【目标检测软件 02】AirsPy 目标检测系统操作指南

目标检测数据标注格式及工具软件简介 其中,train和val分别存放训练图像和验证图像,annotations存放标注,不同于VOC一张图像对应一个标注文件,COCO的标注文件是一个子目录下的所有图像的标注都保存在一个json文件中(即数据集内所有数据的标签存在一个json文件中)。第一次选择该模型时,要经过长时间的下载,请耐心等待。YOLO数据集格式的出现主要是为了训练YOLO模型, ,因为可以通过修改模型的配置文件进行数据加载,唯一需要注意的是YOLO数据集的标注格式是将目标框的位置信息进行归一化处理(此处归一化指的是除以图片宽和高), 阅读详情

目录

版本

一、软件简介

二、功能概览

2.1、多源输入支持

2.2、检测与显示

2.3 、参数配置

2.4 、结果管理

2.5 、模型与配置管理

三、安装与环境要求

3.1、系统要求

3.2、软件依赖

3.3、安装步骤

四、主界面布局

4.1、顶部栏

4.2、左侧功能区

4.3、中间显示区

4.4、右侧信息区

4.5、交互特性

五、功能操作指南

5.1、系统配置(首次使用必做)

5.2、图片文件检测

5.3、视频文件检测

5.4、本地摄像头检测

5.5、网络视频流检测

5.6、检测结果管理

5.7、模型管理

六、配置文件详解

6.1、config.json 结构

6.2、关键配置项说明

6.2.1、路径配置

6.2.2、设备配置

6.2.3、检测参数

6.2.4、保存选项

6.3、类别文件格式要求

6.3.1、文件格式

6.3.2、格式要求

6.3.3、示例文件

6.3.4、自定义类别文件

七、软件打包部署

7.1、打包工具介绍

7.2、打包脚本说明

7.2.1、目录打包脚本(build.bat)

7.2.2、单文件打包脚本(build_onefile.bat)

7.3、打包操作

八、常见问题与解决方案

九、版本信息

十、链接


版本

版本描述
v1.01、多源检测:可识别图片、视频、摄像头、网络视频流多种来源。
2、实时推理:加载YOLO模型进行实时目标检测与画面标记。
3、参数调节:支持动态调整检测阈值、跳帧等参数并即时生效。
4、交互查看:鼠标悬停看详情,点击表格可定位对应画面。
5、结果保存:自动保存带框结果图/视频和结构化数据。
6、数据管理:一键导出/导入Excel,完整回溯历史检测结果。
7、配置管理:图形化加载模型与配置文件,设置可保存复用。
8、打包部署:可打包为独立exe文件,便于分发安装。
v1.0.1修改1:模型重新加载,删除旧模型创建的类,释放资源。
修改2:模型加载失败,弹窗提示,然后正常运行。
修改3:当模型识别到的类id,不在类文件里程序运行异常
v1.0.2修改: 界面显示参数横线分割
v1.0.3修改:使用onnx格式检测失败问题

一、软件简介

AirsPy 是一款基于Python 与 PyQt5 开发的图形化目标检测应用,专为科研、教学、工业质检及安防监控等场景设计。该软件以 YOLO 系列模型为核心,支持加载 .pt 或 ONNX 格式 的目标检测模型,对图像、视频、本地摄像头及网络流媒体进行实时推理,并以直观的方式可视化检测结果。

本系统具备友好的用户界面、灵活的参数配置能力、多源输入兼容性以及完善的检测结果管理机制。用户无需编写代码即可完成从模型部署到结果导出的全流程操作。同时,软件架构清晰,支持在此基础上进行二次开发与功能拓展。

软件界面展示:

二、功能概览

AirsPy 集成了以下核心功能模块,满足多样化目标检测需求:

2.1、多源输入支持

  • 图片文件夹批量检测:自动遍历指定文件夹内所有图像(支持 .jpg、.png、.jpeg 等格式)
  • 本地视频文件检测:支持 .mp4、.avi、.h264、.h265 等主流视频格式
  • 本地摄像头实时检测:调用计算机内置或外接 USB 摄像头进行连续推理
  • RTSP 视频流检测:接入网络摄像机(如海康、大华)的 RTSP 地址
  • HTTP 视频流检测:支持 MJPEG 或直接 MP4 流的 HTTP/HTTPS 视频链接

2.2、检测与显示

  • 实时目标检测与边界框绘制
  • 显示类别名称、置信度分数及坐标信息
  • 支持鼠标悬停交互:当光标位于检测框内时,右侧信息区自动显示该目标详情
  • 表格化记录每帧/每图的完整检测结果

