package(PCL 1.14 REQUIRED)

include_directories(${PCL_INCLUDE_DIRS})
link_directories(${PCL_LIBRARY_DIRS})
add_definitions(${PCL_DEFINITIONS})

add_executable(pcl_read pcl_read.cpp)

target_link_libraries (pcl_read ${PCL_LIBRARIES})
# install(TARGETS pcl_read RUNTIME DESTINATION bin)

点云数据类型

  • pcl::PointXYZ：最简单也可能是最常用到的点类型；它只储存了3Dxyz的信息。
  • pcl::PointXYZI：除上面XYZ内容外还包含了一个描述点亮度（intensity）的字段。当想要获取传感器返回的亮度高于一定级别的点时非常有用。还有与此相似的其他两种标准的点数据类型：一是pcl::nterestPoint，它有一个字段储存强度（strength）；二是pcl::PointWithRange；它有一个字段储存距离（视点到采样点）。 pcl::PointXYZRGBA：这种点类型储存3D信息，也储存颜色（RGB＝Red，Green， Blue）和透明度（A＝Alpha）。
  • pcl::PointXYZRGB：这种点类型与前面的点类型相似，但是它没有透明度字段。
  • pcl::Normal：这是最常用的点类型，表示曲面上给定点处的法线以及测量的曲率。
  • pcl::PointNormal：这种点类型跟前一个点类型一样；它包含了给定点所在曲面法线以及曲率信息，但是它也包含了点的3Dxyz坐标。这种点类型的变异类型是PointXYZRGBNormal和 PointXYZINormal，正如名字所提示，它们包含了颜色（前者）和亮度（后者）。

公共字段

  • header：这个字段是pcl::PCLHeader类型，指定了点云的获取时间。
  • points：这个字段是std::vector＜PointT，…＞类型，它是储存所有点的容器。vector定 义中的PointT对应于类的模板参数，即点的类型。
  • width：这个字段指定了点云组织成一种图像时的宽度，否则它包含的是云中点的数量。
  • height：这个字段指定了点云组织成一种图像时的高度，否则它总是1。
  • is_dense：这个字段指定了点云中是否有无效值（无穷大或NaN值）。
  • sensor_origin_：这个字段是Eigen::Vector4f类型，并且定义了传感器根据相对于原点 的平移所得到的位姿。
  • sensor_orientation_：这个字段是Eigen::Quaternionf类型，并且定义了传感器旋转所 得到的位姿。

创建并保存点云

方式1

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>

int main()
{
    pcl::PointCloud<pcl::PointXYZ> cloud;
    // Fill in the cloud data
    cloud.width = 5;
    cloud.height = 1;
    cloud.is_dense = false;
    cloud.resize(cloud.width * cloud.height);
    for (auto &point : cloud)
    {
        point.x = 1024 * rand() / (RAND_MAX + 1.0f);
        point.y = 1024 * rand() / (RAND_MAX + 1.0f);
        point.z = 1024 * rand() / (RAND_MAX + 1.0f);
    }
    pcl::io::savePCDFileASCII("test_pcd.pcd", cloud);
    std::cerr << "Saved " << cloud.size() << " data points to test_pcd.pcd." << std::endl;
    for (const auto &point : cloud)
        std::cerr << "    " << point.x << " " << point.y << " " << point.z << std::endl;
    return 0;
}
/*************
Saved 5 data points to test_pcd.pcd.
    0.352222 -0.151883 -0.106395
    -0.397406 -0.473106 0.292602
    -0.731898 0.667105 0.441304
    -0.734766 0.854581 -0.0361733
    -0.4607 -0.277468 -0.916762
***************/

方式2

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>
#include <pcl/common/common_headers.h>
#include <pcl/visualization/pcl_visualizer.h>
#include <pcl/console/parse.h>

int main(int argc, char **argv)
{
    pcl::PointCloud<pcl::PointXYZ>::Ptr basic_cloud_ptr(new pcl::PointCloud<pcl::PointXYZ>);
    pcl::PointCloud<pcl::PointXYZRGB>::Ptr point_cloud_ptr(new pcl::PointCloud<pcl::PointXYZRGB>);
    uint8_t r(255), g(15), b(15);
    for(float z(-1.0); z < 1.0; z += 0.05)
    {
        for(float angle(0.0); angle <= 360.0; angle += 5.0)
        {
            pcl::PointXYZ  basic_point;
            basic_point.x = 0.5 * cosf(pcl::deg2rad(angle));
            basic_point.y = sinf(pcl::deg2rad(angle));
            basic_point.z = z;
            basic_cloud_ptr->points.push_back(basic_point);

