- 综合排序
- 最热优先
- 最新优先
- 来自专栏数字IC经典电路设计
边沿检测（上升沿检测、下降沿检测、双边沿检测|verilog代码|Testbench|RTL电路图|仿真结果）
快速导航链接如下： 一、边沿检测原理 数字IC边沿检测是指检测数字信号中从高电平到低电平或从低电平到高电平变化的过程，也就是信号的边缘。 边沿检测在许多数字电路和通信系统中都很重要，因为它可以用来同步信号和数据，提取数据时序和时钟信号，并且能够处理数字信号的快速变化。 如何实现边沿检测呢？最直接简单的方法是对信号进行打拍。 （如下图左）、下降沿检测信号（如下图右）以及双边沿检测信号。 、下降沿检测、双边沿检测 Verilog代码 module edge_detector( input clk, input rst_n, input din, output ，就说明检测到了边沿，具体是上升沿还是下降沿可以通过组合逻辑来实现。
9.5K51编辑于 2023-05-24 - 来自专栏FPGA技术江湖
FPGA学习altera 系列 第十四篇 边沿检测设计
项目名称：边沿检测 具体要求：检测输入信号，或者FPGA内部逻辑信号的跳变，即上升沿或者下降沿的检测，当检测到边沿后，发出高脉冲。 由于寄存器可以使信号延时一个时钟周期，我们可以利用这点，来完成信号的边沿检测。 signal：被检测信号 pos_flag：检测出上升沿后发出的高脉冲 neg_flag：检测出下降沿后发出的高脉冲 ? 系统设计： 1. 工程的名称：ckeck_edge。 设计代码如下： /* 模块名称：ckeck_edge 模块功能：检测上升沿或者下降沿，检测到边沿后，发出高脉冲。 检测边沿是用寄存器来完成的，所以脉冲的输出会晚一个时钟输出，在高频率时钟对低频率信号检测中，没有影响。设计正确。如果还是有不明白的读者可以发邮件到我邮箱或者加群询问。 END
73320发布于 2020-12-29 - 来自专栏大数据那些事
keepalived（8）——http、tcp检测
再在192.168.19.137上开启httpd服务，发现keepalived检测到后将主机192.168。19.137重新加回lvs集群： ? ? 再去访问成功轮训： ? 实践完毕，最重要的就是对HTTP_GET配置段的合理规划 同样我们也可以设置tcp的检测方式（TCP_CHECK段）
1.2K40发布于 2020-11-11 - 来自专栏不二鱼的芯片验证记录
SVA学习|04.边沿敏感$rose、$fell、$stable用法
SVA内嵌了三个检测边沿敏感信号的函数，可以很方便的监测从一个时钟周期到另一个时钟周期，信号的变化。 $rose，表示信号或表达式变为高电平时返回为真。
4K30编辑于 2023-01-08 - 来自专栏剑指工控
通过示例深入理解边沿指令（附验证例程下载）
，也一直悄悄地发生着变化，不同系统的边沿指令，或同一系统的不同边沿指令到底有什么不同呢？ Portal中的边沿指令（S7-1200/1500适用） 总结： 边沿指令都需要暂存被检测信号的状态； 边沿指令暂存被检测信号状态的变量必须是全局变量或静态变量； 边沿指令需要比较被检测信号状态的不同 ； 深入理解 不同编程环境下的边沿指令的 等效示例 示例一：单变量的上升沿检测 1、MicroWin/SMART编程环境 2、Step 7编程环境 3、TIA Portal编程环境 注释 ： Tag_In：被检测信号 Tag_FP：被检测信号的状态存储变量 R_TRIG_DB：指令背景数据块 Tag_M：边沿检测结果 示例二：多变量运算结果的上升沿检测 1、MicroWin/SMART编程环境 ： Tag_In_1：信号1 Tag_In_2：信号2 Tag_In_3：信号3 Tag_FP：逻辑结果状态暂存变量 Tag_FLG：信号逻辑运算结果 R_TRIG_DB：指令背景数据块 Tag_M：边沿检测结果