2.3 、参数配置

  • IoU 阈值(交并比):控制非极大值抑制(NMS)的严格程度(范围 0.01–1.00)
  • 置信度阈值:过滤低可信度预测(范围 0.01–1.00)
  • 帧间隔:在视频或摄像头模式下设置跳帧频率(1–100 帧),平衡性能与精度
  • 所有参数支持 运行时动态调整,即时生效

2.4 、结果管理

  • 自动保存检测画面:生成带检测框的图像或视频文件
  • 自动生成结构化表格:导出为 Excel(.xlsx)格式,包含目标类别、坐标、置信度、原文件路径、检测保存文件路径等字段
  • 结果导入/导出:可加载历史检测数据进行回溯分析
  • 结果导航:通过“上一张/下一张”按钮或点击表格行快速切换查看对应画面

2.5 、模型与配置管理

  • 支持 .pt / .onnx 模型文件
  • 提供 模型转换工具(convert_pt_to_onnx.py),便于部署优化
  • 配置文件(config.json)自动保存与加载,支持一键复用工作环境
  • 类别文件采用 JSON 格式,键为英文类别名,值为中文显示名,便于本地化

三、安装与环境要求

3.1、系统要求

项目要求
操作系统Windows 10/11(推荐 64 位)、Ubuntu 20.04+、macOS 12+
CPUIntel Core i5 或更高(建议支持 AVX2 指令集)
内存≥16 GB
GPU(支持)NVIDIA 显卡,支持 CUDA 11+(如 RTX 3060/4060 及以上)

GPU 非必需,但如果硬件支持可显著提升推理速度。

3.2、软件依赖

  • Python 版本:3.11(推荐)
  • 核心依赖包(详见 requirements.txt):
    • PyQt5 ≥ 5.15
    • OpenCV-Python (cv2)
    • NumPy
    • ONNX Runtime(CPU 或 GPU 版)
    • Ultralytics 8.3.160(用于 .pt 模型加载)
    • Pandas、openpyxl(用于 Excel 导出)

3.3、安装步骤

  • 安装 Python 3.11(确保添加至系统 PATH)
  • 克隆或解压软件包至本地目录
  • 打开终端,进入项目根目录
  • 执行以下命令安装依赖:

先安装

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

再根据GPU或者CPU安装深度学习库

CPU 版本
pip install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 --index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip install onnxruntime==1.19.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/

GPU 版本 根据自己的gpu 选择对应的CUDA
pip install torch==2.5.1+cu121 torchvision==0.20.1+cu121 torchaudio==2.5.1+cu121 --extra-index-url https://download.pytorch.org/whl/cu121
pip install onnxruntime-gpu==1.19.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/

操作步骤如下:
Python 下载地址 www.python.org

下载完成,直接点击安装。
使用PyCharm IDE 打开工程,创建虚拟环境。

安装依赖库

安装完成 python 解析器会显示所有依赖库

四、主界面布局

AirsPy 主窗口采用三栏式布局,结构清晰,操作便捷。

4.1、顶部栏

  • 系统标题:居中显示 “YOLO识别系统”
  • 窗口控制按钮:右上角提供最小化(Ctrl+M)、最大化/还原(Ctrl+F)、关闭(Alt+F4)功能

4.2、左侧功能区

包含三大子区域:

(1)功能按钮区(快捷键支持)

  • 系统配置(Ctrl+S):打开参数设置对话框
  • 图片文件(Ctrl+I):选择图像文件夹
  • 视频文件(Ctrl+V):选择本地视频
  • 网络视频(Ctrl+H):输入 HTTP 视频流地址
  • 本地摄像(Ctrl+C):启用本地摄像头
  • 远程摄像(Ctrl+R):输入 RTSP 流地址

(2)系统信息显示区

实时展示当前状态:

  • 模型文件:当前加载的模型名称
  • 抑制 IoU:当前 IoU 阈值
  • 置信度 Conf:当前置信度阈值
  • 类别数:类别文件中定义的类别总数
  • 文件数:当前选中的媒体文件数量

(3)控制按钮区

  • 上一张(Ctrl+←):切换至上一条检测结果
  • 运行/暂停(Ctrl+Space):启动或暂停检测
  • 停止(Ctrl+Q):终止当前任务
  • 下一张(Ctrl+→):切换至下一条检测结果
  • 导入(Ctrl+E):加载历史 Excel 检测结果
  • 导出(Ctrl+O):将当前结果保存为 Excel 文件

