- 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 .
99420编辑于 2021-12-07 - 来自专栏生信宝典
WB图片处理-教你利用PPT做出漂亮的WB图片！
本文转载自“科研小助手（微信号：SciRes）” WB是很科研多小伙伴都会用到的实验技术，而对于最终WB图片的处理也是各自有各自的手段，不过主流主要分为两大派：PPT或者Adobe Photoshop/ 下面的图片就是小编用Photoshop做的WB图。 ? 所以今天我们就为大家分享如何用PPT做出一个漂亮的WB图片。 注：科研小助手使用的是office 2016 1. 首先将WB的胶片结果扫描成图片格式。 到这里一幅WB图片就处理好了。 ? 7. 当然，如果你有多个图片需要对齐，可以先选中需要对齐的图片，然后选择左对齐即可。 ? 怎么样？今天你是否学会了用PPT处理WB图片呢？ 当然，要做出漂亮的WB图片最重要的是你的结果够漂亮~
10.5K20发布于 2018-09-21 - 来自专栏FreeSWITCH中文社区
FreeSWITCH如何集成AMRAMR-WB编解码
FreeSWITCH对AMR和AMR-WB两种编码格式默认为passthough状态，若想对AMR和AMR-WB进行编解码，需对mod_amr和mod_amrwb两个模块重新编译。 /configure --prefix=/root/libs make && make install - AMR-WB编译 - 若只需AMR编码格式，可直接跳过此步骤。 OpenCore AMR源码压缩包包含了AMR-NB编码和解码，但是AMR-WB只支持编码，所以我们需要增加AMR-WB解码能力。 cmd="set" data="outbound_codec_prefs=OPUS,PCMU,PCMA,H264,AMR,AMR-WB"/> 修改完成后需要reloadxml生效。 '}user/$1"/> </condition> </extension> 至此，您可以愉快的使用FreeSWITCH对AMR/AMR-WB进行编解码了。
1.3K10编辑于 2024-04-11 - 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： ?
2.2K11发布于 2018-09-19 - 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);
30310编辑于 2026-04-02 - 来自专栏用户12490569的专栏
基于 YOLOv11 物流托盘检测系统 仓库仓储托盘检测数据集 基于 YOLOv11 物流托盘检测系统
仓库仓储托盘检测数据集基于YOLOv11物流托盘检测系统仓库仓储托盘检测数据集基于YOLOv11物流托盘检测系统，4726张，yolo，voc，coco三种标注方式图像尺寸:640*640类别数量:1类训练集图像数量 :3324;验证集图像数量:938；测试集图像数量:464类别名称:每一类图像数，每一类标注数pallet-托盘:4726,120418imagenum:4726模型代码：模型训练使用yolov11n训练 （支持windows和linux系统）基于YOLOv11物流托盘检测系统完整代码1、环境安装展开代码语言：BashAI代码解释pipinstallultralyticstorchopencv-pythonpyqt5numpy2 __init__()self.setWindowTitle("基于YOLOv11的物流托盘检测系统")self.setGeometry(100,100,1200,800)self.model=YOLO( sys.argv)win=PalletDetectWindow()win.show()sys.exit(app.exec_())5、应用场景智能仓储货架区域托盘数量自动统计，盘点库存；仓库安防摄像头实时检测空托盘
8210编辑于 2026-09-18 - 来自专栏物联网思考
Letter shell移植到AT32WB415
本文移植Letter shell，通过串口输入命令，与开发板交互。 Letter shell的项目地址：https://github.com/NevermindZZT/letter-shell，最新的版本是3.1.2，也正是本文移植的版本。
86410编辑于 2022-12-22 - 来自专栏DIY
【DIY】用安信可WiFi+蓝牙模组Ai-WB2-32S-Kit实现安防检测
以下作品由安信可社区用户ch999制作前言：笔者这次决定使用AI-WB2-32s-Kit＋雷达模块制+蓝牙信标作安防检测，灵感来源是想着马上毕业要外出租房，担心陌生人进入房间。 01材料●Ai-WB2-32S-Kit●雷达模块（自带uart串口，通过串口输出数据）●蓝牙模块●服务器，用来做中转发送消息雷达部分的代码#include <stdio.h>#include <string.h 完成雷达扫描和蓝牙信标后，现在来完成信息发送功能，参照安信可社区这位大佬的做法 ：用AI-WB2消息推送到个人通知https://bbs.ai-thinker.com/forum.php? mod=viewthread&tid=45846&highlight=wb2&_dsign=04722896可以看到手机可以正常接收消息。 );snprintf(REQUEST, sizeof(REQUEST),"POST %s%s HTTP/1.0\r\n""Host: %s:%s\r\n""User-Agent: aithinker wb2