            pcl::PointXYZRGB point;
            point.x = basic_point.x;
            point.y = basic_point.y;
            point.z = basic_point.z;
            uint32_t rgb = (static_cast<uint32_t>(r) << 16 | static_cast<uint32_t>(g) << 8 |static_cast<uint32_t>(b));
            point.rgb = *reinterpret_cast<float *> (&rgb);
            point_cloud_ptr->points.push_back(point); 
        }
        if(z<0.0)
        {
            r -= 12;
            g += 12;
        }
        else
        {
            g -= 12;
            b += 12;
        }
    }
    basic_cloud_ptr->width = (int)basic_cloud_ptr->points.size();
    basic_cloud_ptr->height = 1;
    basic_cloud_ptr->is_dense = false;
    pcl::io::savePCDFileASCII("test_pcd_basic_2.pcd", *basic_cloud_ptr);
    for(const auto &point:basic_cloud_ptr->points)
        std::cerr<<" "<<point.x<<" "<<point.y<<" "<<point.z<<std::endl;
    point_cloud_ptr->width = (int)point_cloud_ptr->points.size();
    point_cloud_ptr->height = 1;
    point_cloud_ptr->is_dense = false;
    pcl::io::savePCDFileASCII("test_pcd_point_2.pcd", *point_cloud_ptr);
    for(const auto &point:point_cloud_ptr->points)
        std::cerr<<" "<<point.x<<" "<<point.y<<" "<<point.z<<std::endl;
    return 0;    
}

test_pcd.pcd

# .PCD v.7 - Point Cloud Data file format
VERSION .7								# 版本号
FIELDS x y z 				    		#  指定一个点可以有的每一个维度和字段的名字
SIZE 4 4 4 								# 用字节数指定每一个维度的大小。例如：
TYPE F F F								# 用一个字符指定每一个维度的类型 int uint folat
COUNT 1 1 1 1							# 指定每一个维度包含的元素数目
WIDTH 5   						  	    # 像图像一样的有序结构，有5行和1列，
HEIGHT 1    					  		# 这样该数据集中共有5*1=5个点
VIEWPOINT 0 0 0 1 0 0 0					# 指定数据集中点云的获取视点 视点信息被指定为平移（txtytz）+四元数（qwqxqyqz）
POINTS 5								# 指定点云中点的总数。从0.7版本开始，该字段就有点多余了
DATA ascii								# 指定存储点云数据的数据类型。支持两种数据类型：ascii和二进制
0.35222197 -0.15188313 -0.10639524
-0.3974061 -0.47310591 0.29260206
-0.73189831 0.66710472 0.44130373
-0.73476553 0.85458088 -0.036173344
-0.46070004 -0.2774682 -0.91676188

读取点云

#include <iostream>
#include <pcl/io/pcd_io.h>
#include <pcl/point_types.h>

int main(int argc, char ** argv)
{
    pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);

    if(pcl::io::loadPCDFile<pcl::PointXYZ>("/home/ghigher/CPuls_Project/test01/build/test_pcd.pcd", *cloud) == -1)
    {
        PCL_ERROR("Couldn`t read file test_pcd.pcd \n");
        return -1;
    }

    std::cout<<"Load " << cloud->width * cloud->height << "data points from test_pcd.pcd width the following fields:" <<std::endl;
    for(size_t i = 0; i<cloud->points.size(); ++i)
    {
        std::cout << " "<< cloud->points[i].x << " "<< cloud->points[i].y <<" "<< cloud->points[i].z << std::endl;
    }
    return 0;
}
/*********************************
Load 5data points from test_pcd.pcd width the following fields:
 0.352222 -0.151883 -0.106395
 -0.397406 -0.473106 0.292602
 -0.731898 0.667105 0.441304
 -0.734766 0.854581 -0.0361733
 -0.4607 -0.277468 -0.916762
*********************************/