4.3、中间显示区

  • 视频/图像显示区域:主画面展示带检测框的实时或静态内容
  • 检测结果表格:下方表格列出所有检测记录,支持点击选中行高亮对应画面

4.4、右侧信息区

  • 目标信息:显示当前鼠标悬停目标的类别名称与置信度
  • 位置信息:精确坐标(xmin, ymin, xmax, ymax)
  • 进度可视化:圆形进度条动态显示检测完成比例

4.5、交互特性

  • 窗口拖拽:在非边框区域按住左键可移动窗口
  • 窗口缩放:边缘或角落可调整大小
  • 表格联动:点击表格行 → 自动定位并显示对应检测画面
  • 悬停提示:鼠标移至检测框内 → 右侧实时更新目标信息

窗口拖拽

窗口缩放:

五、功能操作指南

5.1、系统配置(首次使用必做)

  • 点击 “系统配置” 按钮
  • 模型配置:
    • 点击“打开”,选择 .pt 或 .onnx 模型文件
    • 成功后主界面“模型文件”区域显示文件名
  • 类别文件配置:
    • 选择 JSON 格式类别文件(格式见第6章)
    • 系统自动解析并更新“类别数”
  • 参数调节:
    • 拖动滑块或直接输入数值设置 IoU(范围:0.01-1.00)、置信度(范围:0.01-1.00)、帧间隔(范围:1-100帧)
  • 保存选项:
    • 勾选“图片/视频”和/或“表格”以启用自动保存
  • 关闭窗口,配置自动写入 config.json

操作展示

1、点击“系统配置”,选择模型、类文件、设置IoU、置信度、帧间隔、勾选“图片/视频”和/或“表格”

2、展示系统设置

5.2、图片文件检测

  • 点击 “图片文件” → 选择包含图像的文件夹
  • 点击 “运行” 开始批量检测
  • 检测过程中:
    • 中间区域逐张显示结果
    • 表格实时追加记录
    • 进度条反映完成比例
  • 可随时 暂停/恢复/停止
  • 完成后,结果自动保存(若启用)

操作展示

1、选择图片文件夹

2、展示图片文件数

3、图片检测结果

4、自动保存的检测图片、表格

5、鼠标移动目标检测框,光标成十字光标,同时在右侧显示目标信息。

6、上下按钮切换或者表格选中行,自动展示检测的对应检测图片

5.3、视频文件检测

  • 点击 “视频文件” → 选择视频
  • 点击 “运行” 开始检测
  • 系统按“帧间隔”跳帧处理,其余帧正常播放(无检测)
  • 支持全程暂停、停止、结果导航

操作展示

1、选择视频文件

2、显示文件数

3、开始运行、显示检测进程、检测结果

4、检测过程可以按暂停或者停止检测键。暂停或者停止播放后也可以支持鼠标悬停显示目标信息。

5、检测结果保存

6、播放检测保存的视频效果

5.4、本地摄像头检测

  • 点击 “本地摄像”
  • 若存在多个设备,弹出选择对话框 → 选择摄像头 ID
  • 点击 “运行” 启动实时检测
  • 可在运行中动态调整参数,效果即时体现

操作展示

1、找到一个本地摄像头

2、找到多个本地摄像头

3、开始播放摄像头、本地视频没有进度显示

4、摄像头检测保存

5、播放摄像头检测保存视频

5.5、网络视频流检测

  • HTTP 流:点击“网络视频” → 输入如 http://ip:port/video.mp4
  • RTSP 流:点击“远程摄像” → 输入如 rtsp://user:pass@ip:554/stream
  • 系统尝试连接,成功后点击“运行”开始检测
  • 具备基础断线重连机制

操作展示

1、填写http视频URL

2、开始或暂停或停止播放http视频,暂停或停止播放时也支持鼠标悬停目标信息显示

3、保存检测结果

4、播放检测http检测保存的视频效果

5、RTSP 同样的操作步骤

6、RTSP 播放效果,没有进度显示,同样支持鼠标悬停显示,上下键和表格选中行。

7、RTSP 检测保存的视频名称规则跟HTTP一致。

8、RTSP 检测视频播放

5.6、检测结果管理

  • 查看:表格中每行包含编号、目标数、详细结果、原始路径、保存路径
  • 导航:使用“上一张/下一张”或点击表格行切换画面
  • 导出:点击“导出” → 选择路径 → 生成带格式的 Excel 文件
  • 导入:加载历史 Excel → 数据回填至表格,支持回看

