Algorithm[60]
YOLOv8的训练和C++部署
相比之前的模型，YOLOv8 引入了新的 backbone、新的 Anchor-Free 检测头和新的损失函数，可以在从 CPU 到 GPU 的多种硬件平台上运行。 模型的训练 - Ultralytics 最开始我是使用 Ultralytics 框架训练，因为这个框架非常简单。不过它导出的 bind
单目视觉的3D目标方向 - Orientation of 3D Object in Monocular
方向的概念 单目相机的 3D 目标检测，是从 2D 图像中估计目标的 3D BBox，包括位置、尺寸和方向。其中，目标方向估计是很重要的一环。 在单目相机 3D 视觉检测中，需要先理解一组重要概念：Egocentric 自我中心和Allocentric 客体中心。 这两个概念来自空间认知领域。Ego
单目相机的3D目标检测 - 3D Object Detection using Monocular
写在前面 即便 CNN 检测出的 2D bbox 能为目标深度提供一些线索，后续的预测、规划和运动控制仍然需要更完整的 3D 信息，包括目标的位置、尺寸、方向和速度等。更何况，如果能够恢复目标的 3D 信息，对测距精度的提升也会有很大帮助。 激光雷达和深度相机固然精度很高，但是贵。而且在 Lidar
单目相机的测距 - The Distance Estimation of Monocular Camera
正文 在 ADAS 中，测距这项需求一般源于自适应巡航控制（ACC）。ACC 是纵向距离控制，需要能够发现目标，测量相对速度和相对距离，并预测目标的运动轨迹。 对于测距而言，最直接的方法是采用毫米波雷达、激光雷达和双目相机。那为什么还要用单目呢？核心原因还是成本。单目相机便宜、部署简单，但也带来两个
机器学习八股文 - 模型相关
回归 线性回归的四个假设 线性关系：自变量 x 和因变量 y 之间存在线性关系 独立性：残差是独立的，特别是时间序列数据中连续残差之间没有相关性 同方差性：残差在 x 的每个水平上都有恒定的方差 正态性：模型的残差呈正态分布 误差和残差 误差是观察值与真实值之间的差；残差是观察值与模型估计值之间的差
深度学习八股文 - 基础概念
NN 中的 Bias？ 偏置 (bias) 相当于给线性变换加入常数项 b，使 z = Wx + b 而非 z = Wx。它的作用是允许激活函数（进而决策边界）向左或向右平移，使模型更好地适应不经过原点的数据分布。 常见实现方式有两种： 单独维护偏置向量 b 在输入向量前拼接常数 1，将偏置并入权重
深度学习 - 卷积神经网络 Convolutional Networks
卷积神经网路 Convolutional Neural Network CNN CNN的结构 卷积层 Convolution 池化层（下采样） Polling 全连接层 Full connection 卷积层 最基础的2D卷积操作，涉及到一个2D的过滤器（filter），或者说是核（kernel）。
深度学习 - 深度前馈网络 Deep Feedforward Networks
在机器学习中，如果想对非线性函数进行建模，深度前馈网络能够实现这一目标。 在深度学习中，使用一个简单函数的深度链来学习输入数据。 线性函数的输入函数： \hat{y} = \theta^\top x 非线性函数的输入函数： \hat{y} = f(\phi(x); \theta) 其中： \phi(
关于深度学习(Deep Learning ACS61011)这门课
关于这门课 这门课的授课老师是号称谢菲尔德大学最受欢迎的Lecture - Dr Sean Anderson。课堂的风格确实比较生动有趣，而且因为Deep Learning目前仍然比较前沿的原因，课堂上时常举一些比较cool或者exciting的例子，比如一次关于CUDA的课堂，开始跟我们讨论比特币
机器学习 - 正则化和优化器(Regularisation and Optimisers)
当模型可调节参数（自由度）过多时，容易学习到训练数据中的噪声，进而出现过拟合（训练集误差小、测试集误差大）。因此要对模型的参数引入某种限制，在训练过程中避免过拟合。 正则化通过在损失函数中加入参数惩罚项，约束参数规模，迫使模型优先学习数据的通用规律，而非噪声。 范数 在正式进入正则化的学习之前，先了