显示点云

#include <pcl/visualization/cloud_viewer.h>
#include <iostream>
#include <pcl/io/io.h>
#include <pcl/io/pcd_io.h>

int main()
{
    pcl::PointCloud<pcl::PointXYZRGB>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZRGB>);
    pcl::io::loadPCDFile("/home/ghigher/CPuls_Project/test01/build/test_pcd_point_2.pcd", *cloud);
    //创建CloudViewer点云显示对象
    pcl::visualization::CloudViewer viewer("Cloud Viewer");
    viewer.showCloud(cloud);
    while(!viewer.wasStopped())
    {

    }
    return 0;
}
image-20240217155304489

KDTree

#include <pcl/point_cloud.h>        //点类型定义头文件
#include <pcl/kdtree/kdtree_flann.h> //kdtree类定义头文件

#include <iostream>
#include <vector>
#include <ctime>

int
main (int argc, char** argv)
{
  srand (time (NULL));   //用系统时间初始化随机种子
  //创建一个PointCloud<pcl::PointXYZ>
  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);

  // 随机点云生成
  cloud->width = 1000;             //此处点云数量
  cloud->height = 1;                //表示点云为无序点云
  cloud->points.resize (cloud->width * cloud->height);

  for (size_t i = 0; i < cloud->points.size (); ++i)   //循环填充点云数据
  {
    cloud->points[i].x = 1024.0f * rand() / (RAND_MAX + 1.0f); // // 产生数值为0-1024的浮点数
    cloud->points[i].y = 1024.0f * rand () / (RAND_MAX + 1.0f);
    cloud->points[i].z = 1024.0f * rand () / (RAND_MAX + 1.0f);
  }
 //创建KdTreeFLANN对象，并把创建的点云设置为输入,创建一个searchPoint变量作为查询点
  pcl::KdTreeFLANN<pcl::PointXYZ> kdtree; // pcl::KdTreeFLANN<PointT, Dist>::setInputCloud (const PointCloudConstPtr &cloud, const IndicesConstPtr &indices)
  //设置搜索空间
  kdtree.setInputCloud (cloud);
  //设置查询点并赋随机值
  pcl::PointXYZ searchPoint;
  searchPoint.x = 1024.0f * rand () / (RAND_MAX + 1.0f);
  searchPoint.y = 1024.0f * rand () / (RAND_MAX + 1.0f);
  searchPoint.z = 1024.0f * rand () / (RAND_MAX + 1.0f);

  // K 临近搜索
  //创建一个整数（设置为10）和两个向量来存储搜索到的K近邻，两个向量中，一个存储搜索到查询点近邻的索引，另一个存储对应近邻的距离平方
  int K = 10;

  std::vector<int> pointIdxNKNSearch(K);      //存储查询点近邻索引
  std::vector<float> pointNKNSquaredDistance(K); //存储近邻点对应距离平方
  //打印相关信息
  std::cout << "K nearest neighbor search at (" << searchPoint.x 
            << " " << searchPoint.y 
            << " " << searchPoint.z
            << ") with K=" << K << std::endl;

  if ( kdtree.nearestKSearch (searchPoint, K, pointIdxNKNSearch, pointNKNSquaredDistance) > 0 )  //执行K近邻搜索
  {
     //打印所有近邻坐标
    for (size_t i = 0; i < pointIdxNKNSearch.size (); ++i)
      std::cout << "    "  <<   cloud->points[ pointIdxNKNSearch[i] ].x 
                << " " << cloud->points[ pointIdxNKNSearch[i] ].y 
                << " " << cloud->points[ pointIdxNKNSearch[i] ].z 
                << " (squared distance: " << pointNKNSquaredDistance[i] << ")" << std::endl;
  }

  // 半径 R内近邻搜索方法

  std::vector<int> pointIdxRadiusSearch;           //存储近邻索引
  std::vector<float> pointRadiusSquaredDistance;   //存储近邻对应距离的平方

  float radius = 256.0f * rand () / (RAND_MAX + 1.0f);   //随机的生成某一半径
  //打印输出
  std::cout << "Neighbors within radius search at (" << searchPoint.x 
            << " " << searchPoint.y 
            << " " << searchPoint.z
            << ") with radius=" << radius << std::endl;

