Turin's Blog

前言 发布一个版本时，我们通常先在版本库中打一个标签（tag），这样，就唯一确定了打标签时刻的版本。 Git的标签虽然是版本库的快照，但其实它就是指向某个commit的指针 使用tag命名指向历史版本号，能够更好的进行代码管理 一、创建标签 查看分支 1git branch 创建新的标签 1git tag v1.0 查看所有标签 1git tag 查看历史提交 1git log --pretty=oneline --abbrev-commit 比如要对->“博客备份”这次打标签 1git tag v0.9 607328c 查看标签信息，注意：```tag``是按字母顺序排列的 1git show v0.9 还可以创建带有说明的标签，用-a指定标签名，-m指定说明文字： 1git tag -a v0.1 -m "version 0.1 released" 1094adb 二、操作标签 删除标签 注意：对标签的操作都在本地，不会影响远程 1git tag -d v0.1 如果要推送标签到远程仓库，使用： 1git push origin v1.0 一次性推送全部尚未推 ...

创建与合并分支 - Git教程 - 廖雪峰的官方网站 (liaoxuefeng.com) 一、分支的创建 1. 分支创建 我们创建dev分支，然后切换到dev分支： 12$ git checkout -b devSwitched to a new branch 'dev' git checkout命令加上-b参数表示创建并切换，相当于以下两条命令： 123$ git branch dev$ git checkout devSwitched to branch 'dev' 然后提交： 1234$ git add readme.txt $ git commit -m "branch test"[dev b17d20e] branch test 1 file changed, 1 insertion(+) dev 分支的任务完成，就可以切换分支了 二、分支的管理 1. 查看分支 2. 切换分支 3. 合并分支 完成之后，master分支上的修改在main上也能看到了 4. 删除分支 1git branch -d dev

一、神经网络的基本概念 1. 神经元（感知器） 一种被称为感知器的人工神经元在20世纪五六十年代被科学家Frank提出。通过数学模型，可以认识到感知器是一个根据输入与权重来做出决定的设备，随着权重和阈值的变化，可以得到不同的决策模型。当一个感知器计算后得到的值大于阈值时，从神经学的角度来讲这个感知器被激活，反之为0。感知器可以一定程度上模仿人脑做出决策，但是感知器的决策过程全部是线性的，在处理图像处理、语音识别等复杂问题时，难以仅靠线性模型达到良好的识别效果，因此需要在感知器模型种引入非线性部分。 2. 非线性神经元 为解决复杂的数学模型，引入激活函数，激活函数给神经元带来了非线性因素，使得神经网络可以任意逼近任何非线性函数。 通常将激活函数与线性神经元合并使之成为非线性神经元 如果不用激活函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合，这种情况就是最原始的感知机（Perceptron）。 激活函数可以分为两大类： 饱和激活函数： sigmoid、 tanh… 非饱和激活函数: ReLU 、Leaky Relu 、ELU、PReLU、 ...

一、锁相环的原理与应用 参考文章：【STM32】知识补充 锁相环原理与应用解析_stm32数字锁相-CSDN博客 什么是锁相环 (PPL) 锁相环是一种闭环反馈控制系统. 用于生成与输入信号同步且相位相同的输出信号. 它的核心功能是在输入信号的相位变化时, 自动调整输出信号以保持同步. 这使得锁相环成为了一种理想的频率和相位控制技术. 锁相环的基本组成 锁相环主要由以下几个部分组成: 相位比较器 (Phase Detector): 相位比较器负责比较输入信号和反馈信号的相位差, 并将其转换为电压信号 低通滤波器 (Low-Pass Filter): 低通滤波器对相位比较器的输出信号进行滤波, 以消除高频噪声和相位抖动 电压控制振荡器 (Voltage-Controlled Oscillator): 根据低通过滤波器的输出电压调整输出信号的频率和相位 反馈分频器 (Feedback Divider): 反馈分频器对 VCO 的输出信号进行分频处理, 并将其反馈给相位比较器