1.6K30发布于 2021-11-09 - 来自专栏AIoT技术交流、分享
CAN通信边沿缓慢导致通信错误原因分析与优化
在CAN通信系统的故障排查过程中，常常遇到因边沿缓慢而导致的通信错误。 边沿缓慢主要影响CAN网络数据传输的准确性，进而导致网络中的错误帧增多。 结合波形数据观察，发现CAN差分信号的波形边沿十分缓慢，呈现出类似镰刀形状。 这种缓慢的边沿形态，会影响CAN通信中显隐性电平的识别，进而导致通信错误的发生。 图1：差分波形边沿缓慢现象 通过对该波形的分析，发现边沿的上升和下降时间都较长，且波形中不再呈现理想的快速上升和下降。 2、边沿时间测量 通过ZPS的【总线边沿测量】功能，测量了该CAN差分波形的上升和下降时间。 结果显示： 上升时间约为300ns 下降时间约为600ns 图2：差分波形边沿时间测量结果 3、原因排查 边沿缓慢的现象，通常与CAN总线差分电平的充放电过程密切相关。
1.3K10编辑于 2025-02-18 - 来自专栏相约机器人
8行代码中的人脸检测，识别和情感检测！
人脸检测和识别是一个研究很多的话题，网上有大量的资源。已经尝试了多个开源项目，以找到最准确实现的项目。还创建了一个管道，用于在加载图像后只需8行代码就任何输入图像进行检测，识别和情感理解！ https://github.com/priya-dwivedi/face_and_emotion_detection 本博客分为3部分： 面部检测 - 能够检测任何输入图像或帧中的面部位置。 这是通过比较面嵌入向量来完成的 情绪检测 - 将脸上的情绪分类为快乐，愤怒，悲伤，中立，惊讶，厌恶或恐惧 面部检测 面部检测是管道的第一部分。 此库扫描输入图像并返回所有检测到的面的边界框坐标，如下所示： 人脸检测 下面的代码段显示了如何使用face_recognition库来检测面部。 情绪检测 人类习惯于从面部情绪中获取非语言暗示。现在计算机也越来越好地阅读情感。那么如何检测图像中的情绪呢？
1.6K20发布于 2019-06-21 - 来自专栏YOLO大作战
YOLOv8小目标检测介绍
Yolo小目标检测，独家首发创新（原创），适用于Yolov5、Yolov7、Yolov8等各个Yolo系列，专栏文章提供每一步步骤和源码，带你轻松实现小目标检测涨点 重点：通过本专栏的阅读，后续你可以结合自己的小目标检测数据集 1.小目标检测介绍 1.1 小目标定义 1）以物体检测领域的通用数据集COCO物体定义为例，小目标是指小于32×32个像素点（中物体是指32*32-96*96，大物体是指大于96*96）； 2）在实际应用场景中 ，通常更倾向于使用相对于原图的比例来定义：物体标注框的长宽乘积，除以整个图像的长宽乘积，再开根号，如果结果小于3%，就称之为小目标； 1.2 难点 1）包含小目标的样本数量较少，这样潜在的让目标检测模型更关注中大目标的检测 我们推测这使得小目标检测的在验证时的通用性变得很难； 3）anchor难匹配问题。 ：1 目录 1.小目标检测介绍 1.1 小目标定义 1.2 难点 2.