  // 假设我们的kdtree返回了大于0个近邻。那么它将打印出在我们"searchPoint"附近的10个最近的邻居并把它们存到先前创立的向量中。
  if ( kdtree.radiusSearch (searchPoint, radius, pointIdxRadiusSearch, pointRadiusSquaredDistance) > 0 )  //执行半径R内近邻搜索方法
  {
    for (size_t i = 0; i < pointIdxRadiusSearch.size (); ++i)
      std::cout << "    "  <<   cloud->points[ pointIdxRadiusSearch[i] ].x 
                << " " << cloud->points[ pointIdxRadiusSearch[i] ].y 
                << " " << cloud->points[ pointIdxRadiusSearch[i] ].z 
                << " (squared distance: " << pointRadiusSquaredDistance[i] << ")" << std::endl;
  }


  return 0;
}
/**************************
K nearest neighbor search at (763.71 771.792 499.333) with K=10
    743.497 707.763 466.9 (squared distance: 5560.2)
    743.305 814.092 581.355 (squared distance: 8933.23)
    831.035 753.543 578.683 (squared distance: 11162.2)
    706.388 734.124 580.101 (squared distance: 11228.1)
    811.653 670.148 524.748 (squared distance: 13276)
    819.709 753.288 599.12 (squared distance: 13435.7)
    852.38 697.685 530.509 (squared distance: 14326.1)
    817.204 665.183 481.782 (squared distance: 14535)
    694 796.036 396.447 (squared distance: 16032.8)
    788.24 794.644 621.827 (squared distance: 16128.8)
Neighbors within radius search at (763.71 771.792 499.333) with radius=118.164
    743.497 707.763 466.9 (squared distance: 5560.2)
    743.305 814.092 581.355 (squared distance: 8933.23)
    831.035 753.543 578.683 (squared distance: 11162.2)
    706.388 734.124 580.101 (squared distance: 11228.1)
    811.653 670.148 524.748 (squared distance: 13276)
    819.709 753.288 599.12 (squared distance: 13435.7)
**************************/

ROS中使用

PCL接口

  • std_msgs::Header：通常是每一个ROS消息的一部分。它包含消息发送时间、序列号和坐标系名称等信息。等价于pcl::Headertype。
  • sensor_msgs::PointCloud2：用来转换pcl::PointCloud类型
  • pcl_msgs::PointIndices：这个消息类型储存了一个点云中点的索引，等价PCL类型是pcl::PointIndices。
  • pcl_msgs::PolygonMesh：这个消息类型保存了描绘网格、顶点和多边形的信息，等价PCL类型是pcl::PolygonMesh。
  • pcl_msgs::Vertices：这个消息类型将一组顶点的索引保存在一个数组中，例如描述一个多边形。等价PCL类型是pcl::Vertices。
  • pcl_msgs::ModelCoefficients：这个消息类型储存了一个模型的不同系数，例如描述一 个平面需要的四个参数。等价的PCL类型是pcl:ModelCoefficients。
void toROSMsg(const pcl::PointCloud<T> &, sensor_msgs::PointCloud2 &); 
void fromROSMsg(const sensor_msgs::PointCloud2 &, pcl::PointCloud<T> &);
void moveFromROSMsg(sensor_msgs::PointCloud2 &, pcl::PointCloud<T> &);

创建并发布

依赖

  message_filters roscpp rosbag rospy sensor_msgs std_msgs pcl_ros pcl_conversions message_generation

#include <iostream>
#include <pcl/point_types.h>
#include <pcl_conversions/pcl_conversions.h>
#include <ros/ros.h>
#include <sensor_msgs/PointCloud2.h>


int main(int argc, char **argv)
{
    ros::init(argc, argv, "point_cloud_node");
    ros::NodeHandle nh;
    ros::Publisher pub = nh.advertise<sensor_msgs::PointCloud2>("pointcloud_pub_topic", 1000);
    ros::Rate rate(3);

    unsigned int num_points = 4;
    pcl::PointCloud<pcl::PointXYZRGB> cloud;
    cloud.points.resize(num_points);
    sensor_msgs::PointCloud2 output_msg;

    while(ros::ok())
    {
        output_msg.header.stamp = ros::Time::now();
        for(int i=0; i<num_points; i++)
        {
            cloud.points[i].x = i;
            cloud.points[i].y = i;
            cloud.points[i].z = i;
            cloud.points[i].r = 0;
            cloud.points[i].g = 255;
            cloud.points[i].b = 0;
        }
        pcl::toROSMsg(cloud, output_msg);
        output_msg.header.frame_id = "point_cloud_frame_id";
        pub.publish(output_msg);
        rate.sleep();
    }
    ros::spin();
    return 0;

