- 综合排序
- 最热优先
- 最新优先
- 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。 新建一个PPT空白页，将WB图片贴入； ? 3. 双击图片，调出图片处理页面，点击右上角的裁剪工具，将我们需要的条带裁剪出来； ? 4. 点击左上角颜色→重新着色→灰度； ? 5. 当然，要做出漂亮的WB图片最重要的是你的结果够漂亮~
10.3K20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。
1.2K10编辑于 2024-04-11 智能家居之旅（5）：Ai-WB2 使用HomeAssistant-C库接入HomeAssistant
| 前言之前所有的我写《智能家居之旅》帖子代码都是基于Ai-M61来开发的，不少大佬跟我反馈说：Ai-M61/62只用来连接MQTT太浪费资源了，Ai-WB2更具性价比！ 一、获取Ai-WB2 SDKSDK地址：https://gitee.com/Ai-Thinker-Open/Ai-Thinker-WB2我推荐使用git来克隆SDK：Linux 开发环境请参考：Ai-WB2 在main.c 文件引用接口头文件 ：#include "homeAssistantPort.h"5. 修改使用Ai-WB2的宏定义HomeAssistant-C 默认使用了Ai-M6x 的接口，需要修改成Ai-WB2的，只在"homeAssistantPort.c"文件屏蔽掉"#define CONFIG_Ai_M6x "，并添加"#define CONFIG_Ai_WB2":#define CONFIG_Ai_WB2完成这一步之后，就可以编译了：make -j32编译成功：三、改代码开始运行话不多说，直接复制：智能家居之旅
51810编辑于 2024-08-16- 来自专栏生信技能树
课后笔记：ggplot2优雅的显示WB结果
= "errorbar", colour = "black", width = 0.25,position = position_dodge( .9))+ geom_jitter( size =5, errorbar", colour = "black", width = 0.25,size=1,position = position_dodge( .9))+ geom_jitter( size =5, errorbar", colour = "black", width = 0.25,size=1,position = position_dodge( .9))+ geom_jitter( size =5, stat_compare_means(comparisons=my_comparisons,method = "t.test", label = "p.forma",bracket.size = 1,size=5)
4.3K20发布于 2021-07-06 - 来自专栏燧机科技-视频AI智能分析
yolov5 摔倒检测 跌倒识别检测
摔倒检测跌倒识别检测基于YOLOv5技术来实现的图像识别，是计算机视觉的基础算法，例如VGG，GoogLeNet，ResNet等，这类算法主要是判断图片中目标的种类。 目标检测算法和图像识别算法类似，但是目标检测算法不仅要识别出图像中的物体，还需要获得图像中物体的大小和位置，使用坐标的形式表示出来。 图片mmpose不同于yolo，SSD等目标检测模型，在视频中进行关节点检测的速度要小于目标检测，即使在边缘计算的盒子上进行部署，也很难对人群进行大规模的关键点检测和判断，因此关键点检测常用于智能运动检测等小规模人群场景 ，图上所示是先使用yolo进行预判断图片openpose和其他关键点检测模型只是给出人体各个器官的点位坐标，而具体需要识别什么，就要自行通过这些坐标进行算法设计，比如引体向上计数，可以通过判断头部节点与肘部节点的坐标进行判断计数 ，对于摔倒，可以通过判断视频前后帧的头部，腰部等关节点进行检测，判断是否摔倒。
1.5K00编辑于 2022-12-05 - 来自专栏物联网思考
Letter shell移植到AT32WB415
SHELL_EXPORT_CMD(SHELL_CMD_PERMISSION(0)|SHELL_CMD_TYPE(SHELL_TYPE_CMD_FUNC), reboot, reboot, reboot); 5、
78710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 master_scan_tbl[i].mac[2],master_scan_tbl[i].mac[3],master_scan_tbl[i].mac[4],master_scan_tbl[i].mac[5] 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。
64710编辑于 2025-06-18 - 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。 ?
