- 综合排序
- 最热优先
- 最新优先
- 来自专栏CodecWang
11: 边缘检测
目标 Canny边缘检测的简单概念 OpenCV函数：cv2.Canny() 教程 Canny边缘检测方法常被誉为边缘检测的最优方法，废话不多说，先看个例子： import cv2 import numpy Canny边缘检测 Canny边缘提取的具体步骤如下： 1，使用5×5高斯滤波消除噪声： 边缘检测本身属于锐化操作，对噪点比较敏感，所以需要进行平滑处理。 先阈值分割后检测 其实很多情况下，阈值分割后再检测边缘，效果会更好： _, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU 练习 （选做）如果你不太理解高低阈值的效果，创建两个滑动条来调节它们的值看看： 小结 Canny是用的最多的边缘检测算法，用cv2.Canny()实现。 接口文档 cv2.Canny() 引用 本节源码 Canny Edge Detection Canny 边缘检测 Canny J .
80820编辑于 2021-12-07 - 来自专栏苦逼的码农
经典算法题：高楼扔鸡蛋
也就是让你找摔不碎鸡蛋的最高楼层F，但什么叫「最坏情况」下「至少」要扔几次呢？我们分别举个例子就明白了。 比方说现在先不管鸡蛋个数的限制，有 7 层楼，你怎么去找鸡蛋恰好摔碎的那层楼？
1.7K30发布于 2019-11-18 - 来自专栏labuladong的算法专栏
经典动态规划：高楼扔鸡蛋
也就是让你找摔不碎鸡蛋的最高楼层F，但什么叫「最坏情况」下「至少」要扔几次呢？我们分别举个例子就明白了。 比方说现在先不管鸡蛋个数的限制，有 7 层楼，你怎么去找鸡蛋恰好摔碎的那层楼？
55030发布于 2021-09-23 - 来自专栏五分钟学算法
经典动态规划：高楼扔鸡蛋
也就是让你找摔不碎鸡蛋的最高楼层F，但什么叫「最坏情况」下「至少」要扔几次呢？我们分别举个例子就明白了。 比方说现在先不管鸡蛋个数的限制，有 7 层楼，你怎么去找鸡蛋恰好摔碎的那层楼？
1.3K20发布于 2019-11-20 - 来自专栏TSINGSEE青犀视频
AI智能分析网关高空抛物算法如何实时检测高楼外立面剥落？
高楼外立面剥落是一种十分危险的行为，会造成严重的人身伤害和财产损失。TSINGSEE青犀智能分析网关利用高楼外立面剥落的信息，结合高空抛物算法来进行处理就可很好解决此问题。1. 数据收集首先，需要收集关于高楼外立面剥落的数据。这可以通过安装EasyCVR智能监控平台来实现，可以感知和记录外立面的剥落情况。包括剥落时间、位置、剥落物的性质、大小等信息。2. 硬件可实现的 AI 检测包括：人脸结构化数据、车辆结构化数据、场景检测类算法、行业类检测算法、人员行为类检测算法等。
26030编辑于 2023-11-02 - 来自专栏用户2442861的专栏
openCV—Python(11)—— 图像边缘检测
box-sizing: border-box; padding: 0px 5px;">10
- 11 box-sizing: border-box; padding: 0px 5px;">10
- 11 laplacian边缘检测结果： ? X方向边缘检测结果： ? Y方向边缘检测结果： ? XY方向结合边缘检测结果： ? Canny边缘检测结果： ?
