智能驾驶 车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》

news2024/11/20 13:35:43

智能驾驶 车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》

目录

智能驾驶 车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》

1. 前言

2. 车牌检测模型（YOLOv5）

（1） 将Pytorch模型转换ONNX模型

（2） 将ONNX模型转换为TNN模型

3. 车牌识别模型（PlateNet）

（1） 将Pytorch模型转换ONNX模型

（2） 将ONNX模型转换为TNN模型

4. 车牌检测和识别C++端上部署

（1） 项目结构

（2） 配置开发环境(OpenCV+OpenCL+base-utils+TNN)

（3） 部署TNN模型

（4）CMake配置

（5）main源码

（6）源码编译和运行

5. 车牌检测和识别效果

6. 项目源码下载

1. 前言

这是项目《智能驾驶 车牌检测和识别》系列之《C++实现车牌检测和识别（可实时车牌识别）》；本项目将开发一个C/C++版本的车牌检测和识别，其中车牌检测算法采用YOLOv5模型，车牌识别算法采用PlateNet模型；车牌检测和识别Demo在OpenCL加速下，可以达到实时的检测和识别效果，基本满足业务的性能需求。

车牌识别Demo效果展示：

【 整套项目下载地址】：智能驾驶 车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》

【Android Demo体验】Android实现车牌检测和识别-Android文档类资源-CSDN下载

【尊重原创，转载请注明出处】 智能驾驶 车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704276

 更多项目《智能驾驶 车牌检测和识别》系列文章请参考：

  1. 智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》：https://blog.csdn.net/guyuealian/article/details/128704181
  2. 智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704068
  3. 智能驾驶 车牌检测和识别（三）《CRNN和LPRNet实现车牌识别（含车牌识别数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704209
  4. 智能驾驶 车牌检测和识别（四）《Android实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704242
  5. 智能驾驶 车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704276
  6. 智能驾驶 红绿灯检测（一）《红绿灯(交通信号灯)数据集》：https://blog.csdn.net/guyuealian/article/details/128222850
  7. 智能驾驶 红绿灯检测（二）《YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)》：https://blog.csdn.net/guyuealian/article/details/128240198
  8. 智能驾驶 红绿灯检测（三）《Android实现红绿灯检测(含Android源码 可实时运行)》：https://blog.csdn.net/guyuealian/article/details/128240334

  9. 智能驾驶 车辆检测（一）《UA-DETRAC BITVehicle车辆检测数据集》：https://blog.csdn.net/guyuealian/article/details/127907325

  10. 智能驾驶 车辆检测（二）《YOLOv5实现车辆检测(含车辆检测数据集+训练代码)》：https://blog.csdn.net/guyuealian/article/details/128099672

  11. 智能驾驶 车辆检测（三）《Android实现车辆检测(含Android源码 可实时运行)》：https://blog.csdn.net/guyuealian/article/details/128190532

2. 车牌检测模型（YOLOv5）

车牌检测模型训练过程，请参考：智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704068

为了能部署在开发板或者手机平台上，本人对YOLOv5s进行了简单的模型轻量化，并开发了一个轻量级的版本yolov5s05_416和yolov5s05_320模型；轻量化模型在普通Android手机上可以达到实时的检测效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。下表格给出轻量化模型的计算量和参数量以及其检测精度

模型input-sizeparams(M)GFLOPsmAP_0.5:0.95
yolov5s640×6407.216.50.75261
yolov5s05416×4161.71.80.74593
yolov5s05320×3201.71.10.74341

车牌检测效果：

 YOLOv5车牌检测模型在C++端上部署过程，请参考如下

（1） 将Pytorch模型转换ONNX模型

训练好yolov5s05或者yolov5s模型后，你需要将模型转换为ONNX模型，并使用onnx-simplifier简化网络结构

# 转换yolov5s05模型
python export.py --weights "runs/yolov5s05_320/weights/best.pt" --img-size 320 320

# 转换yolov5s模型
python export.py --weights "runs/yolov5s_640/weights/best.pt" --img-size 640 640

GitHub： https://github.com/daquexian/onnx-simplifier
Install:  pip3 install onnx-simplifier 

