登录社区云，与社区用户共同成长
邀请您加入社区
draw_rounded_rect 单纯为了绘制个圆角框，可以简单的用cv2.rectangle(frame_in, (x1, y1), (x2, y2), (0, 255, 0), 2, cv2.LINE_AA)画。流程主要就是加载模型，捕获对应的rtmp视频流，跑循环一帧帧解析数据，之后把帧的绘制结果写入本地的视频文件，同时帧结果也通过ffmpeg库推到对应的RTMP server去播放。依据
CCPD是一个大型的、多样化的、经过仔细标注的中国城市车牌开源数据集。CCPD数据集主要分为CCPD2019数据集和CCPD2020(CCPD-Green)数据集。CCPD2019数据集车牌类型仅有普通车牌(蓝色车牌)，CCPD2020数据集车牌类型仅有新能源车牌(绿色车牌)。在CCPD数据集中，每张图片仅包含一张车牌，车牌的车牌省份主要为皖。数据集：使用的是用上面CCPD数据集制作的VOC格式的
部署最费时间是安装环境。首先需要大家安装好VS2019或者VS2022，还有如下环境，由于安装包很多需要去官方搜素下载，需要自己安装，其中版本可以有区别，但是如果快速复现这个项目，最好安装位一致版本这样更快复现出项目。然后将pt模型放进项目里面，切换自己安装好的yolov8环境里面并切换到项目目录，执行python export.py即可转换得到onnx模型，当然你也可以使用下面命令直接转换。下面
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档。
本文在测试 5 基础上进行升级，采用 Dockerfile 的方式来构建 Conda 镜像，部署 YOLOv8 项目一键运行。整理了 Dockerfile 制作 YOLOv8 镜像过程中的常见问题。
YOLO目标检测结果在本文的第一部分中，我测试了YOLO（You Only Look Once）这一流行的目标检测库的“复古”版本。只使用OpenCV运行深度学习模型，而不使用“沉重”的框架如PyTorch或Keras，对于低功耗设备来说是有前途的，因此我决定深入研究这个主题，看看最新的YOLO v8模型在树莓派上的工作原理。让我们深入了解。硬件在云中运行任何模型通常不是问题，资源几乎是无限的。但
基于YOLOv8深度学习的复杂场景下船舶目标检测系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标检测
Anaconda3 安装教程-CSDN博客Pycharm安装教程-CSDN博客安装好Anaconda3之后，我们可以接着配置用于人工智能开发的Python环境。在这里我配置两个环境，一个是用于学习的，另一个是用于做YOLOv5深度学习需要的环境配置。注：yolov5是我在Anaconda3里新建的环境，用于YOLOv5的深度学习，这个会在我下一个博客里，目前未完待续，过几天再放链接到这里。以下是学
本博客介绍了利用深度学习构建此系统的方法，并提供完整代码。系统基于YOLOv8算法，对比了YOLOv7、YOLOv6、YOLOv5的性能，包括mAP、F1 Score等。文章解析了YOLOv8原理，提供Python代码、训练数据集，并集成PySide6 UI界面。系统精确识别图像中的行人和车辆，支持选择图片、图片文件夹、视频文件及开启摄像头检测，功能包括标记框、类别统计、可调Conf、IOU参数和
根据你的需求选择，如果有英伟达的GPU（显卡，比如RTX3060）那就选CUDA最新的版本，然后你还要把你的英伟达驱动更新到最新版本。直接点yolo旁边的【绿按钮】，再点击弹出来的【Open Terminal】就会打开环境终端了，接下来的操作都在这个黑框框里进行。如果下载失败或者非常慢，pytorch的包预计一分钟内下完，如果确定你的网络没问题的话，就看下一步配置清华大学镜像源。最后复制【Run
基于YOLOv5的疲劳驾驶检测系统使用深度学习技术检测常见驾驶图片、视频和实时视频中的疲劳行为，识别其闭眼、打哈欠等结果并记录和保存，以防止交通事故发生。本文详细介绍疲劳驾驶检测系统实现原理的同时，给出Python的实现代码、训练数据集以及PyQt的UI界面。在界面中可以选择各种图片、视频进行检测识别，可对图像中存在的多个目标进行识别分类。博文提供了完整的Python代码和使用教程，适合新入门的朋
睿智的目标检测26——Pytorch搭建yolo3目标检测平台学习前言源码下载yolo3实现思路一、预测部分1、主题网络darknet53介绍2、从特征获取预测结果3、预测结果的解码4、在原图上进行绘制二、训练部分1、计算loss所需参数2、pred是什么3、target是什么。4、loss的计算过程训练自己的yolo3模型学习前言一起来看看yolo3的Pytorch实现吧，顺便训练一下自己的..
