作为一位从业十年的AI算法工程师。今天给大家整理分享一套从OpenCV到深度学再到大模型的学习路径和学习资料。资料内容包括：机器学习，深度学习，大模型，CV方向，NLP方向，kaggle大赛，实战项目、自动驾驶等。大家根据需要自行。

目录结构1、轻量级网络概述2、官方数据对比3、实验对比4、实验结论注：了解基础理论的同学，请直接跳到第4部分，查看实验结论！1、轻量级网络概述常规的CNN推理，由于需要很大的计算量，很难应用在移动端，物联网等资源受限的场景中。只有通过复杂的裁剪，量化才有可能勉强部署到移动端。从Squeezenet，MobileNet v1开始，CNN的设计开始关注资源受限场景中的效率问题。经过几年的发展，目前比较

计算依据：计算公式水平视场角α=2arctan（w/2f）、垂直视场角β=2arctan（h/2f），其中w为像场宽度，h为像场高度，f为镜头的焦距。dhmin=W/2*tan(α1/2)=2000mm/2*tan(77.2°/2)=1253mm=1.25米由于dvmin>dhmin，因此，焦距为3.3mm时，监控范围为距离摄像机监控方向5米以外的走廊区域。dhmin'=W/2*tan(α2/2)

本文聚焦DAISY——一款为「稠密图像特征提取」定制的高效局部描述子，解析其基于SIFT的设计内核，对比两者在分块策略、计算效率与旋转鲁棒性上的差异；梳理「梯度方向直方图统计→高斯卷积加权→多方向投影」的核心步骤，并结合研究结论说明其特征汇聚策略的最优性，为理解稠密特征提取的工程实现提供清晰视角。尺度不变性：DAISY没有像SIFT那样构建尺度金字塔，因此对尺度变化的鲁棒性较弱；内存需求：稠密特征

一、安装交叉编译环境二、交叉编译openssl1、下载openssl1.0.1.tar.gz （不能低于此版本）2、交叉编译openssl$ 执行./config no-asm -shared --prefix=/usr/local/ssl-arm/ 产生Makefile$ 修改Makefile CC= arm-hisiv500-linux-gcc 去除编译和链接选项 -m64$ 执行make &

图像处理中多数算法为去雾算法，所以写了个加雾的算法，加雾效果如下：直接请上代码：import cv2, mathimport numpy as npdef demo():img_path = 'test.png'img = cv2.imread(img_path)img_f = img / 255.0(row, col, chs) = img.shapeA = 0.5# 亮

在opencv中，可以利用随机噪声、滤波器等方法为图像叠加仿真的雨滴的运动轨迹，使通常情况下拍摄的图像有了烟雨蒙蒙的效果。1.生成随机噪声首先，我们需要生成不同密度的随机噪声来模拟不同大小的余量，于是利用了下面的函数来生成。主要的使用了均匀随机数和阈值来控制噪声的水平。由于生成噪声是浮点数，所以在value上乘了尺度缩小因子。import cv2import numpy as npdef get_

目录结构1、轻量级网络概述2、官方数据对比3、实验对比4、实验结论注：了解基础理论的同学，请直接跳到第4部分，查看实验结论！1、轻量级网络概述常规的CNN推理，由于需要很大的计算量，很难应用在移动端，物联网等资源受限的场景中。只有通过复杂的裁剪，量化才有可能勉强部署到移动端。从Squeezenet，MobileNet v1开始，CNN的设计开始关注资源受限场景中的效率问题。经过几年的发展，目前比较

你的系统可能配置了 HTTP/HTTPS 代理，导致 pip 无法直接访问阿里云镜像。

双系统下，ubuntu在挂载磁盘下写入文件时提示：read-only file system解决方法：先用df -h查看挂载点，如：/dev/sde2；如果df -h没有出现你要的节点，可以用鼠标点击打开你需要重新挂载的磁盘；之后再输入：df -h之后输入：mount -o remount, rw /dev/sde2，进行重新读写挂载。即可解决read-only file system问题。...