Deep Learning[34]
单目相机的深度图，以及绝对深度和相对深度
深度图 深度图（Depth Image, Depth Map）会将图像中的每个像素编码为相机到场景中某个点的距离，从而提供图像中物体的空间信息。 需要注意的是，不同场景下深度的定义可能略有差异。有些传感器中，深度表示的是相机坐标系下沿光轴方向的 Z 值；有些场景中，深度也可能表示空间点到相机中心的欧
Jetson Orin部署Mediapipe Holistic检测
安装 JDK JetPack 一般不带 JDK，可以先安装 OpenJDK 11： sudo apt install openjdk-11-jdk
安装 Bazel 针对 MediaPipe 这个项目，需要使用的 Bazel 版本通常取决于当前 MediaPipe 版本指定的 Bazel 版本。更
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
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
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
Jetson - ARM架构下的 torch 和 torchvision 的安装 (支持CUDA)
This post is outdated and may no longer reflect current best practices. 写在前面 ARM 架构下的 torch 安装比较烦人，不是麻烦，而是烦人。 网络上很多教程虽然写着 Jetson 的 torch 安装，但基本都是用 PyP
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
机器视觉 - 单目相机入门
单目相机成像原理 几个概念 光轴：垂直穿过理想透镜中心的光线 焦点：与光轴平行的光线射入凸透镜时，所有光线会聚在透镜后方一点，该点称为焦点 焦距：镜片中心到焦点在光轴上的距离。入射平行光线（或其延长线）与出射会聚光线（或其延长线，下图中红色虚线）相交，可确定折射主面；该想象平面与光轴的交点即主点 光
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