（2） 将ONNX模型转换为TNN模型

目前CNN模型有多种部署方式，可以采用TNN，MNN,NCNN，以及TensorRT等部署工具，鄙人采用TNN进行Android端上部署：

TNN转换工具：

  • （1）将ONNX模型转换为TNN模型，请参考TNN官方说明：TNN/onnx2tnn.md at master · Tencent/TNN · GitHub
  • （2）一键转换，懒人必备：一键转换 Caffe, ONNX, TensorFlow 到 NCNN, MNN, Tengine   (可能存在版本问题，这个工具转换的TNN模型可能不兼容，建议还是自己build源码进行转换，2022年9约25日测试可用)

​

3. 车牌识别模型（PlateNet）

车牌识别模型训练过程，请参考 智能驾驶 车牌检测和识别（三）《CRNN和LPRNet实现车牌识别（含车牌识别数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704209

项目基于CRNN或LPRNet模型构建车牌识别算法，支持绿牌和蓝牌识别；为方便后续工程化，项目对CRNN模型进行魔改，提出一个PlateNet模型，用于支持部署到Android平台或者开发板上

整套智能车牌检测和识别系统，在OpenCL加速下，可以达到实时的检测效果，基本满足业务的性能需求。下表格给出CRNN，LPRNet和PlateNet模型的计算量和参数量以及其车牌识别的准确率：

模型input-sizeparams(M)GFLOPsAccuracy
LPRNet94×240.48M0.147GFlops0.9393
CRNN160×328.35M1.06GFlops0.9343
PlateNet168×481.92M1.25GFlops0.9583

车牌识别Demo效果展示：

 PlateNet车牌识别模型在C++端上部署过程，请参考如下

（1） 将Pytorch模型转换ONNX模型

车牌识别项目源码demo.py文件中参数--export设置为True，可将Pytorch的模型转换为ONNX模型文件，且ONNX文件会默认保存在Pytorch的模型文件同一目录下。

（2） 将ONNX模型转换为TNN模型

TNN转换工具，请参考：

  • （1）将ONNX模型转换为TNN模型，请参考TNN官方说明：TNN/onnx2tnn.md at master · Tencent/TNN · GitHub
  • （2）一键转换，懒人必备：一键转换 Caffe, ONNX, TensorFlow 到 NCNN, MNN, Tengine   (可能存在版本问题，这个工具转换的TNN模型可能不兼容，建议还是自己build源码进行转换，2022年9约25日测试可用)

4. 车牌检测和识别C++端上部署

（1） 项目结构

（2） 配置开发环境(OpenCV+OpenCL+base-utils+TNN)

项目仅在Ubuntu18.04进行测试，Windows系统下请自行配置和编译

  • 安装OpenCV：图像处理

图像处理（如读取图片，图像裁剪等）都需要使用OpenCV库进行处理

安装教程：Ubuntu18.04安装opencv和opencv_contrib_AI吃大瓜的博客-CSDN博客_opencv opencv_contrib ubuntu