7K20编辑于 2023-11-11 - 来自专栏YOLO大作战
YOLOv8-Pose关键点检测
YOLOv8-Pose关键点检测✨✨✨手把手教你从数据标记到生成适合Yolov8-pose的yolo数据集；模型性能提升、pose模式部署能力；应用范围：工业工件定位、人脸、摔倒检测等支持各个关键点检测 ；实时更新中，模型轻量化创新结果如下：layersparametersGFLOPskbmAP50mAP50-95yolov8-pose18733794969.668420.9210.697yolov8- -C2f_DCNV3-pose34128959308.659700.9260.743yolov8-C2f_PConv-pose20530182968.561340.9250.695yolov8-C2f_BiLevelRoutingAttention-pose20530182968.561340.9260.734yolov8 -C2f_ScConv-pose2563188264964790.9210.7yolov8-slimneck-pose30933782008.969320.930.829yolov8-C2f_RepvggOREPA-pose28045651928.493590.9150.677yolov8 -C2f_OREPA-pose19645625048.293030.9310.691YOLOv8-C2f_LSKA_Attention-pose22629870008.560800.9250.652yolov8
2.6K30编辑于 2023-11-08 - 来自专栏深度学习和计算机视觉
使用YOLOv8检测棋盘棋子
重磅干货，第一时间送达 本文作为yolov8的手把手教程呈现~ 在本文的基础上，可以为任何目标检测任务训练模型。训练定制YOLO模型可能相当复杂，尤其是对于初学者。 检测棋盘棋子 训练模型 训练一个模型可能耗时，甚至可能需要超过一周的时间。影响训练时间的三个主要因素是：数据大小、GPU能力和训练参数。 更多的数据需要更多的训练时间，但是模型的训练效果也会更好。 简单来讲，训练主要有7个步骤： 创建数据 为项目创建文件夹 创建YAML文件 选择一个预训练的YOLOv8模型 创建一个用于训练的Python文件并训练模型 观察模型指标 测试模型 1. 本文使用Roboflow的棋盘棋子检测数据集（见文末） 2. 选择一个预训练的YOLOv8模型 有许多预训练的YOLOv8模型，选择预训练模型完全取决于你的目的。
64211编辑于 2024-12-05 - 来自专栏AI智韵
YoloV8实战：使用YoloV8实现OBB框检测
定向边框（OBB）数据集概述 使用定向边界框（OBB）训练精确的物体检测模型需要一个全面的数据集。 这样可以更准确地检测到物体，因为边界框可以旋转以更好地适应物体。 DOTA数据集 DOTA是一个专门的数据集，侧重于航空图像中的物体检测。该数据集源于 DOTA 系列数据集，提供了用定向边框（OBB）捕捉的各种航空场景的注释图像。 包含多尺度物体检测。 专家使用任意（8 d.o.f.）四边形对实例进行标注，捕捉不同比例、方向和形状的物体。 数据集版本 DOTA-v1.0 包含 15 个常见类别。 为 "2019 年航空图像中的物体检测 DOAI 挑战赛 "发布。 DOTA-v2.0 收集自Google 地球、GF-2 卫星和其他航空图像。 包含 18 个常见类别。
3.8K10编辑于 2024-10-22 - 来自专栏全栈程序员必看
OpenCV-Python教程（8、Canny边缘检测）
其中较大的阈值2用于检测图像中明显的边缘，但一般情况下检测的效果不会那么完美，边缘检测出来是断断续续的。所以这时候用较小的第一个阈值用于将这些间断的边缘连接起来。 函数返回一副二值图，其中包含检测出的边缘。 使用 Canny函数的使用很简单，只需指定最大和最小阈值即可。 如下： #coding=utf-8 import cv2 import numpy as np img = cv2.imread("D:/lion.jpg", 0) img = cv2.GaussianBlur
1.5K10编辑于 2022-09-02 YOLO v8 目标检测识别翻栏
