这些差异导致检测效果有差异，有时没注意这些细节可能一下想不到原因，由其是同一种算法C++的实现和PIL库的实现有差异时。然后对C++里改算法的实现需要和PIL的实现仔细核确保按位置计算得到的缩放结果值和PIL计算出来的值是非常接近的，像BICUBIC算法的实现，经常有差异。

Ubuntu里执行带窗口的opencv python代码时遇到下面这样的错误:Traceback (most recent call last):File "main.py", line 34, in <module>while cv.waitKey(1) < 0:cv2.error: OpenCV(4.5.3) /tmp/pip-build-u6khojk_/opencv-py

​做3D目标检测，首先要了解雷达坐标系和相机坐标系这两个坐标系和数据标注等方面的基础，下面结合kitti3D数据集来讲解。kitti数据集在3D目标检测领域有点类似PASCAL VOC和COCO在2D目标检测和分割领域的经典地位，数据量不算很大，各类别数量很不均衡，但是很多模型要刷榜和发论文都用这个数据集，它里面同时提供了2d和3d目标标注，还有分割和跟踪等数据挺全的，所以用于模型实验和验证以及准

最近拿到一个树莓派$B的板子做实验，在上面编译出ncnn后，将模型转换出bin和param文件后调用时总是因为Segment Fault崩溃，编译了个debug版的ncnn后用gdb查一下，发现总是崩溃在convolution_3x3.h里:崩溃处的代码是:r0是当前layer的输入特征数据，k0是卷积核数据，表面看不出有何问题，后来从头检查了一下，发现板子烧写的是32位的系统(armv7l)，不

出来虽然两年了但依然是一个非常优秀的车道线检测模型，可以同来拓展检测其他线形，而且占用资源较少推理速度非常快。后来发现使用更高版本的python3.7或3.8 + torch1.12.1导出onnx时可以使用参数do_constant_folding=True，并且导出的onnx用TensorRT8.4.1.5可以成功解析出engine。和导出onnx(github上源码里是没有提供导出onnx的

Pytorch内集成有视频分类功能，提供了三个基于Kinectis400/600/700数据集(https://deepmind.com/research/open-source/kinetics)训练的网络模型(ResNet3D、Mixed Convoluation、R(2+1)D )可用来实现视频动作识别(Activity Recognition)。相关论文链接https://arxiv.or

​做3D目标检测，首先要了解雷达坐标系和相机坐标系这两个坐标系和数据标注等方面的基础，下面结合kitti3D数据集来讲解。kitti数据集在3D目标检测领域有点类似PASCAL VOC和COCO在2D目标检测和分割领域的经典地位，数据量不算很大，各类别数量很不均衡，但是很多模型要刷榜和发论文都用这个数据集，它里面同时提供了2d和3d目标标注，还有分割和跟踪等数据挺全的，所以用于模型实验和验证以及准

但是点云始终显示不出来，在dreamview的窗口里选择点云channel的下拉列表里也看不到自采集数据的点云topic名字，重启dreamview都不官用，只好去看dreamview的源码，在。dreamview主页面里选择点云的下拉列表里就可以看到自采集数据包里的点云topic了，选择topic后先关闭pointcloud再打开就可以看到点云的可视化效果了。

​做3D目标检测，首先要了解雷达坐标系和相机坐标系这两个坐标系和数据标注等方面的基础，下面结合kitti3D数据集来讲解。kitti数据集在3D目标检测领域有点类似PASCAL VOC和COCO在2D目标检测和分割领域的经典地位，数据量不算很大，各类别数量很不均衡，但是很多模型要刷榜和发论文都用这个数据集，它里面同时提供了2d和3d目标标注，还有分割和跟踪等数据挺全的，所以用于模型实验和验证以及准

Jetpack 4.5.1及以前的版本4.x里使用的是TensorRT 7.1.3，JetPack 4.6开始则是使用的TensorRT 8，由于我们在模型加速上多是建立在TensorRT的基础上的，而TensorRT 8没有完全保证对TensorRT 7.x的兼容，所以受TensorRT这个版本的变化对封装调用模型的部分代码是有影响的，在Jetpack 4.5 + Deepstream 5开发的