操作展示

1、导出检测结果成 Excel 文件

2、查看导出的Excel 文件,包含编码、检测数、检测结果、原文件路径、检测文件路径

3、导入,选中之前保存的Excel 文件作为导入文件。

4、导航查看、使用“上一张/下一张”或点击表格行切换画面

5.7、模型管理

  • 切换模型:重新打开配置窗口,选择新模型文件即可
  • 模型转换:运行 convert_pt_to_onnx.py 将 .pt 转为 .onnx(提升部署效率)
  • 性能提示:首次加载较慢,后续使用缓存;GPU 可用时自动加速

操作展示

1、模型格式转换

六、配置文件详解

6.1、config.json 结构

软件使用JSON格式的配置文件(config.json)保存所有用户设置,位于软件根目录。

{
    "model_path": "model/yolov8s.onnx",
    "class_file_path": "model/class.json",
    "img_path": "media/img/",
    "video_path": "media/video/",
    "http_url": "http://example.com/stream.mp4",
    "rtsp_url": "rtsp://192.168.1.64:554/stream",
    "camera_id": 0,
    "iou_threshold": 0.75,
    "conf_threshold": 0.25,
    "frame_interval": 10,
    "save_media": true,
    "save_table": true
}

6.2、关键配置项说明

6.2.1、路径配置

  • model_path:模型文件的绝对路径,支持.pt和.onnx格式

  • class_file_path:类别定义JSON文件路径,格式要求见下文

  • img_path:默认图片文件夹路径,用于快速选择图片文件夹

  • video_path:默认视频文件路径,用于快速选择视频文件

6.2.2、设备配置

  • camera_id:默认摄像头ID,0表示第一个可用摄像头

  • http_url:默认HTTP视频流URL,用于快速配置网络视频

  • rtsp_url:默认RTSP视频流URL,用于快速配置远程摄像

6.2.3、检测参数

  • iou_threshold:交并比阈值,范围0.01-1.00,默认0.75

  • conf_threshold:置信度阈值,范围0.01-1.00,默认0.5

  • frame_interval:视频帧采样间隔,正整数,默认10

6.2.4、保存选项

  • save_media:是否自动保存处理后的媒体文件,布尔值

  • save_table:是否自动保存检测结果为Excel,布尔值

6.3、类别文件格式要求

6.3.1、文件格式

类别文件必须是JSON格式的字典文件,基本结构如下:

json

{
    "key1": "value1",
    "key2": "value2",
    ...
}

6.3.2、格式要求

键值对应关系:

  • 键(key):英文类别名称,必须与训练模型时使用的类别名完全一致
  • 值(value):中文类别名称,显示在软件界面中

顺序要求:

  • 字典的顺序必须与训练模型的类别顺序完全对应
  • 例如COCO数据集的80个类别,第一个是"person",那么字典的第一个键必须是"person"

完整性要求:

  •  必须包含模型支持的所有类别
  • 不能缺少任何类别,否则可能导致显示错误
  • 可以包含额外的类别,但多余的类别不会被使用

6.3.3、示例文件

COCO数据集80类别示例(前几个类别):

json

{
    "person": "人",
    "bicycle": "自行车",
    "car": "汽车",
    "motorcycle": "摩托车",
    "airplane": "飞机",
    "bus": "公共汽车",
    "train": "火车",
    "truck": "卡车",
    "boat": "船",
    "traffic light": "交通灯",
    "fire hydrant": "消防栓",
    "stop sign": "停车标志",
    "parking meter": "停车计时器",
    "bench": "长椅",
    "bird": "鸟",
    "cat": "猫",
    "dog": "狗",
    "horse": "马",
    "sheep": "羊",
    "cow": "牛",
    "...": "其余类别..."
}

6.3.4、自定义类别文件

对于自定义训练的模型,需要根据训练时使用的类别创建对应的类别文件:

创建步骤:

  1. 获取训练模型的类别列表(按顺序)

  2. 为每个类别准备英文名称和中文翻译

  3. 按照训练顺序创建JSON字典

  4. 保存为UTF-8编码的JSON文件

验证方法:

  1. 在软件中加载类别文件

  2. 查看显示的类别数量是否正确

  3. 测试检测结果的中文显示是否正常

七、软件打包部署

7.1、打包工具介绍

软件使用PyInstaller工具进行打包,将Python脚本和相关资源打包成可执行文件,方便在没有Python环境的计算机上使用。

7.2、打包脚本说明

7.2.1、目录打包脚本(build.bat)