author: sz_jmu 前言 TensorFlow 是一个用于机器学习和深度学习的开源框架，由 Google Brain 团队开发并在 2015 年发布。它是目前最流行的深度学习框架之一，广泛用于构建、训练和部署机器学习模型，特别是在处理复杂的神经网络任务时。TensorFlow 提供了灵活的工具和库，支持从研究到生产环境中的机器学习应用。 TensorFlow可以支持CPU，也可以支持CPU+GPU，前者配置较为简单，兼容性较好，后者需要一些额外的操作支持。 在训练规模庞大的模型时，使用CPU往往存在较大的性能限制，模型训练速度较慢。神经网络算法通常涉及大量的参数、激活值、梯度值的缓冲区，其中每个值在每一次训练迭代中国都要被完全更新，有可能会超出传统计算机的高速缓存（Cache），所以内存带宽通常会成为主要瓶颈。而与CPU相比，GPU的一个显著优势就是具有极高的内存带宽。神经网络的训练算法通常不涉及大量的分支运算和复杂控制指令，更适合在GPU硬件上完成，具有并行特性的GPU更适合神经网络的计算，因此，安装TensorFlow的GPU环境是合适的选择。 参考文章： 解决tens ...

Sysconfig界面: 1.波特率，数据格式的配置 2.中断使能配置 3.引脚配置 PS：LP-G3507开发板上用于板载调试的串口与单片机的PA11和PA10连接（跳线帽），配置这两个引脚可以直接通过MicroUSB接口与主机进行串口通信 库函数使用 1.初始化部分 12NVIC_ClearPendingIRQ(UART_0_INST_INT_IRQN);//清除串口中断标志位NVIC_EnableIRQ(UART_0_INST_INT_IRQN);//使能串口中断 2.中断配置 1234567891011void UART_0_INST_IRQHandler(void){ switch (DL_UART_Main_getPendingInterrupt(UART_0_INST)) { case DL_UART_MAIN_IIDX_RX: gEchoData = DL_UART_Main_receiveData(UART_0_INST); DL_UART_Main_transmitData(UART ...

# 注意 本项目创建时间：2024-7-17 本文标记为OpenCV入门参考项目以及电赛典型范例，由题主长期维护 --2024-10-2 一、图像处理方案 Opencv: 开源计算机视觉处理库，使用嵌入式SOC板卡作为摄像头模块，提供相对可靠的性能。 由于激光点的亮度远高于其他位置，所以采用HSV格式的色彩空间，对图像H,S,V域进行识别。 若要区分红绿激光，那么就对图像的RGB空间进行处理 2. 电工胶带的识别 使用原图像->灰度图像->设置阈值后进行二值化的方法，使得黑胶带区域识别为纯白色，其余部分全部为纯黑色区域。关于调参：建议使用创建滑块窗口的方法，进行动态调参，减少调参上浪费的时间。 摄像头容易受到外接环境光的干扰，可以通过调节分辨率，设置摄像头的图像获取范围，也有一种更为实用的方法：ROI（感兴趣区），可以通过创建掩膜的方式，只对ROI区域进行处理，这样就排除了外界环境的干扰。当然也可以使用切片的方法，定义一个变量用于读取图像的指定范围，然后再进行图像处理，需要显示参数时，再将一些特征点、辅助线、坐标点、数据显示在想要观看的图像上，使用opencv ...

一、编译器CCS Theia的基本使用 ​ 本文主要介绍通过CCS Theia以及Sysconfig的基本使用方法，将以GPIO和定时器为例，泛化性地介绍CCS Theia这个工具，便于其他外设配置的理解，对于CCS Theia IDE的安装及其环境配置，不做多赘述。 1. 范例程序的导入 步骤： 选择File -> import Project(s) 选择SDK中官方示例的地址，本文安装路径为：S:\ti\mspm0_sdk_2_01_00_03\examples\nortos\LP_MSPM0G3507\driverlib gcc：代表C++方式编程的工程格式 ticlang：代表TI官方IDE的工程格式 2. Sysconfig界面 ​ Sysconfig界面是TI推出的图形化界面配置，类似于ST 的CubeMX，能够极大简化对于单片机外设的初始化配置，更容易上手，但是这也需要我们正确小心地去使用这个工具，错误的配置很容易导致单片机无法正常工作。 ​ 一般的，在我们使用CCS Theia配置工程时，CCS成功加载工程文件后会显示一些特殊图标（ ...

