切换马甲
上一页
下一页
分类专栏
-
12篇
默认分类
文章数:12
文章总阅读量:1.3w
文章总收藏量:1
文章总点赞量:1
按发布时间
按阅读量
按点赞量
-
加快xilinx fpga的启动速度的方式,只需要软件设置就可以了在vivado 下软件设置如下1.单击如下图红框位置open synthesized design2.在tools菜单下单击edit device properties,如果没有第一步在这个菜单下不会出现这个选项3.在弹出的菜单中如下图选择传输速度4.如下图在configuration modes选项里面选择spix4模式,然后点击2022-05-31 10:57:340 0 2496
-
先上代码:客户端: void thread1(void arg); void thread2(void arg); pthread_mutex_t lock; typedef struct sockaddr_in SAI; typedef struct sockaddr SA; SAI ser_addr; int socfd; char clientname[20]={0}; unsigned c2022-10-11 14:43:120 0 1121
-
USB2.0支持3中传输模式: 低速模式(1.5Mb/s) 全速模式(12Mb/s) 高速模式(480Mb/s) 由于协议开销,实际速率要低一些。 USB使用的是NRZI编码方式,其编码核心是: 当数据为0时,电平翻转, 当数据为1时,电平不翻转。 USB数据包的开头有同步域(SYNC),其值为00000001,在经过NRZI编码后,就是一串方波,接收方通过方波计算出时钟频率来采样后续数据。 采2022-10-13 10:22:200 0 1759
-
什么是紫边? 紫边顾名思义,就是在摄影成像时,在对比度强烈,以及大光圈时经常会产生的紫色边缘的artifact,其实除了紫色也会存在蓝色和绿色的情况。具体的成因相当复杂,目前大部分人用光学像差来解释这个问题,其实只是一方面,实际除了镜头,紫边和sensor,以及两者的匹配以及算法都有.也有关系。 现实中通常我们可以选取比较高档的经过光学优化的镜头来消除紫边,以及更好的sensor。如果上面这些方2022-10-14 15:09:441 1 4365
-
摘要:随着人工智能与物联网技术的快速发展,智能视频处理系统在监控、安防、交通、医疗等领域中起到了关键作用。为了满足高效、精确、稳定的视频处理需求,海思推出了两款创新型芯片 Hi3516DV500 和 Hi3519DV500,这两款芯片引领着智能视频处理技术的革新。1. Hi3516DV500 芯片的亮点Hi3516DV500 是一款高性能2023-07-22 13:41:130 0 1457
-
介绍分割是计算机视觉中的一个关键任务,在医学成像、机器人技术和自动驾驶汽车等领域具有广泛的应用。YOLO(You Only Look Once)是一组以其速度和精度而著名的目标检测模型。要使用YOLO进行分割,可以扩展YOLO目标检测模型,以预测图像中每个找到的对象的像素级掩码。 在这篇博客文章中,我们将探讨如何在实际应用中使用YOLO进行分割。我们将讨论的主题包括: 选择预训练的YOLO模型训2023-12-14 17:15:070 0 404
-
你的手机的微处理器芯片中可能有超过150亿个微型晶体管。晶体管是由硅、金、铜等金属和绝缘体组成的,它们一起接收电流并将其转换为1和0来交流和存储信息。晶体管材料是无机物,主要来源于岩石和金属。但是,如果你能让这些基本的电子元件成为生物的一部分,能够直接对环境做出反应,并像活组织一样发生变化,会怎么样?塔夫茨大学Silklab的一个团队在用生物丝代替绝缘材料制造晶体管时就是这样做的。他们在《先进材料2023-10-16 14:50:200 0 204
-
BSP的出生Linux经过不断的发展,原先嵌入式系统的三层结构逐步演化成为一种四层结构。 这个新增加的中间层次位于操作系统和硬件之间,包含了系统中与硬件相关的大部分功能。通过特定的上层接口与操作系统进行交互,向操作系统提供底层的硬件信息;并2024-02-21 17:08:250 0 103
-
一、从官网下载1、在linux中直接下载wget http://live555.com/liveMedia/public/live.2023.06.20.tar.gz 或直接找镜像下低版本后面能少报点错 2、解压缩tar -vxf live2024-02-23 16:58:460 0 119
-
文章目录 1、ONNX序列化为TensorRT Engine1.1 创建builder2、继承ILogger,实例化接口1.2 创建network1.3 创建parse解析器1.4 设置必要参数并创建Engine1.5 创建Engine并序2024-03-05 15:34:480 0 272
-
文章目录 1、环境安装2、模型训练2.1 数据准备2.2 模型训练3、模型转换3.1 模型转换为onnx3.2 模型转换为engine4、具体实现如下5、实际运行效果6、Python 版本实现TensorRT推理6.1、创建context62024-03-05 15:21:430 0 109
-
文章目录 1、YOLOV8简介2、模型训练2.1 环境构建2.2 数据准备2.3 模型训练3、 模型转换和部署3.1 模型转换为ONNX3.2 ONNX转换为engine3.3 python版本TensorRT3.3.1 创建context2024-03-05 15:05:360 0 237