OpenCV库使用opencv-4.3.0版本，opencv_contrib库暂时未使用，可不安装

  • 安装OpenCL：模型加速

 安装教程：Ubuntu16.04 安装OpenCV&OpenCL_xiaozl_284的博客-CSDN博客_clinfo源码下载

OpenCL用于模型GPU加速，若不使用OpenCL进行模型推理加速，纯C++推理模型，速度会特别特别慢

  • base-utils：C++库

GitHub：https://github.com/PanJinquan/base-utils （无需安装，项目已经配置了）

base_utils是个人开发常用的C++库，集成了C/C++ OpenCV等常用的算法

  • TNN：模型推理

GitHub：https://github.com/Tencent/TNN （无需安装，项目已经配置了）

由腾讯优图实验室开源的高性能、轻量级神经网络推理框架，同时拥有跨平台、高性能、模型压缩、代码裁剪等众多突出优势。TNN框架在原有Rapidnet、ncnn框架的基础上进一步加强了移动端设备的支持以及性能优化，同时借鉴了业界主流开源框架高性能和良好拓展性的特性，拓展了对于后台X86, NV GPU的支持。手机端 TNN已经在手机QQ、微视、P图等众多应用中落地，服务端TNN作为腾讯云AI基础加速框架已为众多业务落地提供加速支持。

（3） 部署TNN模型

项目实现了C/C++版本的车牌检测和车牌识别，车牌检测模型YOLOv5和车牌识别模型PlateNet，模型推理采用TNN部署框架（支持多线程CPU和GPU加速推理）；图像处理采用OpenCV库，模型加速采用OpenCL，在普通设备即可达到实时处理。

如果你想在这个 Demo部署你自己训练的车牌检测模型YOLOv5和车牌识别模型PlateNet，你可将训练好的Pytorch模型转换ONNX ，再转换成TNN模型，然后把原始的模型替换成你自己的TNN模型即可。

（4）CMake配置

这是CMakeLists.txt，其中主要配置OpenCV+OpenCL+base-utils+TNN这四个库，Windows系统下请自行配置和编译

cmake_minimum_required(VERSION 3.5)
project(Detector)

add_compile_options(-fPIC) # fix Bug: can not be used when making a shared object
set(CMAKE_CXX_FLAGS "-Wall -std=c++11 -pthread")
#set(CMAKE_CXX_FLAGS_RELEASE "-O2 -DNDEBUG")
#set(CMAKE_CXX_FLAGS_DEBUG "-g")

if (NOT CMAKE_BUILD_TYPE AND NOT CMAKE_CONFIGURATION_TYPES)
    # -DCMAKE_BUILD_TYPE=Debug
    # -DCMAKE_BUILD_TYPE=Release
    message(STATUS "No build type selected, default to Release")
    set(CMAKE_BUILD_TYPE "Release" CACHE STRING "Build type (default Debug)" FORCE)
endif ()

# opencv set
find_package(OpenCV REQUIRED)
include_directories(${OpenCV_INCLUDE_DIRS} ./src/)
#MESSAGE(STATUS "OpenCV_INCLUDE_DIRS = ${OpenCV_INCLUDE_DIRS}")

# base_utils
set(BASE_ROOT 3rdparty/base-utils) # 设置base-utils所在的根目录
add_subdirectory(${BASE_ROOT}/base_utils/ base_build) # 添加子目录到build中
include_directories(${BASE_ROOT}/base_utils/include)
include_directories(${BASE_ROOT}/base_utils/src)
MESSAGE(STATUS "BASE_ROOT = ${BASE_ROOT}")


