说在前面的话导师有一个异常行为检测的小任务（吸烟行为检测），给我让我和师弟一起去完成。本身以为在YOLOv5的detect.py检测脚本中加入语音提示很简单，但是其中的过程却是一言难尽。这也是查阅了很多资料，尝试过了各种大佬分享的经验，集百家之长完成了这个任务，感谢CSDN中各位有开源精神的大佬的代码分享。一、语音生成脚本首先先安装好这个库：pyttsx3在PyCharm这个软件中打开命令行（或叫：终端），激活自己所需的虚拟环境，然后输入指令：pipinstallpyttsx3等待安装完成即可。语音生成、合成脚本如下：#导入pyttsx3库importpyttsx3classVoice():d

1.打开AnacondaPrompt（在命令行格式下，输入代码，建立pytorch环境、安装pytorch、测试pytorch过程）2.创建环境pytorch，使用Python版本是3.8condacreate-npytorchpython=3.8之后，在加载过程中会弹出提示，输入y，即可安装。3.查看环境是否安装成功condainfo--envs可以看到包含base和pytorch两个环境（*表示当前所在环境）4.进入创建的pytorch环境condaactivatepytorch5.安装pytorch根据自己的安装版本，在Pytorch官网寻找安装命令代码：（1）Pytorch官网：htt

1.打开AnacondaPrompt（在命令行格式下，输入代码，建立pytorch环境、安装pytorch、测试pytorch过程）2.创建环境pytorch，使用Python版本是3.8condacreate-npytorchpython=3.8之后，在加载过程中会弹出提示，输入y，即可安装。3.查看环境是否安装成功condainfo--envs可以看到包含base和pytorch两个环境（*表示当前所在环境）4.进入创建的pytorch环境condaactivatepytorch5.安装pytorch根据自己的安装版本，在Pytorch官网寻找安装命令代码：（1）Pytorch官网：htt

相机模型、相机标定及基于yolov5的单目测距实现1前言2相机模型及单目测距原理3相机参数标定3.1内参矩阵3.2内参标定3.3外参矩阵4基于yolov5的单目测距实现1前言在摄像头成像过程中，物体反射的光线通过摄像头的凸透镜打在成像器件上，形成一张图片。这是一个三维物体转换为二维图像的过程。在这个过程中，丢失了物体的深度信息，所以单目摄像头很难测距。但是，我们可以通过一个强假设，来简单计算物体的距离，即假设物体是处于地面上。具体意思下面再详细说。2相机模型及单目测距原理相机模型可以简单看成一个凸透镜成像的模型。下图中，XcYcZc是相机坐标系，其原点为光心O，是相机凸透镜的中心点。x-o1-

相机模型、相机标定及基于yolov5的单目测距实现1前言2相机模型及单目测距原理3相机参数标定3.1内参矩阵3.2内参标定3.3外参矩阵4基于yolov5的单目测距实现1前言在摄像头成像过程中，物体反射的光线通过摄像头的凸透镜打在成像器件上，形成一张图片。这是一个三维物体转换为二维图像的过程。在这个过程中，丢失了物体的深度信息，所以单目摄像头很难测距。但是，我们可以通过一个强假设，来简单计算物体的距离，即假设物体是处于地面上。具体意思下面再详细说。2相机模型及单目测距原理相机模型可以简单看成一个凸透镜成像的模型。下图中，XcYcZc是相机坐标系，其原点为光心O，是相机凸透镜的中心点。x-o1-

 你永远不可能真正的去了解一个人，除非你穿过ta的鞋子，走过ta走过的路，站在ta的角度思考问题，可当你真正走过ta走过的路时，你连路过都会觉得难过。有时候你所看到的，并非事实真相，你了解的，不过是浮在水面上的冰山一角。—————《杀死一只知更鸟》 🎯作者主页：追光者♂🔥        🌸个人简介： 💖[1]计算机专业硕士研究生💖 🌟[2]2022年度博客之星人工智能领域TOP4🌟 🏅[3]阿里云社区特邀专家博主🏅 🏆[4]CSDN-人工智能领域优质创作者🏆 📝

Pytorch常用的4种随机数生成方法一、torch.rand()：构造均匀分布张量的方法二、torch.randn()：构造标准正态分布张量的方法三、torch.randint()：构造区间分布张量的方法四、torch.randperm()：根据生成的随机序号对张量进行随机排序的方法一、torch.rand()：构造均匀分布张量的方法torch.rand是用于生成均匀随机分布张量的函数，从区间[0,1)的均匀分布中随机抽取一个随机数生成一个张量，其调用方法如下所示：torch.rand(sizes,out=None)➡️Tensor其中，sizes：用于定义输出张量的形状简单的示例代码如下所

本文内容使用TensorFlow和Keras建立一个猫狗图片分类器。图1猫狗图片01、安装TensorFlow和Keras库TensorFlow是一个采用数据流图（dataflowgraphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。TensorFlow最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的

本文内容使用TensorFlow和Keras建立一个猫狗图片分类器。图1猫狗图片01、安装TensorFlow和Keras库TensorFlow是一个采用数据流图（dataflowgraphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。TensorFlow最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的

​​​​​​​目录一、简介配置环境准备二、环境配置1.安装anaconda2.安装TensorFlow3.安装pytorch4.pyqt5安装 5.安装labelimg6.下载yolov57.pycharm安装三、使用labelimg标记图片1.准备工作2.标记图片四、划分数据集以及配置文件修改1.划分训练集、验证集、测试集2.XML格式转yolo_txt格式3.配置文件4.聚类获得先验框五、使用CPU训练六、训练结果可视化一、简介  最近为了应付毕业论文，学习了目标检测，目的是检测车辆和行人，使用了yolov5，想到了是否可以在mac上跑yolov5，因为是m1芯片，以及系统的更新，踩了不少