74210编辑于 2025-06-18 YOLO11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？
1.1K10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。
4.1K10编辑于 2024-10-10 - 来自专栏用户12490569的专栏
基于 YOLOv11 养鸡目标计数检测系统 鸡检测数据集
鸡检测数据集基于YOLOv11养鸡目标计数检测系统，5303张，yolo和voc两种标注方式1类，标注数量：chicken:53157imagenum:53032.模型代码：模型训练使用yolov11n 3.qt界面：运行界面采用qt编写，本项目已经训练好模型，配置好环境后可直接使用，运行效果见描述图像基于YOLOv11养鸡目标计数检测系统完整代码1、环境安装展开代码语言：BashAI代码解释pipinstallultralyticsopencv-pythonpyqt5numpypandas2 chicken3、模型训练脚本train.py展开代码语言：PythonAI代码解释fromultralyticsimportYOLOif__name__=='__main__':model=YOLO("yolo11n.pt img_path):res=model(img_path,conf=0.3)forrinres:img=r.plot()cv2.imwrite("chicken_result.jpg",img)print(f"检测到鸡只数量 __init__()self.setWindowTitle("基于YOLOv11的养鸡目标计数检测系统")self.setGeometry(100,100,1250,900)self.thread=Noneself.result_data
8610编辑于 2026-09-18 - 来自专栏生信技能树
课后笔记：ggplot2优雅的显示WB结果
但是学生的表现实在是太超出我意料了，能超脱于现有的工具，达到随心所欲的定制化，值得分享！
4.4K20发布于 2021-07-06 - 来自专栏芒果先生聊生信
差异分析，RT-PCR和WB实战（上）
一般在论文中出现的是病理检测结果（IHC），特别是结合oncomine数据库，对基因在肿瘤和临近组织的表达进行对比展示。在前面的文章中，我们介绍过。结果展示如下。 ? 具体操作如下。 那么，如何做出漂亮的RT-PCR和WB结果呢？敬请下次分享。 ?
2.4K20发布于 2020-07-07 - 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
2.5K30发布于 2018-12-19 WebBuilder Wb.View组件标准化开发规范
规范目的为统一团队 Wb.View 视图组件开发标准，规范列表渲染、布局、分页、交互、安全编码规则，解决项目中组件用法混乱、渲染不统一、存在安全漏洞、交互BUG频发等问题，提升项目交付标准化、规范化、安全性 适用范围：所有基于WebBuilder平台开发的政企、制造、金融、数字化大屏、OA、CRM等项目，所有使用 Wb.View 组件的页面模块。2. 组件基础使用规范2.1 强制使用原则所有列表、清单、标签、导航、分页数据展示场景，统一优先使用 Wb.View 组件，禁止自定义DIV列表、废弃旧列表组件，保证项目组件统一。 通用标准模板{ "_icon": "list-view", "text": "standardView", "cls": "Wb.View", "properties": { "cid": xaction=staffDict", "pagingBar": "true", "pageSize": "10", "itemTplFn": "let text = Wb.toHTML
16910编辑于 2026-07-30WebBuilder 组件Wb.Grid 数据表格组件深入剖析
WebBuilder 把表格能力沉淀为 Wb.Grid 组件族，配合 Wb.View、Wb.Column、行内编辑器与工具栏组件，形成了一套从展示、编辑、分页到数据同步的完整方案。 Grid 的类族与定位WebBuilder 客户端控件库（wb/js/wb-client.min.js）中，视图类组件的继承体系为：Wb.Component → Wb.View → Wb.Grid。 与 Grid 平级的有 Wb.Tree、Wb.ListView，它们共享视图层的分页、数据加载与选中模型。 Wb.Text、Wb.Number 作为 editor 属性节点。 这个示例还展示了服务端介入数据加工的典型手法：为新增行自动补齐主键 Wb.getId()、流程 ID 与当前用户 Wb.userid。
