步骤二：将·/usr/local/cuda/targets/x86_64-linux/lib/添加到系统环境变量中。这个可以在/etc/profile文件中增加环境变量，将/usr/local/cuda/bin添加到path中，具体操作如下所示。在使用nvcc命令时，可能也会存在报错。，找到其路径为·/usr/local/cuda/targets/x86_64-linux/lib/

在新安装的ubuntu环境下修改源、安装gcc和cmake，编译安装opencv，安装onnxruntime环境。并编写cmakelist文件，编译与运行ppyoloe_r模型。windows环境下onnx部署ppyoloe_r模型的代码可以参考https://blog.csdn.net/a486259/article/details/128151738，这里基于该代码进行linux适配，最终成功

我们提出了SegFormer，一个简单，高效但强大的语义分割框架，它将Transformers与轻量级多层感知器(MLP)解码器统一起来。SegFormer有两个吸引人的特点：1)SegFormer包括一个新的层次结构Transformers编码器，输出多尺度特征。它不需要位置编码，从而避免了位置码的插值，当测试分辨率与训练不同时，会导致性能下降。2)SegFormer避免了复杂的解码器。所提出的

在进行图像二值化时总是存在一些明部、暗部的干扰，单一的使用opencv提供的原始二值化方法很难做到预期效果。一般我们都会采用分块二值化（将图像切为多个局部进行二值化）、对比度提升（对值域进行线性或者非线性变换、直方图均衡化）、局部二值化（Bernsen 算法、 Niblack 算法、Sauvola算法、 Chow 和 Kaneko 算法等）的方式进行二值化。这些手段限制了思路的发挥，不一定适用于所

在进行目标检测任务中，存在labelme json、voc、coco、yolo等格式。labelme json是由anylabeling、labelme等软件生成的标注格式、voc是通用目标检测框（mmdetection、paddledetection）所支持的格式，coco是通用目标检测框（mmdetection、paddledetection）所支持的格式，yolo格式是yolo系列项目中所支

步骤二：将·/usr/local/cuda/targets/x86_64-linux/lib/添加到系统环境变量中。这个可以在/etc/profile文件中增加环境变量，将/usr/local/cuda/bin添加到path中，具体操作如下所示。在使用nvcc命令时，可能也会存在报错。，找到其路径为·/usr/local/cuda/targets/x86_64-linux/lib/

使用opencv提取连个图像的重叠区域，其本质就是提取两个图像的特征点，然后对两个图像的特征点进行匹配，根据匹配的特征点计算出透视变换矩阵H，然后根据H即可提取出两个图像的重叠区域。这里要注意的是，普通的opencv库没有包含opencv-contrib，无法使用xfeatures2d.hpp里面的SURF、SIFT算法提取图像的特征点。故此，需要自行编译opencv（将opencv-contri

在深度学习中，尤其是语义分割模型部署的结果后处理中，离不开各类形态学处理方法，其中以连通域处理为主；同时在一些传统的图像处理算法中，也需要一些形态学、连通域处理方法。为此，整理了一些常用的连通域处理函数：查找图像中最大的连通域、删除图像中小面积的连通域、删除图像中的黑色连通域、获取形状的骨架。

在深度学习模型部署中通常存在读取图像为mat，然后将mat转换为float指针传入模型的操作。为了快捷开发，因此对指针数组、vector与Mat之间的相互转换进行整理。实现了指针数组、vector之间的相互转换；vector与Mat之间的相互转换（含单通道图像和多通道图像）。vector转mat主要应用在语义分割结果的处理中。

深度学习中常用的backbone有resnet系列（resnet的各种变体）、NAS网络系列（RegNet）、Mobilenet系列、Darknet系列、HRNet系列、Transformer系列和ConvNet。