}
image-20240217155602698

接收并进行位姿转换

#include <ros/ros.h>
#include <sensor_msgs/PointCloud2.h>
#include <pcl/point_types.h>
#include <pcl_conversions/pcl_conversions.h>
#include <pcl/common/transforms.h>
#include <pcl/visualization/cloud_viewer.h>
#include <pcl/filters/voxel_grid.h>

class pcl_sub
{
    private:
        ros::NodeHandle nh;
        ros::Subscriber subCloud;
        ros::Publisher pubCloud;
        sensor_msgs::PointCloud2 msg;
        sensor_msgs::PointCloud2 adjust_msg;
        pcl::PointCloud<pcl::PointXYZRGB> adjust_pcl;
    public:
        pcl_sub():nh("~")
        {
            subCloud = nh.subscribe<sensor_msgs::PointCloud2>("/point_cloud_topic", 1, &pcl_sub::getcloud, this);
            pubCloud = nh.advertise<sensor_msgs::PointCloud2>("/adjust_msgs", 1);
        }
        void getcloud(const sensor_msgs::PointCloud2ConstPtr &laserCloudMsg)
        {
            pcl::PointCloud<pcl::PointXYZRGB>::Ptr adjust_pcl_ptr(new pcl::PointCloud<pcl::PointXYZRGB>);
            //将ROS消息转换为PCL点云
            pcl::fromROSMsg(*laserCloudMsg, *adjust_pcl_ptr);
            //定义一个旋转矩阵 虽然为3D 实质上是4x4矩阵(旋转+平移)
            Eigen::Isometry3d T = Eigen::Isometry3d::Identity();
            Eigen::AngleAxisd rotationVector(M_PI/4, Eigen::Vector3d(0, 0, 1));
            Eigen::Matrix3d rotationMatrix = Eigen::Matrix3d::Identity();
            rotationMatrix = rotationVector.toRotationMatrix();
            //旋转部分赋值
            T.linear() = rotationMatrix;
            //平移部分赋值
            T.translation() = Eigen::Vector3d(0, 0, 0);
            //执行变换 保存结果
            pcl::PointCloud<pcl::PointXYZRGB>::Ptr transform_cloud(new pcl::PointCloud<pcl::PointXYZRGB>);
            pcl::transformPointCloud (*adjust_pcl_ptr, *transform_cloud, T.matrix());
            adjust_pcl = *transform_cloud;
            for(int i = 0; i<adjust_pcl.points.size();i++)
            {
                adjust_pcl.points[i].r = 255;
                adjust_pcl.points[i].g = 0;
                adjust_pcl.points[i].b = 0;
            }
            //将PCL点云转换为ROS消息
            pcl::toROSMsg(adjust_pcl, adjust_msg);
            pubCloud.publish(adjust_msg);
        }
        ~pcl_sub(){}
};

int main(int argc, char **argv)
{
    ros::init(argc, argv, "point_cloud_transform");
    pcl_sub ps;
    ros::spin();
    return 0;
}
image-20240217173448241

参考视频:https://space.bilibili.com/222855903

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/1452877.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

把Activity当做dialog对话框使用

把Activity当做dialog对话框使用

1、引言 在安卓开发中对话框的使用是不可避免的&#xff0c;但是原生的对话框用起来总感觉差点意思&#xff0c;而且位置不好控制&#xff0c;在与界面的交互上也不够灵活&#xff0c;没有像activity那样的生命周期方法&#xff0c;以至于某些特殊的功能无法实现。此时我们就希…
阅读更多...
深度学习主流开源框架：Caffe、TensorFlow、Pytorch、Theano、Keras、MXNet、Chainer

深度学习主流开源框架：Caffe、TensorFlow、Pytorch、Theano、Keras、MXNet、Chainer

2.6 深度学习主流开源框架 表2.1 深度学习主流框架参数对比 框架关键词总结 框架关键词基本数据结构&#xff08;都是高维数组&#xff09;Caffe“在工业中应用较为广泛”&#xff0c;“编译安装麻烦一点”BlobTensorFlow“安装简单pip”TensorPytorch“定位&#xff1a;快…
阅读更多...
数据库MySQL中出现乱码和表格不对齐怎么解决