三、业务逻辑分析及算法实现 越界识别的功能实现，主要包括行人目标检测、行人追踪及越界识别判断三部分 1） 行人目标检测 这一部分主要利用YOLOv8算法实现。 首先基于YOLOv8目标检测算法训练一个检测行人（person）的权重person.pt。 参考之前代码： Ctrl CV：YOLOV8血细胞检测 2 ）行人目标追踪 目标追踪的实现主要是在实现目标检测的前提下，补充目标追踪功能，即通过追踪并绘制每个目标的track_id信息实现。 Ctrl CV：YOLOv8目标跟踪 Ctrl CV：YOLOv8_VisDrone2019目标跟踪、模型部署 3） 越界识别判断 （1）越界监测区域绘制 实现越界识别，即检测某个感兴趣区域，是否有人违规进入 使用yolov8算法得到的是人物检测框的四个点信息[x，y，w，h]，即目标框的左上角点的x，y坐标和宽w、高h，因此需要通过代码，转换成人体下方的点，即[左上角点x+1/2*宽w，左上角点y+高h]。
37710编辑于 2025-12-16使用onnxruntime部署yolov8-onnx印章检测
【官方框架地址】 https://github.com/ultralytics/ultralytics.git 【算法介绍】 YOLOv8是目标检测领域中的一种先进算法，它是YOLO（You Only YOLO算法以其高效和实时的性能而著名，而YOLOv8则进一步提升了这些特点。 YOLOv8的核心思想是将目标检测任务视为回归问题，通过单次前向传播直接在图像上预测出目标的边界框和类别概率。 这种结构的设计使得模型能够更好地捕捉目标的细节和上下文信息，从而提高了检测的准确性。 在训练策略方面，YOLOv8采用了多种技巧来提升模型的泛化能力和鲁棒性。 总的来说，YOLOv8是一种高效且实时的目标检测算法，它在保持YOLO系列算法简洁性的同时，通过改进模型结构和训练策略，提升了检测准确性和鲁棒性。 这使得YOLOv8在实际应用中具有更广泛的适用性，可以应用于各种场景下的目标检测任务。
42010编辑于 2025-07-17- 来自专栏往期博文
【目标检测】YOLOv8：快速上手指南
YOLOv8概述 YOLOv8是YOLOv5团队在今年新推出的一代YOLO版本，与前几代版本相比，其性能和速度差距如下图所示： 和其它版本不同的是，该仓库并非起名为YOLOv8，而是公司名ultralytics 模型推理 YOLOv8目前支持的推理有：目标检测、目标检测+分割、目标检测+姿态检测、目标跟踪。 注：所有的任务都以检测为基础，官方并未单独提出其他任务的训练方式。 目标检测 # Load a model model = YOLO('yolov8n.pt') # load a pretrained model # Run inference on 'bus.jpg 示例效果： 目标检测+分割 # Load a pretrained YOLOv8n-seg Segment model model = YOLO('yolov8n-seg.pt') # Run 效果： 目标检测+姿态检测 # Load a pretrained YOLOv8n-pose Pose model model = YOLO('yolov8n-pose.pt') # Run inference
5.7K42编辑于 2023-09-13 - 来自专栏YOLO大作战
基于Yolov8的道路破损检测系统
道路破损检测系统设计4.1 PySide6介绍4.2 安装PySide6 4.3 道路破损检测系统设计1.Yolov8介绍 Ultralytics YOLOv8是Ultralytics公司开发的 YOLO目标检测和图像分割模型的最新版本。 是的，YOLOv8走向了Decoupled-Head； Anchor-Free：YOLOv8抛弃了以往的Anchor-Base，使用了Anchor-Free的思想； 损失函数：YOLOv8使用VFL 上图是道路破损检测训练，有图可以看出 ，分别是破损和background FP。该图在每列上进行归一化处理。则可以看出破损检测预测正确的概率为67%。 道路破损检测系统设计4.1 PySide6介绍 受益于人工智能的崛起，Python语言几乎以压倒性优势在众多编程语言中异军突起，成为AI时代的首选语言。
55010编辑于 2025-09-01 - 来自专栏运维开发故事
