“我还要学CUDA编程！”（二）——CUDA编程模型
CUDA 编程结构 在 GPU 上执行的函数称为 CUDA 核函数（Kernel Function），核函数会被 GPU 上多个线程执行。典型的 CUDA 程序遵循如下模式： 把数据从 CPU 内存（Host）拷贝至 GPU 内存（Device） 调用该 Kernel 函数，对 Device 中的数
”我要学CUDA编程!“ —— 来自一个废物的自白
写在前面（废话，请跳过） 本来自己的脑子里是不存在 CUDA 编程这个东西的，没错，就是压根儿没听说过。 之所以了解到这个东西，是因为最近开始做 AVM（Around View Monitor），或者说 SVS（Surrounding View System），利用 4 个广角相机，实现车辆周围的
车道线的多项式曲线拟合
离散点平滑 基于优化的离散点平滑 模型检测到的车道线，最终输出的是车道线的点坐标 \textstyle (x,y)，这些点能够大致描述车道线在画面中的位置。但如果想要拟合出车道线的高阶方程，可能还是不够平滑，一些离散点会影响拟合的效果。 优化变量：车道线点坐标 \textstyle (x_i,y_i
.webp)
车道线检测功能综述【深度学习方法】
深度学习方法 车道线检测常用数据集见 FunnyWii's Zone 车道线检测功能综述【传统方法】 基于分割的方法 基于分割的方法利用语义分割或实例分割来区分图像中的车道线、其他物体和背景。这类方法将车道线检测问题转化为像素级分类问题，会对场景图片中的像素进行分类，判断该像素是否属于车道线。 由于
.webp)
车道线检测功能综述【传统方法】
车道线检测技术 车道线检测技术是计算机视觉和自动驾驶领域中的关键技术之一，它能够帮助车辆在道路上识别和跟踪车道线，从而实现车道保持、辅助驾驶和自动驾驶等功能。 车道线检测方法总体上可以分为传统方法和基于深度学习的方法。 车道线数据集 数据集 数量 尺寸 场景 特点 TuSimple 72k 1280
基于 Jetson 官方 Docker 镜像制作所需镜像的步骤
关于 Docker 的基础知识见：FunnyWii's Zone Docker 基础知识 硬件设备：天准 Orin，基于 NVIDIA Jetson Orin AGX。 系统版本：Ubuntu 20.04。 需打包的库：CUDA、OpenCV。 值得一提的是，我的设备是 ARM 架构的。所以要注意一
Docker基础知识
Docker 基础知识 Docker 的优势在于一次创建或配置，便可在任意地方正常运行。使用一个标准镜像构建一套开发容器，在开发完成后，其他人便可使用这个镜像或容器环境来部署代码。 相比传统虚拟机（VM）在硬件层面实现虚拟化，Docker 更接近操作系统层面的进程隔离。它通过宿主机内核提供的 nam
为ARM架构下的OpenCV添加FFMPEG支持
之前自己从未考虑过这个问题。每次手动编译 OpenCV 的时候，cmake 后面的 -D xxx对我来说只是添加某个支持，但我并不知道 OpenCV 编译本身也是依靠 CMake 配置完成的，而 CMake 找到这些依赖，很多时候又依靠 pkg-config 工具。 文章最下方是我在编译 OpenC
mmyolo目标检测之边用边学（笨鸟快飞边学边更版）
写在前面 为什么不直接输出一堆内容，主要是因为自己太菜了。上学时的那些深度学习知识，已经差不多都还给老师了，而且工程应用又是另一码事。所以我就一边用 MMYOLO 框架训模型，一边从头学起。 快成炼丹师了，不过对如何调整 hyperparameters 还是一点头绪都没。以下提到的功能使用方式，都可