此脚本生成一个包含所有依赖文件的目录结构,适合需要灵活部署的场景。

脚本内容:

pyinstaller --name=AirsPyqt5v1.0 --windowed --onedir ^
    --add-data="config.json;." ^
    --icon=./ui/icons/logo.ico ^
    --distpath=../version/AirsPyqt5v1.0/onedir/dist ^
    --workpath=../version/AirsPyqt5v1.0/onedir/build ^
    --specpath=. ^
    --hidden-import=PyQt5.QtCore ^
    --hidden-import=PyQt5.QtGui ^
    --hidden-import=PyQt5.QtWidgets ^
    --hidden-import=cv2 ^
    main.py

pause

参数说明:

  • --name:指定生成的可执行文件名称

  • --windowed:不显示控制台窗口(纯图形界面)

  • --onedir:打包为目录形式(多个文件)

  • --add-data:添加额外的数据文件(配置文件)

  • --icon:设置应用程序图标

  • --distpath:指定输出目录路径

  • --hidden-import:显式包含可能自动检测不到的模块

输出结果:
生成一个包含以下内容的目录:

text

dist/AirsPyqt5v1.0/
├── AirsPyqt5v1.0.exe    # 主可执行文件
├── config.json          # 配置文件
├── _internal/           # 依赖库目录
│   ├── PyQt5/
│   ├── cv2/
│   ├── ultralytics/
│   └── 其他依赖库...
└── 其他运行时文件...

7.2.2、单文件打包脚本(build_onefile.bat)

此脚本生成单个可执行文件,适合简单分发和部署。

脚本内容:

pyinstaller --name=AirsPyqt5v1.0 --windowed --onefile ^
    --add-data="config.json;." ^
    --icon=./ui/icons/logo.ico ^
    --distpath=../version/AirsPyqt5v1.0/onefile/dist ^
    --workpath=../version/AirsPyqt5v1.0/onefile/build ^
    --specpath=. ^
    main.py

pause

参数说明:

  • --onefile:打包为单个可执行文件

  • 其他参数与目录打包相同

输出结果:
生成单个可执行文件:

text

dist/AirsPyqt5v1.0.exe

特点:

  • 所有依赖都打包在一个文件中

  • 启动时需要解压到临时目录

  • 文件体积较大但部署简单

7.3、打包操作

八、常见问题与解决方案

问题现象可能原因解决方案
模型加载失败路径含中文/空格;文件损坏;格式不支持使用纯英文路径;验证模型完整性;确认为 .pt 或 .onnx
摄像头无法打开被其他程序占用;ID 错误关闭微信、Zoom 等;在配置中修改 camera_id 为 1 或 2
RTSP 连接超时网络不通;账号密码错误;端口阻塞用 VLC 测试流是否可达;检查防火墙设置
检测框无标签未加载类别文件;类别数不匹配加载正确的 class.json;确保类别数量与模型一致
软件运行卡顿帧间隔过小;未使用 ONNX;硬件不足提高帧间隔(如设为 10);转换为 ONNX 模型;关闭保存功能

    九、版本信息

    • 软件名称:AirsPy YOLO 目标检测系统
    • 版本号:v1.0
    • 最后更新日期:2024 年 12 月
    • 版本特性:基础功能完整,支持多种检测模式和结果管理

    十、链接

    描述链接
     视频演示目标检测软件(AirsPyqt5)_哔哩哔哩_bilibili
    源码地址基于深度学习的目标检测系统AirsPy
    往期回顾链接
    数据集【数据集】数据集汇总(按比例划分训练、验证、测试)包含训练好的模型-CSDN博客
    软件开发【软件开发】深度学习软件开发汇总 (可视化界面、训练模型、源码)毕设推荐项目-CSDN博客
    参考链接
    详细介绍YOLO【深度学习02】YOLO模型的数据集、训练、验证、预测、导出_yolomap计算公式使用验证集还是训练集-CSDN博客
    遥感目标识别系统开发介绍 本人开发了遥感图像目标识别软件系统,供大家交流使用。需要的可私信或微信扫下方二维码。 一、 软件介绍 1.1、功能概述 该软件能够对常见格式(如.jpg、.jpeg、.bmp、.png、.tif)的遥感影像进行飞机识别、机场识别、舰船识别、港口识别和红外识别,同时支持对视频文件进行上述多种目标识别。该软件还支持飞机的旋转框识别。 1.2、界面布局 软件布局分为六部分,从上至下从左至右依次为菜单栏、快捷工具栏、文件显示区、图像显示区、识别结果显示区和底栏。 (图1)软件界面截图 二、使用指南 2.1、系统 阅读详情