k8s故障检测与自愈（一）
组件故障 组件故障可以认为是节点故障的子类，只是故障来源是K8S基础组件的一部分。 DNS故障：6个DNS Pod中的2个出现无法解析外部DNS名称的情况。后果是大量线上业务因域名解析。 NPD就是利用kubernetes的上报机制，通过检测系统的日志（例如centos中journal），把错误的信息上报到kuberntes的node上。 ? 在裸金属K8S集群中，由于缺乏基础设施的支撑，自动扩充节点可能无法实现，只能通过更加精细的自动化运维，治愈节点的异常状态。 ? --config.system-log-monitor: 节点问题检测器将为每个配置启动一个单独的日志监视器.案例: config/kernel-monitor.json。 --config.custom-plugin-monito: 节点问题检测器将为每个配置启动一个单独的自定义插件监视器。
3.7K20发布于 2021-04-26 - 来自专栏AIWalker
起飞咯，DEYO | YOLOv8赋能DETR构建检测达成检测新标杆
具体来说， 在训练的第一阶段，我们采用一个经典的检测器，用一对多的匹配策略进行预训练，以初始化端到端检测器的主干和颈部。 此外，综合型DEYO系列可以使用单个8 GB RTX 4060 GPU在COCO数据集上完成其第二阶段训练，大大降低了训练支出。 DEYO采用YOLOv8作为其一对多分支，其中YOLOv8包括一个主干，一个特征金字塔网络（FPN和一个路径聚合网络（PAN），它们共同形成了颈部结构，此外还有一个能够在三个不同尺度上产生预测的头部。 本文实验 在表1中比较了DEYO与YOLOv 5、YOLOv 8和RT-DETR。 与YOLOv8相比，DEYO在N、S和M尺度下的准确度显著提高了2.4AP/0.9AP/0.5AP，同时FPS提高了143%/110%/32% 。
2.2K10编辑于 2024-02-29 - 来自专栏YOLO大作战
Yolov8-pose关键点检测：训练实战篇 | 手部关键点检测
本文解决什么问题：教会你如何用自己的数据集训练Yolov8-pose关键点检测 ✨✨✨手把手教你从数据标记到生成适合Yolov8-pose的yolo数据集； 模型性能提升、pose模式部署能力； 应用范围 ：工业工件定位、人脸、摔倒检测等支持各个关键点检测； 1.YOLOv8 介绍 YOLOv8目前支持目标检测、实例分割、图像分类、目标跟踪、姿态估计，也许还有更多惊喜在后面。 pose.yaml即可 # Ultralytics YOLO , AGPL-3.0 license # COCO8-pose dataset (first 8 images from COCO train2017 pose.zip 2.2修改ultralytics/cfg/models/v8/yolov8-pose.yaml 修改为21个关键点和一个类别nc:1 # Ultralytics YOLO , AGPL Pose关键点检测》专栏介绍 实时更新中，模型轻量化创新结果如下： layers parameters GFLOPs kb mAP50 mAP50-95 yolov8-pose 187 3379496
17.7K10编辑于 2023-12-26 - 来自专栏AI
基于 YOLOv8 的智能杂草检测识别实战
基于YOLOv8的智能杂草检测识别实战[目标检测完整源码]引言：为什么杂草识别是智慧农业中的“硬问题”？ 本文将介绍一个基于YOLOv8的田间杂草检测完整项目，从系统架构、模型训练到桌面端可视化部署，展示如何构建一套真正“可用”的农业AI检测系统。 ↓推理服务模块↓PyQt5桌面端可视化系统技术选型说明模块技术方案检测算法YOLOv8（Ultralytics）深度学习框架PyTorch推理接口YOLOv8PythonAPI桌面端界面PyQt5部署方式脚本 总结本文从工程实践角度，系统介绍了一套基于YOLOv8的田间杂草检测完整解决方案。 本文围绕田间杂草智能识别这一典型的智慧农业应用场景，系统阐述了一套基于YOLOv8的目标检测工程方案。
37110编辑于 2026-01-22
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号