# TNN set
# Creates and names a library, sets it as either STATIC
# or SHARED, and provides the relative paths to its source code.
# You can define multiple libraries, and CMake builds it for you.
# Gradle automatically packages shared libraries with your APK.
# build for platform
if (CMAKE_SYSTEM_NAME MATCHES "Android")
    set(TNN_OPENCL_ENABLE ON CACHE BOOL "" FORCE)
    set(TNN_ARM_ENABLE ON CACHE BOOL "" FORCE)
    set(TNN_BUILD_SHARED OFF CACHE BOOL "" FORCE)
    set(TNN_OPENMP_ENABLE ON CACHE BOOL "" FORCE)  # Multi-Thread
    #set(TNN_HUAWEI_NPU_ENABLE OFF CACHE BOOL "" FORCE)
    add_definitions(-DTNN_OPENCL_ENABLE)           # for OpenCL GPU
    add_definitions(-DTNN_ARM_ENABLE)              # for Android CPU
    add_definitions(-DDEBUG_ANDROID_ON)            # for Android Log
    add_definitions(-DPLATFORM_ANDROID)
elseif (CMAKE_SYSTEM_NAME MATCHES "Linux")
    set(TNN_OPENCL_ENABLE ON CACHE BOOL "" FORCE)
    set(TNN_CPU_ENABLE ON CACHE BOOL "" FORCE)
    set(TNN_X86_ENABLE OFF CACHE BOOL "" FORCE)
    set(TNN_QUANTIZATION_ENABLE OFF CACHE BOOL "" FORCE)
    set(TNN_OPENMP_ENABLE OFF CACHE BOOL "" FORCE)  # Multi-Thread
    add_definitions(-DTNN_OPENCL_ENABLE)           # for OpenCL GPU
    add_definitions(-DDEBUG_ON)                    # for WIN/Linux Log
    add_definitions(-DDEBUG_LOG_ON)                # for WIN/Linux Log
    add_definitions(-DDEBUG_IMSHOW_OFF)            # for OpenCV show
    add_definitions(-DPLATFORM_LINUX)
elseif (CMAKE_SYSTEM_NAME MATCHES "Windows")
    set(TNN_OPENCL_ENABLE ON CACHE BOOL "" FORCE)
    set(TNN_CPU_ENABLE ON CACHE BOOL "" FORCE)
    set(TNN_X86_ENABLE ON CACHE BOOL "" FORCE)
    set(TNN_QUANTIZATION_ENABLE OFF CACHE BOOL "" FORCE)
    set(TNN_OPENMP_ENABLE ON CACHE BOOL "" FORCE)  # Multi-Thread
    add_definitions(-DTNN_OPENCL_ENABLE)           # for OpenCL GPU
    add_definitions(-DDEBUG_ON)                    # for WIN/Linux Log
    add_definitions(-DDEBUG_LOG_ON)                # for WIN/Linux Log
    add_definitions(-DDEBUG_IMSHOW_OFF)            # for OpenCV show
    add_definitions(-DPLATFORM_WINDOWS)
endif ()
set(TNN_ROOT 3rdparty/TNN)
#set(TNN_ROOT 3rdparty/TNN-latest)
include_directories(${TNN_ROOT}/include)
include_directories(${TNN_ROOT}/third_party/opencl/include)
add_subdirectory(${TNN_ROOT}) # 添加外部项目文件夹
set(TNN -Wl,--whole-archive TNN -Wl,--no-whole-archive)# set TNN library
MESSAGE(STATUS "TNN_ROOT = ${TNN_ROOT}")


# Detector
include_directories(src)
set(SRC_LIST
        src/crnn.cpp
        src/yolov5.cpp
        src/Interpreter.cpp)
add_library(dmcv SHARED ${SRC_LIST})
target_link_libraries(dmcv
        ${TNN}
        ${OpenCV_LIBS}
        base_utils)
MESSAGE(STATUS "DIR_SRCS = ${SRC_LIST}")


add_executable(demo src/main_for_crnn.cpp)
target_link_libraries(demo dmcv -lpthread)

（5）main源码

主程序中函数main_for_detect_plate()实现车牌检测+车牌识别的过程，函数main_for_plate()仅仅包含车牌识别，没有车牌检测

//
// Created by on 2020/6/24.
//

#include "crnn.h"
#include <iostream>
#include <string>
#include <vector>
#include "file_utils.h"
#include "yolov5.h"


using namespace dl;
using namespace vision;
using namespace std;


void main_for_plate() {
    const int num_thread = 1;
    // 选择运行设备：GPU or CPU
    DeviceType device = GPU;
    // 初始化识别模型
    const char *model_file = (char *) "../data/tnn/plate/platenet.tnnmodel";
    const char *proto_file = (char *) "../data/tnn/plate/platenet.tnnproto";
    CRNNRecognizeParam classifier_param = CRNN_MODEL;
    CRNNRecognize *recognize = new CRNNRecognize(model_file,
                                                 proto_file,
                                                 classifier_param,
                                                 num_thread,
                                                 device);