    相关推荐

    搭建arispy Spyserver

    arispy Spyserver rtl-sdr

    hailangnet的博客 1247

    探索无线电新维度:AirSpy软件定义无线电平台

    探索无线电新维度:AirSpy软件定义无线电平台 去发现同类优质开源项目:https://gitcode.com/ 项目简介 AirSpy是一款小巧而高效的软件定义无线电(Software Defined Radio, SDR),旨在为开发者和爱好者提供一个低成本、开源的SDR平台。该项目不仅提供了硬件设计,还包含了适用于Linux和Windows操作系统的主机软件,让你能够轻松搭建属于自己的无线...

    gitblog_00049的博客 1113

    YoloDotNet:强大的实时目标检测工具

    YoloDotNet 是一个基于.NET 平台的目标检测工具,它集成了先进的 Yolo(You Only Look Once)算法,能够在短时间内准确地检测出图像或视频中的各种目标。高效性:YoloDotNet 采用了先进的深度学习算法,能够在毫秒级别内完成目标检测任务,适用于实时应用场景。准确性:经过大量的训练和优化,YoloDotNet 能够准确地识别出各种目标,包括人、车、动物等,具有较高的检测精度。

    仰望星空的博客 1907

    AirSpy固件:解锁无线电的无限可能

    AirSpy固件:解锁无线电的无限可能 项目介绍 在无线电的宽广天地中,AirSpy固件(也称为airspy_fw)犹如一把钥匙,为我们打开了专业级接收与信号分析的大门。这是一个专为AirSpy硬件设计的强大固件,旨在提供高效、精确的射频捕获和解调能力。通过它的强大功能,业余无线电爱好者、科研人员以及安全研究人员可以探索无线通信的奥秘,从HF到UHF频段,无所不包。 项目技术分析 AirSpy固件...

    gitblog_00004的博客 910

    用于目标检测标注的工具 FastLabel

    资源下载链接为: https://pan.quark.cn/s/08d137c644b6 用于目标检测标注的工具 FastLabel(最新、最全版本!打开链接下载即可用!)

    通过AirSpy API采集IQ数据,可设置频率,采样率,增益等参数

    需要用AirSpy采集RFID读写器的发射信号,并通过上位机软件进行解调分析,实例通过调用AirSpy的API对设备进行初始化,参数配置,数据采集等操作。

    基于YOLOv8的多目标检测与自动标注软件【python源码+PyqtUI界面+exe文件】【深度学习】

    基于YOLOv8的多目标检测与自动标注软件【python源码+PyqtUI界面+exe文件】【深度学习】

    阿旭的博客 1万+

    Vivado IP核:AXI Uartlite的使用经验分享

    1. IP基本设置 在Vivado中,打开IP Catalog,搜索“uart”: 双击“AXI Uartlite”,进入IP配置界面: 这里可以配置IP的具体参数,设置时钟频率、波特率等,完成后,生成IP即可。 2. IP的时序特点 点击下面的链接可以下载该IP核的官方指导文档: https://china.xilinx.com/support/documentation/ip_docume...

    weixin_43265132的博客 1万+

    【目标检测软件 04】基于 YOLO 目标检测与 LPRNet/OCR 车牌识别的一体化系统 (含 PyQt5 可视化界面、25 万张标注数据集、完整训练模型及 Python 源码-毕设推荐项目)

    本项目开发了一款基于Python的车牌识别软件,支持图像、视频、摄像头及网络流等多种输入源。系统采用深度学习技术,同时集成LPRNet和CRNN两种OCR模型,可根据需求灵活切换。软件具备以下特点:1. 提供可视化交互界面,支持实时检测与动态标注;2. 允许自定义检测参数(置信度、IOU阈值等);3. 支持结果导入导出及模型热替换;4. 包含完整的训练、验证、测试及模型导出功能。系统采用1.5万张包含蓝绿黄牌的数据集训练,支持ONNX格式部署,适用于智能交通、安防监控等场景。

    Jayson 博客 1438

    SCL3400硬件避坑指南:引脚兼容性测试+模式切换异常处理

    本文针对村田SCL3400双轴倾角计在实际硬件设计中的常见问题,提供了详细的避坑指南。重点解析了从SCL3300迁移时的引脚兼容性真相,包括SPI时序、电源去耦等关键差异,并深入探讨了模式切换中超量程错误的复现原因与软件容错方案。同时,指导了如何根据应用场景配置低通滤波器,并给出了无自动唤醒功能下的可靠电源与长线SPI通信管理策略。

    weixin_29190573的博客 296

    动手学Moveit2|使用配置助手创建自己机械臂的功能包

    今天没时间了,先生成功能包,下一步还需要装一些依赖才能运行,明天再补充下面的内容。

    生活不止眼前的苟且 1万+

    【目标检测软件 03】基于yolo的室内烟火识别系统(含Python源码、UI界面、数据集、训练模型与代码-毕设推荐项目)

