在制作数据集时，首先将网上搜集到的视频裁成图像，可是如何去实现呢？考虑到opencv-python中有此类方法，故此篇博客由此诞生。注意，视频文件在笔者文件：D:\data\element （由于此数据集现处于研究阶段，尚未发布，且对于笔者特别重要，于是将其马赛克）产生新的数据集在笔者文件：D:\data\Video一个视频会裁成很多图片于是，生成的数据集细分为：D:\data\Video\1D:

本章博客就是对OpenPose工具包进行开发；我呕心沥血（笑哭），经历重重困难，想放弃了很多次（因为openpose的编译实在是太麻烦了）但是后来还是成功了，各位点个赞吧！这个真的太麻烦了。按照单帧图像和实时视频的顺序述写，其中单帧是使用的Pytorch编程只是调用OpenPose的模型；实时视频中使用Python调用OpenPose的包，所以必须得安装OpenPose，并对其进行编译，最后再使用

热力图是无锚检测定位很重要的知识点。本文实现的热力图并非无锚检测框中的广义热力图，其是直接调用了cv2中的伪彩色模式，来实现热力图的调用。——————————————————————————————实现流程：1.先将图片转换为灰度图2.再将灰度图转换为热力图；之后，将格式转化为RGB。3.叠加到原始图—————————————————————————————————代码：import numpy

**1**.Ready modelLeNet_5.pyfrom torch import nnclass LeNet_5(nn.Module):def __init__(self):super(LeNet_5, self).__init__()self.model = nn.Sequential(# input:3@32x32# 6@28x28nn.Conv2d(in

是一门让计算机学会“看”的学科，研究如何自动理解图像和视频中的内容。

论文 Focal Loss for Dense Object Detection论文地址：RetinaNet-Focal Losshttps://arxiv.org/pdf/1708.02002.pdf论文代码：RetinaNet-Focal Losshttps://github.com/yhenon/pytorch-retinanet简介问题:应用于对可能的目标位置进行定期密集采样的一阶段检测可

模型的保存有两种方式:一种是保存模型;另一种是保存模型的参数，将参数以字典的形式保存（官方推荐）。There are two ways to save the model: one is to save the model; the other is to save the parameters of the model, and save the parameters in the form o

论文题目：Learning Deep Features for Discriminative Localization(Class Activation Mapping)论文地址：https://arxiv.org/pdf/1512.04150.pdf完整代码：https://github.com/metalbubble/CAM—————————————————————————————————论文

本实验是将某一层的特征图中的某一通道对其进行的可视化，有两种方式一种是使用opencv；另一种是使用tensorboard。运行结果使用的resnet50作为backbone的效果更好，将layer1的特征中第一层通道(256中的第1层)转化为图像 layer1. channels1.将layer1的特征中第一层通道(256中的第1层)转化为图像，将代码改为：layer1. channels2.l

运行结果MediaPipe人体姿态估计效果展示demo_video.pysrc/util.pysrc/hand.pysrc/body.py运行结果OpenPose效果展示需要安装OpenPose，请看我的另一篇博客：3D视觉——2.人体姿态估计(Pose Estimation)入门——OpenPose含安装、编译、使用（单帧、实时视频）运行结果OpenPose运行结果其实：1.MediaPipe比