AI计算机视觉笔记二十一：PaddleOCR训练自定义数据集
在完成PaddleOCR环境搭建与测试后，本文档详细介绍如何训练自定义的车牌检测模型。首先，在`PaddleOCR`目录下创建`train_data`文件夹存放数据集，并下载并解压缩车牌数据集。接着，复制并修改配置文件`ch_det_mv3_db_v2.0.yml`以适应训练需求，包括设置模型存储目录、训练可视化选项及数据集路径。随后，下载预训练权重文件并放置于`pretrain_models`目录下，以便进行预测与训练。最后，通过指定命令行参数执行训练、断点续训、测试及导出推理模型等操作。
AI计算机视觉笔记十七：实例分割
本文介绍了计算机视觉中的实例分割技术，通过结合目标检测和语义分割的方法，实现对图像中不同实例的精确区分与标记。以识别多只猫为例，详细描述了使用Mask R-CNN模型进行实例分割的过程，并提供了相关代码及环境搭建指南。通过实例演示，展示了如何利用该技术成功识别并分割出图像中的各个对象。
AI计算机视觉笔记十九：Swin Transformer训练
本文介绍了使用自定义数据集训练和测试目标检测模型的步骤。首先，通过安装并使用标注工具labelme准备数据集；接着修改配置文件以适应自定义类别，并调整预训练模型；然后解决训练过程中遇到的依赖冲突问题并完成模型训练；最后利用测试命令验证模型效果。文中提供了具体命令及文件修改指导。
AI计算机视觉笔记二十六：YOLOV8自训练关键点检测
本文档详细记录了使用YOLOv8训练关键点检测模型的过程。首先通过清华源安装YOLOv8，并验证安装。接着通过示例权重文件与测试图片`bus.jpg`演示预测流程。为准备训练数据，文档介绍了如何使用`labelme`标注工具进行关键点标注，并提供了一个Python脚本`labelme2yolo.py`将标注结果从JSON格式转换为YOLO所需的TXT格式。随后，通过Jupyter Notebook可视化标注结果确保准确性。最后，文档展示了如何组织数据集目录结构，并提供了训练与测试代码示例，包括配置文件`smoke.yaml`及训练脚本`train.py`，帮助读者完成自定义模型的训练与评估。
AI计算机视觉笔记二十四：YOLOP 训练+测试+模型评估
本文介绍了通过正点原子的ATK-3568了解并实现YOLOP（You Only Look Once for Panoptic Driving Perception）的过程，包括训练、测试、转换为ONNX格式及在ONNX Runtime上的部署。YOLOP由华中科技大学团队于2021年发布，可在Jetson TX2上达到23FPS，实现了目标检测、可行驶区域分割和车道线检测的多任务学习。文章详细记录了环境搭建、训练数据准备、模型转换和测试等步骤，并解决了ONNX转换过程中的问题。
FFmpeg开发笔记（五十一）适合学习研究的几个音视频开源框架
音视频编程对许多程序员来说是一片充满挑战的领域，但借助如OpenCV、LearnOpenGL、FFmpeg、OBS Studio及VLC media player等强大的开源工具，可以降低入门门槛。这些框架不仅覆盖了计算机视觉、图形渲染，还包括多媒体处理与直播技术，通过多种编程语言如Python、C++的应用，使得音视频开发更为便捷。例如，OpenCV支持跨平台的视觉应用开发，FFmpeg则擅长多媒体文件的处理与转换，而VLC media player则是验证音视频文件质量的有效工具。
AI计算机视觉笔记三十二：LPRNet车牌识别
LPRNet是一种基于Pytorch的高性能、轻量级车牌识别框架，适用于中国及其他国家的车牌识别。该网络无需对字符进行预分割，采用端到端的轻量化设计，结合了squeezenet和inception的思想。其创新点在于去除了RNN，仅使用CNN与CTC Loss，并通过特定的卷积模块提取上下文信息。环境配置包括使用CPU开发板和Autodl训练环境。训练和测试过程需搭建虚拟环境并安装相关依赖，执行训练和测试脚本时可能遇到若干错误，需相应调整代码以确保正确运行。使用官方模型可获得较高的识别准确率，自行训练时建议增加训练轮数以提升效果。
AI计算机视觉笔记三十：yolov8_obb旋转框训练
本文介绍了如何使用AUTODL环境搭建YOLOv8-obb的训练流程。首先创建虚拟环境并激活，然后通过指定清华源安装ultralytics库。接着下载YOLOv8源码，并使用指定命令开始训练，过程中可能会下载yolov8n.pt文件。训练完成后，可使用相应命令进行预测测试。
AI计算机视觉笔记二十七：YOLOV8实现目标追踪
本文介绍了使用YOLOv8实现人员检测与追踪的方法。通过为每个人员分配唯一ID，实现持续追踪，并可统计人数，适用于小区或办公楼出入管理。首先解释了目标检测与追踪的区别，接着详细描述了使用匈牙利算法和卡尔曼滤波实现目标关联的过程。文章提供了基于IOU实现追踪的具体步骤，包括环境搭建、模型加载及追踪逻辑实现。通过示例代码展示了如何使用YOLOv8进行实时视频处理，并实现人员追踪功能。测试结果显示，该方法在实际场景中具有较好的应用潜力。
AI计算机视觉笔记十六：yolov5训练自己的数据集
本文介绍了一种利用云服务器AutoDL训练疲劳驾驶行为检测模型的方法。由于使用本地CPU训练效率低下，作者选择了性价比高的AutoDL云服务器。首先，从网络获取了2000多张疲劳驾驶行为图片并使用labelimg软件进行标注。接着，详细介绍了在云服务器上创建实例、上传数据集和YOLOv5模型、修改配置文件以及开始训练的具体步骤。整个训练过程耗时约3小时，最终生成了可用于检测的模型文件。