7110编辑于 2026-09-17- 来自专栏云深之无迹
STM32WB-双核无线多协议MCU
无线STM32WB MCU基于两个独立的内核（以64 MHz运行的Arm® Cortex®‐M4内核（应用处理器）和以32 MHz运行的Arm® Cortex®‐M0+内核（网络处理器）），可以提高无线电协议栈的实时执行效率 STM32WB MCU系列与超低功耗STM32L4 MCU具有相同的数字和模拟外设，可用于电池供电设备和复杂应用。 WB55就是最Top的片子，下面的少一些功能 除了我现在写的的WBx5，STM32WB10适合基本的蓝牙低功耗应用。 再低也没有U0低 蓝牙复杂，所以还有一个文档教你使用 以及这个 https://www.st.com.cn/resource/en/datasheet/stm32wb55cc.pdf
83910编辑于 2025-02-25 - 来自专栏用户12490569的专栏
渣土车（muck_truck）YOLOv11 检测系统 渣土车检测数据集
渣土车（muck_truck）YOLOv11检测系统渣土车检测数据集渣土车检测数据集，2502张，yolo和voc两种标注方式1类，标注数量：muck_truck:4240imagenum:25022. 模型代码：模型训练使用yolov11n训练，30个epoch训练结果，map如描述图所示。 3.qt界面：运行界面采用qt编写，本项目已经训练好模型，配置好环境后可直接使用，运行效果见描述图像渣土车（muck_truck）YOLOv11检测系统全套代码1、数据集yaml配置文件muck_truck.yaml 检测模型model=YOLO("yolov11n.pt")#开始训练train_result=model.train(data="muck_truck.yaml",epochs=100,imgsz=640 __init__()self.setWindowTitle("基于YOLOv11的渣土车检测")self.setGeometry(100,100,1200,800)self.model=YOLO("muck_truck_result
14510编辑于 2026-09-19 基于 YOLOv11 的细分类昆虫检测系统 昆虫目标检测数据集
基于YOLOv11的细分类昆虫检测系统昆虫目标检测数据集,6185张，yolo和voc两种标注方式33类，标注数量：Pussmoth:120-狐须蛾Protaetia:194-大甲虫CeruraVinula Batocerarufomaculata:270-红斑天牛Eurydemaornata:93-美丽黄蝽Papiliomemnon:493-孟麻蝶imagenum:6185模型代码（map50，0.86）采用YOLOv11n 网络训练训练轮次：40个epoch提供全部训练+测试源代码训练精度mAP效果如图所示PyQt5界面功能基于YOLOv11的细分类昆虫检测系统完整代码环境安装展开代码语言：BashAI代码解释pipinstallultralyticsopencv-pythonpyqt5numpy1 __init__()self.setWindowTitle("基于YOLOv11的细分类昆虫检测系统")self.setGeometry(100,100,1200,800)self.model=YOLO layout.addWidget(QLabel("目标选择："),3,3)layout.addWidget(self.combo_target,4,3)layout.addWidget(QLabel("检测结果信息
7000编辑于 2026-09-22- 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
NASA数据集——ACCLIP WB-57 Aircraft 飞机合并数据
ACCLIP WB-57 Aircraft Merge Data ACCLIP WB-57 飞机合并数据 简介 ACCLIP_Merge_WB57-Aircraft_Data 是在亚洲夏季季风化学和气候影响项目 （ACCLIP）期间从 WB-57 飞机上收集的各种现场仪器测量数据预先生成的合并文件。 NASA WB-57 和 NCAR G-V 飞机配备了最先进的传感器，以实现这一目标。ACCLIP 试图实现与其主要目标相关的四个科学目标。 -07-16T00:00:00Z/2022-09-14T23:59:59Z Homepage https://doi.org/10.5067/ASDC/SUBORBITAL/ACCLIP_Merge_WB leafmap.nasa_data_login() results, gdf = leafmap.nasa_data_search( short_name="ACCLIP_Merge_WB57
47910编辑于 2024-04-15
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