2K11发布于 2018-09-19 - 来自专栏小K算法
经典逻辑面试题，高楼扔鸡蛋
有一栋100层的楼，和2个坚硬的鸡蛋，从楼上扔下鸡蛋，鸡蛋会在大于某一层刚好开始碎，那最少几次能测出鸡蛋能承受的最大楼层呢？ 如果从第50层扔下鸡蛋没碎，第51层扔下碎了，那鸡蛋能承受的最大楼层就是50。 注意：你手上只有2个鸡蛋，如果扔下碎了，就没法再使用了。
2.3K70发布于 2021-05-31 - 来自专栏贾志刚-OpenCV学堂
YOLO11+OpenVINO 实现药片检测
数据集下载地址： https://github.com/ultralytics/assets/releases/download/v0.0.0/medical-pills.zip、 数据标签文件配置： YOLO11 模型训练 训练命令行 yolo detect train data=medical-pills.yaml model=yolo11n.pt epochs=100 imgsz=640 PR曲线 部署与量化推理演示 PTQ的量化代码如下： 运行结果如下： 基于OpenVINO2025 C++ SDK部署INT8量化后模型，推理效果如下： OpenVINO + YOLO11药片检测的推理代码如下： std::string > detector(new YOLO11Detector()); detector->initConfig(xmlpath, labelpath, 0.2, 640, 640); cv::Mat image = cv::imread("D:/pills.jpg"); detector->detect(image); cv::imshow("YOLO11药片检测+OpenVINO2025", image);
12810编辑于 2026-04-02 - 来自专栏CSDN搜“看，未来”
【C++】算法集锦（12）：高楼扔鸡蛋
我有一箩筐的鸡蛋，我可以给你两个。 我有一栋一百层的楼，我想让你站在第一百层，以最少的次数帮我测出来鸡蛋最多扔到哪一层不会碎。 你放心扔，如果没碎，不用去捡，我直接补给你一个。 事成之后，这张支票你随便填。
38030发布于 2021-09-18 无人机 RGB+热红外融合检测建筑裂缝与渗漏，34 层高楼约 2 小时
导读住宅建筑的外立面检测传统上依赖人工——爬脚手架、挂绳索、拿检测仪逐面墙检查。一栋 34 层高楼，人工检测需要 2-3 天，覆盖率只有 40-60%，而且肉眼看不到墙体内部的渗漏。 在深圳三个住宅小区的实测中，裂缝检测 mIoU 达到 87.86%，渗漏检测 mIoU 达到 79.05%。一栋 34 层高楼的完整外立面检测约 2 小时完成，覆盖率 ≥95% 。 与传统方法对比维度传统人工检测无人机 + 深度学习单栋高楼耗时2-3 天~2 小时覆盖率40-60%≥95%裂缝宽度精度±0.1mm±1cm人工参与度90%20%无人机方案在效率、覆盖率和人工参与度上大幅领先 图片来源于原论文五、总结与思考这篇论文展示了一套完整的无人机双模态建筑外立面检测方案，从飞行规划到缺陷检测到 3D 可视化：双模态互补：RGB 检测裂缝（mIoU 87.86%），热红外检测渗漏（mIoU 79.05%）效率提升：单栋高楼从 2-3 天缩短到约 2 小时，覆盖率从 40-60% 提升到 ≥95%定位为筛查工具：论文明确将方案定位为"第一阶段筛查"，识别重点区域后再做精密检测值得注意的几点
29500编辑于 2026-03-20YOLO11实战——物体检测识别
一、前言 老周当时了解YOLO的时候是YOLO8，当时很火，但转眼间就YOLO11了。从官方给的性能图来看YOLO11大概是走到此类任务的天花板了，未来几年目标检测的任务可能不会再有很巨大的提升。 使用示例：https://docs.ultralytics.com/models/yolo11/#usage-examples # Load a COCO-pretrained YOLO11n model bus.jpg 它会在你运行命令的文件里下载bus.jpg和yolo11n.pt，还有生成runs文件夹（储存结果的文件夹） 训练结果： 可以看出公交bus训练后检测到0.94的权重是公交，效果还是挺好的 你也可以用这个模型做一些微调训练自己需要检测的数据集，希望你也能训练个误差低的模型。 当YOLO11能识别1000种物体时，我们是否该思考：机器的'视力'终将超越人类？ 从医疗影像的早期病变检测，到自动驾驶的复杂路况判断，物体检测的边界正在被不断拓展。而这一切，都始于你今天点击'运行'按钮的瞬间。未来已来，你，准备好成为定义它的人了吗？
75010编辑于 2025-12-24- 来自专栏深度学习和计算机视觉
来了，使用YOLOv11目标检测教程
YOLO11 是 Ultralytics YOLO 系列的最新版本，结合了尖端的准确性、速度和效率，用于目标检测、分割、分类、定向边界框和姿态估计。 主要特点 增强的特征提取：YOLO11 使用改进的主干和颈部架构来增强特征提取，以实现更精确的目标检测和复杂任务的性能。 跨环境的适应性：YOLO11 可以无缝部署在边缘设备、云平台和配备 NVIDIA GPU 的系统上，确保最大的灵活性。 支持广泛的任务范围：YOLO11 支持各种计算机视觉任务，如目标检测、实例分割、图像分类、姿态估计和定向目标检测（OBB）。 我将在这个数据集中训练一个有 8 种不同寄生虫类别的目标检测模型。我将通过 Roboflow 处理标记、分类的图像。我经常在我的个人项目中使用这个开源平台。
