在Linux Benchmark Suite Homepage网站上列举了诸多Linux性能测试工具，包括CPU/RAM/ROM/Cache/net等性能测试。lmbench测试工具这个工具集中包含以下几种测试工具，我们主要使用到bw_mem工具进行Memory read和write测试。Bandwidth benchmarks(带宽测试)Cached file readMemory copy (

Getting the Best Performance with Xilinx’s DMA for PCI Express上面连接是官方讲解如何测试xdma性能的方法,讲解的十分详细。 感兴趣的朋友可以下载。

模板匹配是一种在较大的图像中搜索和查找模板图像位置的方法。它只是将模板图像滑动到输入图像上(就像在二维卷积中一样)，并在模板图像下比较模板和输入图像的补丁。它返回一个灰度图像，其中每个像素表示该像素的邻域与模板的匹配程度。如果输入图像的大小为(WxH)，模板图像的大小为(wxh)，则输出图像的大小为(W-w+1, H-h+1)。取它为矩形的左上角，取(w,h)为矩形的宽和高。templ：输入的模板

linux DMA 物理地址虚拟地址的映射方法最近在研究linux DMA的使用，做了很多的测试验证，也踩了很多坑，因为日常工作原因 ，我对linux kernel 的研究确实不是很多，也是工作原因，最近花时间在研究linux DMA，说起来蛮惭愧的，下面把我踩得坑做一下间的描述DMA传输的所需的地址是物理地址而非虚拟地址用户层如果想要做DMA传输，需要将物理地址和虚拟地址进行映射（mmap方法）

Python + opencv + mediapipe 实现手势识别MediaPipe是一款由 Google Research 开发并开源的多媒体机器学习模型应用框架。在谷歌，一系列重要产品，如 YouTube、Google Lens、ARCore、Google Home 以及 Nest，都已深度整合了 MediaPipe。https://google.github.io/mediapipe/环境

运用这两个基本操作，我们可以实现更高级的形态学变换。开运算是通过先对图像腐蚀再膨胀实现的。闭运算是通过先对图像膨胀再腐蚀实现的。能够排除小型黑洞(黑色区域)。运行形态学操作的核心函数是。能够保留物体的边缘轮廓。原图像与开运算结果图之差。闭运算结果图与原图像之差。能够排除小团块物体。

python-opencv之形态学操作（腐蚀和膨胀）原理详解

Python + opencv + mediapipe 实现手势识别MediaPipe是一款由 Google Research 开发并开源的多媒体机器学习模型应用框架。在谷歌，一系列重要产品，如 YouTube、Google Lens、ARCore、Google Home 以及 Nest，都已深度整合了 MediaPipe。https://google.github.io/mediapipe/环境

python-opencv之形态学操作（腐蚀和膨胀）原理详解

理解Region of Interest - ROI poolingWe’re going to discuss original RoI pooling described in Fast R-CNN paper (light blue rectangle on the image above). There is a second and a third version of that pro