    本文介绍了一款基于YOLO算法的家庭烟火识别系统,该系统采用PyQt5开发可视化界面,支持多种输入源(摄像头/图片/视频/网络流)的实时检测。系统包含2847张标注图像的数据集,支持模型训练、验证和导出ONNX格式,并提供参数调整、结果保存等功能。部署要求包括Python环境和可选GPU加速,通过模块化设计实现火灾早期预警,适用于智能家居等场景。

    Jayson 博客 1384

    从“看不懂Sansen”到亲手搭建:一个Class AB输出级+浮动电压源的保姆级设计复盘

    本文详细记录了从理论困惑到实践突破的Class AB输出级与浮动电压源设计全过程。通过电流镜调试、恒定跨导优化及版图匹配等关键步骤,作者实现了高性能运放设计,并分享了从仿真到实测的宝贵经验,为模拟电路初学者提供实用指导。

    weixin_33737774的博客 881

    【软件开发】深度学习软件开发汇总 (可视化界面、训练模型、源码)毕设推荐项目

    汇总往期的软件开发

    Jayson 博客 292

    电源完整性仿真流程梳理

    可根据仿真流程导图,一步一步的去设置完成仿真。仿真的关键,在于对电路回路的理解以及所放置的电压源与电流的合理性,对于去耦电容的选择,则需要根据谐振频率计算,从而选取有效滤波的容值。

    csy17729158342的博客 3449

    Cosmos Transfer2.5多模态AI模型部署与优化实战

    多模态AI技术通过融合文本、图像、代码等不同模态数据,实现跨模态理解与生成。其核心原理基于Transformer架构的注意力机制,结合对比学习实现模态对齐。这类技术在智能内容创作、跨模态搜索等领域具有重要价值,尤其适合电商营销图文生成、UI设计转代码等场景。Cosmos Transfer2.5作为先进的多模态模型,支持8192 tokens长文本窗口和混合模态输入,实测推理速度达17.5 samples/s(T4显卡)。部署时需注意FlashAttention优化可提升3倍长文本处理效率,8-bit量化则能

    weixin_29038303的博客 284

    【目标检测软件 07】基于YOLO佩戴口罩识别系统(PyQt5 可视化界面、2.3万张标注数据集、完整的训练YOLO11/YOLO26模型及 Python 源码-毕设推荐项目)

    摘要: 本文介绍了一款基于YOLO系列模型的口罩佩戴检测系统,采用Python开发,结合PyQt5构建了用户友好的桌面端界面。系统支持图片、视频、本地摄像头及网络流等多种输入源,可实时检测并标注"佩戴口罩"与"未佩戴口罩"两类目标,检测精度高且响应速度快。软件提供参数自定义(置信度阈值、IoU阈值等)、结果可视化展示及Excel导出功能,适用于公共场所防疫管理。系统基于PyTorch训练,支持模型热替换与ONNX格式部署,兼容CPU/GPU环境,代码结构清晰,兼具实用

    Jayson 博客 247

    11、牛转录组分析的实用生物信息学流程

    本文详细介绍了一套实用的牛转录组分析生物信息学流程,涵盖从数据提取、基因组索引生成、读取比对到单样本表达分析及差异表达分析的完整步骤。使用Angus和Brahman牛的RNA-seq数据作为示例,介绍了HTSEQ、featureCounts和StringTie等工具在基因表达计数中的应用,并结合edgeR和limma进行差异表达分析。文中提供了详细的命令行与R代码示例,包含常见问题解答与关键注意事项,帮助研究人员高效、准确地完成转录组数据分析。

    ios99的博客 114

    【目标检测软件 05】基于YOLO吸烟行为识别系统(PyQt5 可视化界面、1.4 万张标注数据集、完整的训练YOLOv8/YOLO11模型及 Python 源码-毕设推荐项目)

    本文介绍了一款基于YOLO深度学习模型的吸烟检测系统,采用Python开发并集成PyQt5图形界面。该系统支持图片、视频、本地摄像头及网络视频流等多种输入源,能实时检测吸烟行为并标注位置,具有参数可调、结果导出等功能。系统包含完整的训练、验证和预测模块,提供14,126张标注数据集,支持模型优化与部署。通过独立线程实现流畅检测,界面采用现代化设计,适用于智能安防和行为监控场景,可作为计算机视觉与PyQt开发的学习范例。