数据库MySQL中出现乱码和表格不对齐怎么解决

MySQL中出现乱码问题及解决办法&#xff1a; 情况类似&#xff1a; 首先进入到数据库中&#xff0c;命令&#xff1a;mysql -h localhost -uroot -p或者mysql -uroot -p;进入数据库后选择一个你的数据库查看表中的中文是否乱码 以上是数据库中表格出现乱码情况&#xff0c;原…
阅读更多...
项目架构梳理

项目架构梳理

单点登录组件 CREATE TABLE user_info (id int(11) NOT NULL AUTO_INCREMENT COMMENT 自增主键,用户id,username varchar(30) NOT NULL COMMENT 用户姓名,password varchar(60) NOT NULL COMMENT 密码,token varchar(60) DEFAULT NULL COMMENT token,token_expire datetime DEF…
阅读更多...
1.8 NLP自然语言处理

1.8 NLP自然语言处理

NLP自然语言处理 更多内容&#xff0c;请关注&#xff1a; github&#xff1a;https://github.com/gotonote/Autopilot-Notes.git 一、简介 seq2seq(Sequence to Sequence)是一种输入不定长序列&#xff0c;产生不定长序列的模型&#xff0c;典型的处理任务是机器翻译&#…
阅读更多...
BUGKU-WEB game1

BUGKU-WEB game1

题目描述 题目截图如下&#xff1a; 进入场景看看&#xff1a; 是一个盖楼的游戏&#xff01; 解题思路 先看看源码&#xff0c;好像没发现什么特别的是不是要得到一定的分数才会有对应的flag&#xff1f;查看下F12&#xff0c;请求链接发现&#xff0c;这不就提示了 相…
阅读更多...
第13章 网络 Page738~741 13.8.3 TCP/UDP简述

第13章 网络 Page738~741 13.8.3 TCP/UDP简述

libcurl是C语言写成的网络编程工具库&#xff0c;asio是C写的网络编程的基础类型库 libcurl只用于客户端&#xff0c;asio既可以写客户端&#xff0c;也可以写服务端 libcurl实现了HTTP\FTP等应用层协议&#xff0c;但asio却只实现了传输层TCP/UDP等协议。 在学习http时介绍…
阅读更多...
九大问题困扰企业财务数字化转型，你准备好解决了吗？

九大问题困扰企业财务数字化转型，你准备好解决了吗？

随着数字化浪潮的推进&#xff0c;企业财务管理也迎来了转型的关键时刻。然而&#xff0c;多年的数字化转型经验告诉我们&#xff0c;企业在这一过程中普遍面临着许多挑战和痛点。接下来&#xff0c;我们将逐一深入剖析这些痛点&#xff0c;并探讨如何有效应对。 一、数据孤岛问…
阅读更多...
【大厂AI课学习笔记】【2.1 人工智能项目开发规划与目标】（3）数据准备初步

【大厂AI课学习笔记】【2.1 人工智能项目开发规划与目标】（3）数据准备初步

今天来学习数据准备。 一个AI项目要包括构建数据集、数据清理和数据融合、数据采集、特征工程、算法改进和其他步骤。 数据采集和数据清洗&#xff0c;也就是数据准备&#xff0c;要占到人工智能项目一半以上的工作量。 训练的数据量越大&#xff0c;模型越准确。 建立数据标…
阅读更多...
一篇文章入门postmain接口测试

一篇文章入门postmain接口测试

一、了解接口和接口测试 1、什么是接口? 电脑&#xff1a;USB&#xff0c;投影机(数据传输) 软件&#xff1a;统称APl,application,program,interface,微信提现和充值&#xff0c;支付宝支付&#xff0c;银联支付接口。(鉴权码&#xff1a;token,key,appkey) 2、接口包括&…
阅读更多...
关于umi ui图标未显示问题

关于umi ui图标未显示问题

使用ant design pro 时&#xff0c;安装了umi ui &#xff0c;安装命令&#xff1a; yarn add umijs/preset-ui -D但是启动项目后&#xff0c;发现没有显示umi ui的图标 找了许多解决方案&#xff0c;发现 umi的版本问题&#xff0c;由于我使用的ant design pro官网最新版本&a…
阅读更多...
tf.linspace时出现Could not find valid device for node.

tf.linspace时出现Could not find valid device for node.