一、Windows环境下的模型训练 针对YOLO的模型训练环境配置，Windows端兼容性差于Ubuntu，如果电脑上有Ubuntu系统，建议用Ubuntu系统进行训练（但注意，虚拟机安装的Ubuntu系统无法使用物理GPU进行训练）。 YOLO版本：YOLOV5 7.0 xxxxxxxxxx $ tags: -数字电路与VHDL设计"bash 准备好目标模型对应的图片数据集，使用labelme命令，启动数据集打标工具 2. 模型的训练和导出ONNX 2.1 环境配置 Anoconda可以区分不同的环境，不同的环境下可以使用的命令是不同的 创建环境 1conda create -n yolov5_7.0 python==3.8.5 列举所有环境 1conda env list 删除’环境 1conda env remove --name <env_name> 激活环境 1conda activate <env_name> 如配置好yolo的环境，安装好pytorch，cuda，yolo相关依赖，就需要使用conda activate yo ...

ROS2节点的代码结构（面向对象） 主程序 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051#!/usr/bin/env python3 # -*- coding: utf-8 -*-"""@作者: 古月居(www.guyuehome.com)@说明: ROS2节点示例-通过摄像头识别检测图片中出现的苹果"""import rclpy # ROS2 Python接口库from rclpy.node import Node # ROS2 节点类import cv2 # OpenCV图像处理库import numpy as np # Python数值计算库lower_red = np.array([0, 90, 128]) # 红色的HSV阈值下限upper_red ...

# OpenCV中文文档 https://woshicver.com/ 一、图像处理常见基本概念 1.BGR和RGB格式 BGR和RGB是两种常见的颜色编码格式，它们在像素颜色排列的顺序上有所不同： RGB格式： RGB指的是红色（R）、绿色（G）、蓝色（B）三个颜色通道的顺序。 在RGB格式中，像素的颜色值按照红、绿、蓝的顺序排列，即最开始的三个字节依次表示红色、绿色和蓝色分量。 BGR格式： BGR则是蓝色（B）、绿色（G）、红色（R）的顺序。 在BGR格式中，像素的颜色值按照蓝、绿、红的顺序排列，即最开始的三个字节依次表示蓝色、绿色和红色分量。 这两种格式主要在图像处理中有所区别。例如，在OpenCV中，默认情况下读取的图像格式是BGR而非RGB，这意味着你在处理图像数据时需要注意颜色通道的顺序。如果需要与其他软件或标准的RGB格式进行交互，通常需要进行颜色通道的重新排列。 总结： RGB：红色、绿色、蓝色，像素颜色排列顺序是RGB。 BGR：蓝色、绿色、红色，像素颜色排列顺序是BGR。 RGB格式的缺陷：自然条件下截取的图像，容易受到光线的影 ...

ROS2上手体验 ros2环境的配置 12source /opt/ros/humble/setup.bash #添加环境变量，需要每次启动终端使用此命令，比较繁琐echo " source /opt/ros/humble/setup.bash" >> ~/.bashrc #将添加环境变量的命令添加到脚本，开启终端自启动，无需反复source 发布者节点 1ros2 run demo_nodes_cpp talker 订阅者节点 1ros2 run demo_nodes_py listener node 1ros2 run turtlesim turtlesim_node Linux/Ros2命令行操作 Linux的命令庞大，但基本掌握常用的一些基础命令即可 获取当前终端操作的目录位置 1pwd 列举当前目录显示的文件 1ls 列举当前目录（包括被隐藏的）文件 1ls -A 新建文件夹 1mkdir test 修改当前终端路径 1cd test/ 效果： 在当前路径新建文件 1touch read.txt 在当前路径删除文件 1rm read.txt 删除文件夹 1r ...