    Jayson 博客 758

    使用安卓的IMU数据进行 行人航位推算(PDR)推算步长 附python 代码

    加速度计数据、陀螺仪数据、重力传感器数据、姿态仰角数据。数据分析与定位轨迹生成主要使用Python离线完成。示意图。

    三维点云技术探索 1920

    汉书HE8,好用的汇编代码编写工具

    汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

    数据集学习笔记(二):目标检测和图像分割标注软件介绍和使用,并转换成YOLO系列可使用的数据集格式

    labelImg是一个开源的图像标注工具,用于创建图像标注数据集。它提供了一个简单易用的界面,允许用户通过绘制边界框或者创建多边形来标注图像中的对象。它支持多种常见的标注格式,如Pascal VOC、YOLO和COCO等。使用labelImg,用户可以加载图像文件夹,逐个标注图像中的对象,并保存标注结果。该工具还提供了一些快捷键和功能,如缩放、移动和删除标注框,以及快速切换到下一张图像等。此外,labelImg还支持标注图像的困难程度、部分可见性和关键点等。

    源的博客 8149

    老版QQ原生表情gif动态

    这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

    03- 目标检测数据集和标注工具介绍 (目标检测)

    在2014年发布的数据规模分train/val/test分别为80k/40k/40k,学术界较为通用的划分是使用train和35k的val子集作为训练集(trainval35k),使用剩余的val作为测试集(minival),同时向官方的evaluation server提交结果(test-dev)。ImageNet数据集文档详细,有专门的团队维护,使用非常方便,在计算机视觉领域研究论文中应用非常广,几乎成为了目前深度学习图像领域算法性能检验的“标准”数据集。另外,这些图像是非常多样化的,并且。

    March_A的博客 4390

    Statistics and Machine Learning Toolbox

    Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

    IEM模型,地表粗糙度模拟

    利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

    【常见SDR产品】性能对比[B]

    RTL-SDRAIRSPYSDRPLAY/LimeSDR/HackRFUSRP。

    hcoolabc的博客 1062

    【目标检测软件 01】YOLO识别软件功能与操作指南

    摘要:本文介绍了一款基于YOLO模型的智能目标检测软件,具有直观的图形界面和多功能支持。软件支持本地文件(图片/视频)、摄像头、RTSP/HTTP流等多种媒体源输入,可实时显示检测结果并支持参数调整。主界面分为媒体资源列表、视频显示区和检测结果表格三部分,提供播放控制、模型选择、置信度调节等功能。支持检测结果保存为图像或文本文件,并可自定义软件名称和Logo。软件采用无边框设计,提供窗口控制按钮。使用前需加载有效YOLO模型(支持训练模型),支持主流YOLO版本。

    Jayson 博客 1074

    YOLO目标检测系统软件设计

    此项目是基于ultralytics的Yolo目标检测的系统软件设计,系统包含登录系统、目标检测、目标跟踪、图像分类、图像分割、姿态检测、数据存储,数据可视化等功能。输入可选择图像、视频和摄像头,可保存检测结果和标签。界面简洁美观,代码易于拓展,使用官方的ultralytics模型(YOLOv8和YOLOv11),支持自定义的ultralytics代码,可直接替换使用。本项目代码售价(299)

    Python_zzm的博客 1691

    【常见SDR产品】性能对比[A] RTL-SDR

    RTL-SDRAIRSPYSDRPLAY/LimeSDR/HackRFUSRP。

    hcoolabc的博客 5896
    上一篇: 【目标检测软件 01】YOLO识别软件功能与操作指南
    下一篇: 【数据集 01】家庭室内烟火数据集(按比例划分训练、验证、测试)包含训练好的yolo11/yolov8模型
    Jayson God
    博客等级 码龄13年 5126粉丝 253原创
    评论
    成就一亿技术人!
    拼手气红包6.0元
    还能输入1000个字符
     
     条评论被折叠 查看
    添加红包

    请填写红包祝福语或标题

    个

    红包个数最小为10个

    元

    红包金额最低5元

    当前余额3.43元 前往充值 >
    需支付:10.00元
    成就一亿技术人!
    领取后你会自动成为博主和红包主的粉丝 规则
    hope_wisdom
    发出的红包
    实付元
    使用余额支付
    点击重新获取
    扫码支付
    钱包余额 0

    抵扣说明:

    1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
    2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

    余额充值
    ⌂ 换网址