    // 测试图片路径
    string image_dir = "../data/test_image/plate";
    std::vector<string> image_list = get_files_list(image_dir);

    for (string image_path:image_list) {
        // 读取图片（不进行车牌检测）
        cv::Mat bgr_image = cv::imread(image_path);
        int w = bgr_image.cols;
        int h = bgr_image.rows;
        if (bgr_image.empty()) continue;
        FrameInfo resultInfo;
        ObjectInfo info;
        info.x1 = 0;
        info.y1 = 0;
        info.x2 = w;
        info.y2 = h;
        info.score = 1.0;
        resultInfo.info.push_back(info);
        // 开始识别
        recognize->detect(bgr_image, &resultInfo);
        // 显示结果
        recognize->visualizeResult(bgr_image, &resultInfo);
    }

    delete recognize;
    recognize = nullptr;
    printf("FINISHED.\n");
}


void main_for_detect_plate() {
    const int num_thread = 1;
    // 选择运行设备：GPU or CPU
    DeviceType device = GPU;

    //string det_proto_file = "../data/tnn/yolov5/yolov5s_640.sim.tnnproto";
    //string det_model_file = "../data/tnn/yolov5/yolov5s_640.sim.tnnmodel";
    //YOLOv5Param yolOv5Param = YOLOv5s_640;//模型参数

    string det_proto_file = "../data/tnn/yolov5/yolov5s05_416.sim.tnnproto";
    string det_model_file = "../data/tnn/yolov5/yolov5s05_416.sim.tnnmodel";
    YOLOv5Param yolOv5Param = YOLOv5s05_416;//模型参数

    //string det_proto_file = "../data/tnn/yolov5/yolov5s05_320.sim.tnnproto";
    //string det_model_file = "../data/tnn/yolov5/yolov5s05_320.sim.tnnmodel";
    //YOLOv5Param yolOv5Param = YOLOv5s05_320;//模型参数

    // 初始化检测模型
    const float scoreThresh = 0.3;
    const float iouThresh = 0.2;
    YOLOv5 *detector = new YOLOv5(det_model_file,
                                  det_proto_file,
                                  yolOv5Param,
                                  num_thread,
                                  device);
    // 初始化识别模型
    const char *model_file = (char *) "../data/tnn/plate/platenet.tnnmodel";
    const char *proto_file = (char *) "../data/tnn/plate/platenet.tnnproto";

    CRNNRecognizeParam classifier_param = CRNN_MODEL;
    CRNNRecognize *recognize = new CRNNRecognize(model_file,
                                                 proto_file,
                                                 classifier_param,
                                                 num_thread,
                                                 device);

    string image_dir = "../data/test_image/plate_car";
    std::vector<string> image_list = get_files_list(image_dir);
    for (string image_path:image_list) {
        // 读取图片
        cv::Mat bgr_image = cv::imread(image_path);
        if (bgr_image.empty()) continue;
        FrameInfo resultInfo;
        // 开始检测
        detector->detect(bgr_image, &resultInfo, scoreThresh, iouThresh);
        // 开始识别
        recognize->detect(bgr_image, &resultInfo);
        // 显示结果
        recognize->visualizeResult(bgr_image, &resultInfo);
    }

    delete recognize;
    recognize = nullptr;
    delete detector;
    detector = nullptr;
    printf("FINISHED.\n");
}


int main() {
    // 车牌检测+车牌识别
    main_for_detect_plate();
    // 车牌识别
    //main_for_plate();
    return 0;
}

（6）源码编译和运行

编译脚本，或者直接：bash build.sh

#!/usr/bin/env bash
if [ ! -d "build/" ];then
  mkdir "build"
else
  echo "exist build"
fi
cd build
cmake ..
make -j4
sleep 1
./demo
  • 如果你要测试CPU运行的性能，请修改src/main_for_crnn.cpp