2.3K20发布于 2020-07-07 - 来自专栏云深之无迹
STM32WB-双核无线多协议MCU
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。 就是支持这三个 封装不是非常的灵活，但是储存空间都不小 这个可就太贵了 STM32WBx5无线微控制器基于以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），全部支持Bluetooth® LE 5.4，部分STM32WBx5产品，还支持IEEE 802.15.4 Zigbee®、Thread和并发无线标准。 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
68010编辑于 2025-02-25 - 来自专栏机器学习AI算法工程
YOLOv5：道路损伤检测
道路损伤检测任务是对几种道路损伤进行检测，不仅要分类出损伤类别，还要定位到损伤的位置，故实质是一个目标检测问题。 项目体验地址 https://loveai.tech IMSC团队(Hedge等，来自美国南加州大学和约旦德国约旦大学)，提出方法基于 ultralytics-YOLO (u-YOLO) [YOLOv5, ，而如果用每幅图像的检测时间来衡量，该方法在检测速度方面是最差的。
2.1K50发布于 2021-07-14 - 来自专栏机器学习AI算法工程
yolov5小目标检测-提高检测小目标的检测精度
向AI转型的程序员都关注了这个号 YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。 CSP结构； Neck网络：目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层，Yolov5中添加了FPN+PAN结构； Head输出层：输出层的锚框机制与YOLOv4相同，主要改进的是训练时的损失函数 YOLOv5的网络结构 github 链接 https://github.com/ultralytics/yolov5 下载之后按照其中的README.md文件进行配置和设置。 YOLOv5数据集的设置 对yolov5/data/buy.yaml文件进行配置 其中 1：yours数据集的根目录 2：代表生成yolo要求的txt文件 3: 提高小目标检测的基本思想 1、数据加强 2、滑动窗口检测：将图片分割为n个小区域分别检测，最后在concat成正常图像大小。本文也是主要介绍这种思想。
3.1K12编辑于 2024-02-05 - 来自专栏往期博文
【目标检测】YOLOv5分离检测和识别
前言 YOLO作为单阶段检测方法，可以直接端到端的输出目标对象位置和类别，而在一些大型无人机遥感等目标检测任务中，使用单阶段检测往往会产生类别预测错误的问题。 正好，YOLOv5-6.2版本提供了一个图像分类的网络，那么就可以借此将YOLOv5进行改造，分离检测和识别的过程。 然后运行detect.py，注意save-crop参数设为True，检测完之后，可以得到输出结果： 数据分类 下面进入到二阶段的图像分类的训练，在开始之前，需要拉取YOLOv5仓库的最新版本，注意不要拉取 总结 使用二阶段目标检测带来的明显好处是： 类别划分更加精准 对于虚检目标可以有效剔除 不过存在的问题是： 目标尺寸变化范围大时，很难确定输入图片的合适大小 对于图像边缘目标，容易造成误判 附录：YOLOv5s 使用python export.py --weight yolov5s.pt --include onnx将其转换成onnx格式后，可以用Netron打开查看其结构： 可以看到，yolov5s6在模型最后的输出部分新增了一个检测头
1.9K21编辑于 2022-11-14 - 来自专栏往期博文
【目标检测】YOLOv5推理加速实验：图片批量检测
前言 上篇博文探究了一下多进程是否能够对YOLOv5模型推理起到加速作用，本篇主要来研究一下如果将图片批量送入网络中进行检测，是否能对网络的推理起到加速作用。 YOLOv5批量检测源码解析 YOLOv5在训练过程中是可以进行分批次训练(batch_size>1)，然而在默认的推理过程中，却没有预留batch_size的相关接口，仍然只是单张图一张张进行检测推理 实际进行检测的代码块在yolo.py文件中的_forward_once方法。 速度比较 下面使用RTX4090单卡进行速度测试，数据集选用VisDrone的部分数据，模型选择YOLOv5s： 测试结果如下表所示： 图片数量 直接检测花费时间(s) 批量检测花费时间(s) 100 从结果可见，批量检测并没有预期的速度提升，反而比直接单张检测更慢。估计这也是为什么官方不在detect中预留多个batch检测接口的原因。
3.2K30编辑于 2023-04-12 - 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。 return all datasets return_gdf=True, ) gdf.explore() #leafmap.nasa_data_download(results[:5] , out_dir="data") 引用和下载 https://doi.org/10.5067/ASDC/SUBORBITAL/ACCLIP_Merge_WB-57-Aircraft_Data_1
40110编辑于 2024-04-15 - 来自专栏机器学习AI算法工程
yolov5人脸检测，带关键点检测
