我国高分辨率对地观测系统重大专项已全面启动，高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成，将成为保障国家安全的基础性和战略性资源。随着小卫星星座的普及，对地观测已具备多次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估。未来10年全球每天获取的观测数据将超过10PB，遥感大数据时代已然来临。另一方面，随着无人机自动化能力的逐步升级，它被广泛的应用于多种领域，如航拍、农业、植保、灾难评估、救援、测绘、电力巡检等。但同时由于无人机飞行高度低、获取目标类型多、以及环境复杂等因素使得对无人机获取的

世间无限丹青手，遇上AI画不成。最近一段时间，可能所有人类画师都得发出一句“既生瑜，何生亮”的感叹，因为AI绘画通用算法StableDiffusion已然超神，无需美术基础，也不用经年累月的刻苦练习，只需要一台电脑，人人都可以是丹青圣手。本次我们全平台构建基于Stable-Diffusion算法的Webui可视化图形界面服务，基于本地模型来进行AI绘画操作。本地安装Stable-Diffusion-Webui如果系统之前安装过Python3.10或者使用过Pytorch深度学习框架，那么推荐直接本地安装Stable-Diffusion-Webui，因为Stable-Diffusion的核心依赖

世间无限丹青手，遇上AI画不成。最近一段时间，可能所有人类画师都得发出一句“既生瑜，何生亮”的感叹，因为AI绘画通用算法StableDiffusion已然超神，无需美术基础，也不用经年累月的刻苦练习，只需要一台电脑，人人都可以是丹青圣手。本次我们全平台构建基于Stable-Diffusion算法的Webui可视化图形界面服务，基于本地模型来进行AI绘画操作。本地安装Stable-Diffusion-Webui如果系统之前安装过Python3.10或者使用过Pytorch深度学习框架，那么推荐直接本地安装Stable-Diffusion-Webui，因为Stable-Diffusion的核心依赖

Hallo，各位小伙伴大家好呀！这两天一直在肝项目，都是关于计算机视觉方面的，所以这两天一直也没有更新（真的不是我懒）！在这个过程中我对Yolov5有了更深刻的理解，在原有的Yolov5框架上增加了图像分割功能，这样在原有的识别基础上可以将目标切割出来，再进行更为精确的识别，调用百度AI的接口，将图片上传再接受返回值，这难道不香吗？所以本篇文章以Yolov5+图像分割+调用百度AI的接口实现车牌实时监测识别的效果，识别效果非常优秀。接下来就一起来看看这篇文章吧，如果小伙伴们感兴趣也欢迎评论区或者私信交流！目录一、Yolov5介绍二、图像分割 三、百度AI四、Yolov5+图片分割+百度AI车牌

Hallo，各位小伙伴大家好呀！这两天一直在肝项目，都是关于计算机视觉方面的，所以这两天一直也没有更新（真的不是我懒）！在这个过程中我对Yolov5有了更深刻的理解，在原有的Yolov5框架上增加了图像分割功能，这样在原有的识别基础上可以将目标切割出来，再进行更为精确的识别，调用百度AI的接口，将图片上传再接受返回值，这难道不香吗？所以本篇文章以Yolov5+图像分割+调用百度AI的接口实现车牌实时监测识别的效果，识别效果非常优秀。接下来就一起来看看这篇文章吧，如果小伙伴们感兴趣也欢迎评论区或者私信交流！目录一、Yolov5介绍二、图像分割 三、百度AI四、Yolov5+图片分割+百度AI车牌

YOLOv7Backbone结构详解在之前的文章中，我们以YOLOv5为对象，详细解剖了一只麻雀的内部构造，包括anchor机制、backbone的结构、neck的结构和head的结构。在本篇文章中，我们将以YOLOv7v0.1版本的代码为目标，结合作者团队的YOLOv7原文，详细介绍一下其骨架网络的整体架构及各部分的实现原理，并结合网络配置文件yolov7.yaml以及common.py中网络组件进行细节剖析。backbone整体架构首先解读一下网络架构图。1-P1/2;16-P3/8：这个是在画结构图过程中为了避免标错中间特征尺寸而做的标记。第一个数字代表当前模块的索引；Pn是表示当前模块

YOLOv7Backbone结构详解在之前的文章中，我们以YOLOv5为对象，详细解剖了一只麻雀的内部构造，包括anchor机制、backbone的结构、neck的结构和head的结构。在本篇文章中，我们将以YOLOv7v0.1版本的代码为目标，结合作者团队的YOLOv7原文，详细介绍一下其骨架网络的整体架构及各部分的实现原理，并结合网络配置文件yolov7.yaml以及common.py中网络组件进行细节剖析。backbone整体架构首先解读一下网络架构图。1-P1/2;16-P3/8：这个是在画结构图过程中为了避免标错中间特征尺寸而做的标记。第一个数字代表当前模块的索引；Pn是表示当前模块

**Ubuntu20.04安装CUDAcuDNN**一.显卡驱动、CUDA、cuDNN和cuda版本的pytorch的关系二.NVIDIA（英伟达）显卡驱动安装三.安装显卡驱动安装cuda和cudnn前的准备工作安装一系列的版本的查询四.安装CUDA与测试4.1下载与安装4.2配置CUDA环境变量4.3CUDA测试五.安装cuDNNcudnn测试五安装pytorch一.显卡驱动、CUDA、cuDNN和cuda版本的pytorch的关系NVIDIA的显卡在有驱动的前提下我们才能够使用的。平时所说的显卡的驱动和CUDA驱动不是一个东西，对于没有用过显卡的我来说开始就搞混了。CUDA是用于显卡并行计

目录前言一、环境配置二、车辆检测、跟踪、计数算法及代码解读1、主函数各参数含义2、算法实现3、效果展示三、车辆测速算法及代码解读1、算法流程2、核心代码3、效果展示四、车辆碰撞检测算法及代码解读1、算法流程2、核心代码3、效果展示五、违规进入专用车道检测算法及代码解读1、算法流程2、核心代码3、效果展示六、总结及源码获取1、总结2、项目资源获取前言1、本项目通过yolov5-5.0和deepsort实现了一个多功能智能交通监控系统，可为一些同学的课设、大作业等提供参考。分别实现了不同车辆的跟踪，统计不同车型“上行”和“下行”的数量，实时检测车辆速度，检测两车是否发生碰撞或者距离过近时进行碰撞预

目录前言一、环境配置二、车辆检测、跟踪、计数算法及代码解读1、主函数各参数含义2、算法实现3、效果展示三、车辆测速算法及代码解读1、算法流程2、核心代码3、效果展示四、车辆碰撞检测算法及代码解读1、算法流程2、核心代码3、效果展示五、违规进入专用车道检测算法及代码解读1、算法流程2、核心代码3、效果展示六、总结及源码获取1、总结2、项目资源获取前言1、本项目通过yolov5-5.0和deepsort实现了一个多功能智能交通监控系统，可为一些同学的课设、大作业等提供参考。分别实现了不同车辆的跟踪，统计不同车型“上行”和“下行”的数量，实时检测车辆速度，检测两车是否发生碰撞或者距离过近时进行碰撞预