DeviceType device = CPU;

  • 如果你要测试GPU运行的性能，请修改src/main_for_crnn.cpp （需配置好OpenCL） 

DeviceType device = GPU;

 下面截图给出开启OpenCL加速的性能对比截图，纯C++推理模式需要耗时几秒的时间，而开启OpenCL加速后，GPU模式耗时仅需十几毫秒，性能极大的提高。

CPU
GPU

5. 车牌检测和识别效果

 C++版本的opencv不支持中文显示,暂时未解决这个BUG，不过LOG会打印车牌的信息，凑合的用吧

下图GIF这是Python版本的车牌检测和识别效果，C++版本与Python版本的结果几乎是一致

6. 项目源码下载

【车牌检测和识别C/C++源码下载】智能驾驶 车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》

整套项目源码内容包含：

  1. 提供YOLOv5车牌检测模型：包含快速版yolov5s05车牌检测模型，在普通手机可实时检测识别，CPU(4线程)约30ms左右，GPU约25ms左右；包含高精度版本yolov5s车牌检测模型，CPU(4线程)约250ms左右，GPU约100ms左右
  2. 提供PlateNet车牌识别模型：支持蓝牌和绿牌车牌识别
  3. C++源码支持CPU和GPU，GPU模型加速需要配置好OpenCL，否则速度很慢

如果你想体验一下车牌检测和识别效果，可下载Android版本进行测试，Android和C++版本的车牌检测和识别核心算法是一样的

  • 【Android APP Demo体验】Android实现车牌检测和识别-Android文档类资源-CSDN下载

 更多项目《智能驾驶 车牌检测和识别》系列文章请参考： 

  1.  智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》：https://blog.csdn.net/guyuealian/article/details/128704181
  2. 智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704068
  3. 智能驾驶 车牌检测和识别（三）《CRNN和LPRNet实现车牌识别（含车牌识别数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704209
  4. 智能驾驶 车牌检测和识别（四）《Android实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704242
  5. 智能驾驶 车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704276

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/191278.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

栈与队列——滑动窗口最大值

栈与队列——滑动窗口最大值

力扣题目链接 239. 滑动窗口最大值 给你一个整数数组 nums&#xff0c;有一个大小为 k 的滑动窗口从数组的最左侧移动到数组的最右侧。你只可以看到在滑动窗口内的 k 个数字。滑动窗口每次只向右移动一位。 返回 滑动窗口中的最大值 。 示例 1&#xff1a; 输入&#xff1a…
阅读更多...
CATIA等设计类软件实时渲染流化解决方案

CATIA等设计类软件实时渲染流化解决方案

CATIA软件在汽车、航空航天、船舶制造、厂房设计(尤其是钢构厂房)、建筑、通用机械制造等领域&#xff0c;提供3D设计和模拟解决方案。可以帮助企业在产品研发领域缩短开发周期&#xff0c;因此使用非常广泛。但随着技术和设备的发展&#xff0c;CATIA模型不仅仅需要在电脑上进…
阅读更多...
活体识别5：论文笔记之FeatherNets

活体识别5：论文笔记之FeatherNets

说明 这篇文章是这次比赛的第三名&#xff1a;ChaLearn Face Anti-spoofing Attack Detection ChallengeCVPR2019&#xff0c;此次比赛项目是人脸防欺诈攻击检测。 论文标题&#xff1a;《FeatherNets: Convolutional Neural Networks as Light as Feather for Face Anti-spo…
阅读更多...
中科蓝讯读取CSV文件中地址来指定地址段烧录