代码说明： 1，在yolov5的检测基础上，加上关键点回归分支，请先下载yolov5的工程：https://github.com/ultralytics/yolov5 2，detect_one.py是单张图片的测试代码 hyp.scatch.yaml中增加关键点loss的超参数（landmark: 0.5） (2)yolo.py中增加了关键点回归的计算 (3)face_datasets.py为人脸数据的读取方式，准备数据的格式参考yolov5的格式 ，在后面增加关键点的坐标（归一化） (4) loss.py中增加关键点回归的loss计算 (5) 链接: https://pan.baidu.com/s/1zjPIF2NZ9CGtB2iUCox6hw 关于口罩人脸的问题： 1，增加口罩人脸这个类别，建议不要直接在检测分支中增加类别。 2，应该在关键点分支额外增加一个属性分支，接一个二分类，判断有没有戴口罩。
3.2K30发布于 2021-05-11 - 来自专栏YOLO大作战
YOLOv5改进： RT-DETR引入YOLOv5，neck和检测头助力检测
： YOLO 检测器有个较大的待改进点是需要 NMS 后处理，其通常难以优化且不够鲁棒，因此检测器的速度存在延迟。 为避免该问题，我们将目光移向了不需要 NMS 后处理的 DETR，一种基于 Transformer 的端到端目标检测器。 然而，相比于 YOLO 系列检测器，DETR 系列检测器的速度要慢的多，这使得"无需 NMS "并未在速度上体现出优势。 上述问题促使我们针对实时的端到端检测器进行探索，旨在基于 DETR 的优秀架构设计一个全新的实时检测器，从根源上解决 NMS 对实时检测器带来的速度延迟问题。 1, 1, SPPF, [1024, 5]], # 9 ] # YOLOv5 v6.0 head head: [ [-1, 1, Conv, [256, 1, 1, None, 1, 1,
2.2K10编辑于 2023-12-17 - 来自专栏淡定的博客
html5之网络状态检测
在原生APP中,比如QQ,它可以检测QQ是处于在线还是离线状态,但是在网页中,或者早期web app中,没有检测网络状态的能力,因此在HTML5中出现了网络状态检测API 代码 <!
1.6K20发布于 2018-09-06 - 来自专栏硬件大熊
浅谈5类过零检测电路
在电力电子中，零点电压检测(通常简称为过零检测)技术被广泛应用。通过检测电路追踪交流电的电压变化过程，在交流电压为”零”的时刻输出信号，利用该信号我们可以做很多工程应用。 例如，在智能开关产品中通过零点电压检测技术来实现零电压时刻导通，从而抑制开机浪涌电流，达到保护继电器触点等器件的目的；在调光开关/调光器、电机调速产品中，通过零点电压检测技术可从零点开始控制交流电导通角的大小 过零检测电路有多种实现电路方式，下面列举几种工程设计常用的几种设计方案—— 一、采用比较器的过零检测电路 通过分压电阻将交流信号衰减至比较器正端输入，当交流输入超过零基准电压时，过零检测电路会改变比较器的输出状态 四、采用ADC采集的过零检测电路 通过分压电阻将交流信号衰减至ADC输入端，通过ADC进行电压采样来检测过零点。 ； 2.罗姆半导体(ROHM)的过零检测IC，BM1Z系列 上述仅简单举例几种常见的过零检测电路，除此之外仍有很多电路可实现该功能检测，当然在实际工程应用中也会碰到一些细节问题，例如：硬件电路延时、
10.7K20编辑于 2022-06-23 - 来自专栏全栈文档库
YOLOv5实现目标检测
目标检测在计算机视觉领域中具有重要意义，yolov5（You Only Look One-level）是目标检测算法中的一种代表性方法，以其高效性和准确性备受关注，并且在各种目标检测任务中都表现出卓越的性能 本文介绍了如何配置yolov5的运行环境、如何进行数据标注、如何通过yolov5训练数据集实现图片的目标检测。 二、下载解压yolov5代码 GitHub上yolov5下载地址：https://github.com/ultralytics/yolov5 这个代码包作就是yolov5的项目文件，下载之后解压。 我们切换到我们刚刚创建的虚拟环境yolov5下： conda activate yolov5 #切换到yolov5虚拟环境 可以看到我们从base环境(Anaconda自带的默认环境)切换到了yolov5 2、pip安装yolov5所需要的第三方库 conda activate yolov5 #切换到yolov5虚拟环境 d: cd D:\Projects\PyCharm\YoLo\yolov5 #切换目录到
9943433编辑于 2024-02-03 - 来自专栏防止网络攻击
图像检测【YOLOv5】——深度学习
5.最后要创建和激活一下环境： conda create -n py39 python=3.9是创建python3.9版本，名称为py39的环境。 （我当时吃了个午饭回来差不多刚刚好哈哈哈哈哈哈哈） 5.安装完成以后，会提示done，然后输入pip list，查看我们的包是否被安装，这里可以看到torch相关的包都安装了。 三.克隆YOLOv5. 1.点开链接：https://github.com/ultralytics/yolov5 Windows系统下载ZIP文件再解压后进入YOLOv5路径下运行： pip install /data/images/ --weights yolov5s.pt --conf 0.4 如果是第一次运行，会下载YOLOv5s.pt，速度会比较慢。
46210编辑于 2024-09-15
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