3.6K10编辑于 2024-10-10 - 来自专栏五分钟学算法
经典动态规划：高楼扔鸡蛋（进阶篇）
作者 | labuladong 来源 | labuladong 我们在 上篇文章 聊了高楼扔鸡蛋问题，讲了一种效率不是很高，但是较为容易理解的动态规划解法。 如果还不知道高楼扔鸡蛋问题的读者可以看下 经典动态规划：高楼扔鸡蛋，那篇文章详解了题目的含义和基本的动态规划解题思路，请确保理解前文，因为今天的优化都是基于这个基本解法的。 现在，我们稍微修改dp数组的定义，确定当前的鸡蛋个数和最多允许的扔鸡蛋次数，就知道能够确定F的最高楼层数。
1.3K40发布于 2019-12-06 - 来自专栏labuladong的算法专栏
经典动态规划：高楼扔鸡蛋（进阶篇）
预计阅读时间：9 分钟 我们在 上篇文章 聊了高楼扔鸡蛋问题，讲了一种效率不是很高，但是较为容易理解的动态规划解法。 如果还不知道高楼扔鸡蛋问题的读者可以看下 经典动态规划：高楼扔鸡蛋，那篇文章详解了题目的含义和基本的动态规划解题思路，请确保理解前文，因为今天的优化都是基于这个基本解法的。 现在，我们稍微修改dp数组的定义，确定当前的鸡蛋个数和最多允许的扔鸡蛋次数，就知道能够确定F的最高楼层数。
46040发布于 2021-09-23 - 来自专栏苦逼的码农
经典动态规划：高楼扔鸡蛋（进阶篇）
来源：labuladong 作者：labuladong 我们在 上篇 聊了高楼扔鸡蛋问题：经典算法题：高楼扔鸡蛋 讲了一种效率不是很高，但是较为容易理解的动态规划解法。 如果还不知道高楼扔鸡蛋问题的读者可以看下 经典动态规划：高楼扔鸡蛋，那篇文章详解了题目的含义和基本的动态规划解题思路，请确保理解前文，因为今天的优化都是基于这个基本解法的。 现在，我们稍微修改dp数组的定义，确定当前的鸡蛋个数和最多允许的扔鸡蛋次数，就知道能够确定F的最高楼层数。
91820发布于 2019-12-05 - 来自专栏和蔼的张星的图像处理专栏
11.YOLOV3训练检测拾遗。
训练配置以及检测我在上一篇文章里已经写过了，这里主要写一下可能会遇到的一些问题及解决方案。 这里面要做的许多事情别人都已经是做过了的，我做一下总结而已。 1. 保存训练日志以及训练日志可视化。 /usr/bin/env python3 # -*- coding: utf-8 -*- """ Created on Thu Nov 29 16:23:11 2018 @author: zhxing 检测的效果还不错，比上次150张图片训练的准确率要高出不少，天空和树林背景的检测准确率已经很高，不过白色的楼做背景的话，白色的无人机要就检测出来确实比较难。看后面会不会有什么别的好办法。 IOU来看的话还是能看出来一个趋势的，IOU最后基本会稳定在0.8--1的一个水平，从视频上来看，检测框的准确性确实比较一般，不知道还有么有比较好的方法去进一步提高这个精确度，这都再说了，现在就是希望感冒赶紧好起来
2.4K30发布于 2018-12-19 - 来自专栏学习之旅111
万丈高楼平地起---String类
需要注意的是,字符串里面的length是方法，要加上括号，而求数组的长度时，length是数组本身的属性，不需要加上括号
34120编辑于 2023-01-13 - 来自专栏深度学习和计算机视觉
来了，使用YOLOv11目标检测的详细教程
YOLO11 是 Ultralytics YOLO 系列的最新版本，结合了尖端的准确性、速度和效率，用于目标检测、分割、分类、定向边界框和姿态估计。 主要特点 增强的特征提取：YOLO11 使用改进的主干和颈部架构来增强特征提取，以实现更精确的目标检测和复杂任务的性能。 跨环境的适应性：YOLO11 可以无缝部署在边缘设备、云平台和配备 NVIDIA GPU 的系统上，确保最大的灵活性。 支持广泛的任务范围：YOLO11 支持各种计算机视觉任务，如目标检测、实例分割、图像分类、姿态估计和定向目标检测（OBB）。 我将在这个数据集中训练一个有 8 种不同寄生虫类别的目标检测模型。我将通过 Roboflow 处理标记、分类的图像。我经常在我的个人项目中使用这个开源平台。
12.6K21编辑于 2025-01-13 - 来自专栏理想二旬不止
Java 基础语法知识 - 万丈高楼平地起
1111001 7.5.2 位运算符 （3 & 4） （3 | 4） （3 ^ 4） （~3） （3 << 2） （>>） （>>>） 因为是位运算，所以我们需要把数据换算成二进制 // 3 的二进制是 11
1.1K40发布于 2021-09-22 - 来自专栏程序员的知识天地
7款Python开源框架，选好毛坯房盖高楼！
如果没有框架我们就只能一砖一瓦的去盖楼房，所以，学习任何一门开发语言都离不开框架。一个框架就好比是一个毛坯房，只需要我们装修就可以入住。
1.6K20发布于 2018-12-24
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