中科蓝讯读取CSV文件中地址来指定地址段烧录

优势&#xff1a;可不需要通过小牛测控来写码&#xff0c;在烧录的时候直接进行读取文件来写码&#xff0c;可节省小牛测控写码并复位耳机的时间 功能&#xff1a;通过读取外置的 excel 表格里面的配置项&#xff0c;实现对 setting 文件里面的特定配置项的值 进行设置&#…
阅读更多...
详解 k8s 中的 RBAC

详解 k8s 中的 RBAC

Kubernetes 主要通过 API Server 对外提供服务&#xff0c;对于这样的系统来说&#xff0c;如果不加以安全限制&#xff0c;那么可能导致请求被滥用&#xff0c;甚至导致整个集群崩塌。 Kubernetes 中提供了良好的多租户认证管理机制&#xff0c;RBAC正式其中重要的一个&#…
阅读更多...
Linux驱动开发基础__异步通知

Linux驱动开发基础__异步通知

目录 1 适用场景 2 使用流程 3 驱动编程 4 应用编程 5 代码 5.1 gpio_key_drv.c 5.2 button_test.c 5.3 Makefile 6 异步通知机制内核代码详解 1 适用场景 在前面引入中断时&#xff0c;我们曾经举过一个例子&#xff1a; 妈妈怎么知道卧室里小孩醒了&#xff1f; 异…
阅读更多...
【深度学习】U-Net和FCN具体分析

【深度学习】U-Net和FCN具体分析

FCN 相比于普通分类网络而言：FCN把后面几个全连接都换成卷积，这样就可以获得一张2维的feature map，后接softmax获得每个像素点的分类信息，从而解决了像素级分割问题。 整个FCN网络基本原理如图5**（只是原理示意图）**： image经过多个conv和+一个max pooling变为pool1 f…
阅读更多...
SpringCloud_Alibaba Sentinel实现熔断与限流

SpringCloud_Alibaba Sentinel实现熔断与限流

目录一、Sentinel介绍1.官网2.是什么3.能干嘛4.去哪下5.怎么玩二、安装Sentinel控制台1.sentinel组件由2部分组成2.安装步骤三、初始化演示工程1.启动Nacos8848成功2.案例3.启动Sentinel80804.启动微服务84015.启动8401微服务后查看sentienl控制台四、流控规则1.基本介绍2.流控…
阅读更多...
计算机网络 | 网络层知识点期末汇总【还不赶紧收藏】

计算机网络 | 网络层知识点期末汇总【还不赶紧收藏】

看不完就慢慢看&#xff0c;扎实掌握&#x1f44a;一、网络层的几个重要概念1、互联网设计思路2、虚电路与数据报服务3、网络层的两个层面二、网际协议 IP1、配套协议2、互连虚拟网络3、IP地址&#xff08;1&#xff09;IP 地址及其表示方法&#xff08;2&#xff09;分类的 IP…
阅读更多...
基于 PyTorch 的目标检测和跟踪（无敌版）

基于 PyTorch 的目标检测和跟踪（无敌版）

一个不知名大学生&#xff0c;江湖人称菜狗 original author: jacky Li Email : 3435673055qq.com Time of completion&#xff1a;2023.2.1 Last edited: 2023.2.1 目录 图像中的目标检测 视频中的目标跟踪 作者有言 在文章《基于 PyTorch 的图像分类器》中&#xff0c;介绍…
阅读更多...
网卡ID简要说明

网卡ID简要说明

一、概述 网卡ID标识着网卡的具体类型&#xff0c;由五个ID共同确认。根据这五个ID可以在公示网站查到具体的网卡型号。 1. Class id (1) 区分不同的PCI(外设)设备 (2) 网卡类型是&#xff1a;0200 (3) 查询网址&#xff1a;http://pci-ids.ucw.cz/read/PD 2. Vendor id: …
阅读更多...
15_open_basedir绕过