背景&#xff1a; 在使用tensorflow2.x的时候,当使用tf.linspace的时候会出现如下的报错&#xff1a; import os os.environ[TF_CPP_MIN_LOG_LEVEL] 2import tensorflow as tf from tensorflow import keras import numpy as npdef out():# x tf.constant(np.arange(12).re…
阅读更多...
实现低功耗设计的嵌入式系统技术

实现低功耗设计的嵌入式系统技术

&#xff08;本文为简单介绍&#xff0c;观点来源网络&#xff09; 在嵌入式系统设计中&#xff0c;追求低功耗已成为一个核心指标&#xff0c;旨在延长设备的运行时间并提升能效。实现这一目标的途径是多元的&#xff0c;涉及从硬件选型到软件算法的各个层面。 首先&#xf…
阅读更多...
顺序结构实现栈

顺序结构实现栈

顺序结构实现栈 1. 栈1.1 栈的概念及结构1.2栈的实现 2. 栈的各种函数实现3. 全部代码实现 1. 栈 1.1 栈的概念及结构 栈&#xff1a;一种特殊的线性表&#xff0c;其只允许在固定的一端进行插入和删除元素操作。进行数据插入和删除操作的一端称为栈顶&#xff0c;另一端称为…
阅读更多...
浅析太阳能电池量子效率测试系统的主要组成部分

浅析太阳能电池量子效率测试系统的主要组成部分

太阳能电池量子效率测试系统是用于对太阳能电池进行量子效率测试的设备。量子效率是指太阳能电池在接收光照射时&#xff0c;将光子转化为电子的效率。太阳能电池的量子效率越高&#xff0c;其转化光能为电能的效率就越高。主要由以下几个组成部分构成&#xff1a; 光源&#x…
阅读更多...
MIT-BEVFusion系列八--onnx导出2 spconv network网络导出

MIT-BEVFusion系列八--onnx导出2 spconv network网络导出

这里写目录标题 export-scn.py加载模型设置每层的精度属性初始化输入参数导出模型model.encoder_layers 设置初始化参数设置 indice_key 属性更改 lidar backbone 的 forward更改lidar网络内各个层的forward带参数装饰器&#xff0c;钩子函数代码使用装饰器修改forward举例 跟踪…
阅读更多...
SpringBoot实战第五天

SpringBoot实战第五天

最后在开发一个文件上传接口&#xff0c;结束后端部分开发 文件上传接口 先看接口文档 阅读接口文档&#xff0c;唯一问题就是项目暂时还没有传到服务器上&#xff0c;所以对文件的存储与读取暂时在项目本地进行 Controller层 RestController public class FileUploadCont…
阅读更多...
探索设计模式的魅力：揭秘模版方法模式-让你的代码既灵活又可维护

探索设计模式的魅力：揭秘模版方法模式-让你的代码既灵活又可维护

设计模式专栏&#xff1a;http://t.csdnimg.cn/U54zu 目录 一、开篇二、应用场景一坨坨代码实现存在的问题 三、解决方案模式方法结构示意图及说明用模板方法模式重构示例解决的问题 四、工作原理使用模板方法模式重写示例结构图核心结构&#xff1a;抽象类和具体实现 五、总结…
阅读更多...
IDEA 的28 个天花板技巧，yyds！

IDEA 的28 个天花板技巧，yyds！

IDEA 作为Java开发工具的后起之秀，几乎以碾压之势把其他对手甩在了身后，主要原因还是归功于：好用；虽然有点重，但依旧瑕不掩瑜，内置了非常多的功能，大大提高了日常的开发效率，下面汇总了常用的28个使用小技巧，学会之后，让你的撸码效率直接起飞... 注意：不同idea版本菜…
阅读更多...
计算机二级之sql语言的学习（数据模型—概念模型）

计算机二级之sql语言的学习（数据模型—概念模型）

概念模型 含义: 概念模型用于信息世界&#xff08;作用对象&#xff09;的建模&#xff0c;是实现现实世界到信息世界&#xff08;所以万丈高楼平地起&#xff0c;不断地学习相关的基础知识&#xff0c;保持不断地重复才能掌握最为基础的基础知识&#xff09;的概念抽象&#…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023