15_open_basedir绕过

open_basedir绕过 一、了解open_basedir 1. 搭建环境 在test目录下存在一个open_basedir.php的文件 里面的php代码就是简单的文件包含或者ssrf,利用的是file_get_contents函数 open_basedir也就是在这种文件包含或者ssrf访问其它文件的时候生效 然后在www目录下再新建一个t…
阅读更多...
(隐私计算)联邦学习概述

(隐私计算)联邦学习概述

一、是什么 概念 联邦学习&#xff08;Federated Learning&#xff0c;FELE&#xff09;是一种打破数据孤岛、释放 AI 应用潜能的分布式机器学习技术&#xff0c;能够让联邦学习各参与方在不披露底层数据和底层数据加密&#xff08;混淆&#xff09;形态的前提下&#xff0c;…
阅读更多...
Unity-TCP-网络聊天功能(一): API、客户端服务器、数据格式、粘包拆包

Unity-TCP-网络聊天功能(一): API、客户端服务器、数据格式、粘包拆包

1.TCP相关API介绍与服务端编写TCP是面向连接的。因此需要创建监听器&#xff0c;监听客户端的连接。当连接成功后&#xff0c;会返回一个TcpClient对象。通过TcpClient可以接收和发送数据。VS创建C# .net控制台应用项目中创建文件夹Net&#xff0c;Net 下添加TCPServer.cs类&am…
阅读更多...
界面组件DevExtreme v22.2亮点——UI模板库升级换代！

界面组件DevExtreme v22.2亮点——UI模板库升级换代！

DevExtreme拥有高性能的HTML5 / JavaScript小部件集合&#xff0c;使您可以利用现代Web开发堆栈&#xff08;包括React&#xff0c;Angular&#xff0c;ASP.NET Core&#xff0c;jQuery&#xff0c;Knockout等&#xff09;构建交互式的Web应用程序。从Angular和Reac&#xff0c…
阅读更多...
高频链表算法

高频链表算法

1.从尾到头打印链表值 输入一个链表的头节点&#xff0c;从尾到头反过来返回每个节点的值(用数组返回) 思路 &#xff08;1&#xff09;如果使用数组来保存反转之后的链表数据&#xff0c;这样只需要使用到队列或栈的知识&#xff0c;关键是unshif和push,reverse函数 &…
阅读更多...
【vue2】vuex基础与五大配置项

【vue2】vuex基础与五大配置项

&#x1f973;博 主&#xff1a;初映CY的前说(前端领域) &#x1f31e;个人信条&#xff1a;想要变成得到&#xff0c;中间还有做到&#xff01; &#x1f918;本文核心&#xff1a;vuex基础认识、state、getters、mutations actions、modules使用 目录(文末原素材) 一、…
阅读更多...
【JavaEE初阶】第九节.多线程 (基础篇)定时器（案例三）

【JavaEE初阶】第九节.多线程 (基础篇)定时器（案例三）

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 前言 一、定时器概述、 二、定时器的实现 2.1 Java标准库 定时器的使用 2.2 自己模拟实现一个定时器 2.3 对自己实现的定时器的进一步优化 2.3.1 为何需要再进行优化 2…
阅读更多...
CMOS图像传感器——了解光圈

CMOS图像传感器——了解光圈

在之前有提到传感器英寸，也提到了曝光三要素之一的ISO，这里主要说明另外一个曝光三要素——光圈。在本文中，我们将介绍光圈及其工作原理。 一、什么是光圈 光圈可以定义为镜头中的开口，光线通过该开口进入相机。类比眼睛是的工作原理，就容易理解了：当人在明亮和黑暗的环…
阅读更多...
【链表之单链表】

【链表之单链表】

前言&#xff1a;链表是什么&#xff1f; 链表的操作 1.单链表的结构 2.头文件的包含 3.动态申请一个节点 4.单链表打印 5.单链表尾插 6.单链表头插 7.单链表尾删 8.单链表头删 9.单链表查找 10.单链表在pos位置之后插入x 11.单链表在pos位置之前插入x 12. 单链表…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023