qq_53589322的博客

多目标跟踪（MOT）技术综述：从基础到交叉路口应用 本文系统介绍了多目标跟踪技术的基本概念、研究难点和主流方法。重点分析了基于检测的跟踪（SORT/DeepSORT）、联合检测跟踪（FairMOT）和注意力机制方法（TransTrack）等技术特点。针对交叉路口场景的特殊挑战，文章提出了多模态融合、BEV视角转换等技术路线，并推荐了适用于智慧交通的ByteTrack、BoT-SORT等方法。同时介绍了常用数据集（MOT17、VisDrone）和评估指标（MOTA、IDF1）。在交叉路口应用中，该技术可支持智

本文提出了一个新的方法——PolarNet，旨在解决单扫描激光雷达（LiDAR）数据在自动驾驶中的语义分割问题。PolarNet通过引入极坐标网格表示法和环形卷积，成功地解决了LiDAR点云数据中的三个主要挑战：硬件延迟：在有限的硬件资源下实现近实时的语义分割。空间分布不均：LiDAR点云分布往往呈现长尾，且数据在空间上的分布不均匀。细粒度语义类：随着技术发展，语义分割的目标类别越来越细化，传统方法面临挑战。通过采用极坐标系而非传统的笛卡尔坐标系，PolarNet更好地平衡了点云数据的分布。

ISAT-SAM是一款基于的交互式半自动图像分割标注工具info：始终为 ‘ISAT’folder：存储图像的目录name：图像文件的名称widthheightdepth: 图片的尺寸和深度;RGB图为3通道深度note：注释, 与图像相关的任何附加说明的可选字段objectscategory: 标注的种类group: 分组， 从1开始计算: 分割的坐标点 [[x1, y1], [x2, y2], …, [xn, yn]]area：对象覆盖的像素区域layer: 图层， 从1.0开始，每层 + 1。

CloudCompare是一个三维点云(和三角网格)编辑和处理软件。 最初，它被设计用于在稠密的3D点云之间进行直接比较。它依赖于一个特定的八叉树结构，在执行此类任务时能够获得出色的性能。此外，作为大多数点云CloudCompare是通过地面激光扫描仪获取的，它的目的是在一个标准笔记本电脑——通常超过1000万点(2005年)不久后，点云和三角形云之间的比较网格已支持(见下文)。随后，许多其他点云处理算法相继出现注册，重采样，颜色/法向量/标量域管理，统计计算，传感器管理，交互或自动分割等)

Python 是一门功能强大且易于学习的编程语言，广泛应用于数据科学、Web开发、自动化脚本等领域。以下是一些使用 Python 的技巧和最佳实践，帮助你更高效地编写代码。希望这些技巧和最佳实践能帮助你更好地使用Python。

香橙派AIpro+ubuntu系统+32G sd卡香橙派AIpro开发板采用昇腾AI技术路线，接口丰富且具有强大的可扩展性，提供8/20TOPS澎湃算力，可广泛使用于AI边缘计算、深度视觉学习及视频流AI分析、视频图像分析、自然语言处理等AI领域。通过昇腾CANN软件栈的AI编程接口，可满足大多数AI算法原型验证、推理应用开发的需求。

在虚拟环境中安装了 PyTorch 后，你可以在该环境中进行各种深度学习任务和开发工作。虚拟环境的好处在于可以隔离不同项目的依赖关系，确保它们之间不会相互影响。在虚拟环境中安装了 PyTorch 后，你可以做以下事情：1. 深度学习模型开发：使用 PyTorch 构建、训练和评估深度学习模型。PyTorch 提供了灵活而强大的工具，使得深度学习任务变得更加容易。2. 实验和研究：在虚拟环境中，你可以轻松地尝试新的深度学习模型、算法和技术，进行实验和研究。

opencailb的源代码。

MMDetection是商汤和港中文大学针对目标检测任务推出的一个开源项目，它基于Pytorch实现了大量的目标检测算法，把数据集构建、模型搭建、训练策略等过程都封装成了一个个模块，通过模块调用的方式，我们能够以很少的代码量实现一个新算法，大大提高了代码复用率。整个MMLab家族除了MMDetection，还包含针对目标跟踪任务的MMTracking，针对3D目标检测任务的MMDetection3D等开源项目，他们都是以Pytorch和MMCV以基础。

MMDetection是一个用于目标检测的开源框架，由OpenMMLab开发和维护。它提供了丰富的预训练模型和模块，可以用于各种目标检测任务，如物体检测、实例分割、关键点检测等。

注意：在使用conda命令时，确保你已经安装了Anaconda或Miniconda，并已将conda添加到系统的环境变量中。包括源代码、文本等等，通过后缀来决定。例如，.cpp/.cc是c++源代码，而.py是python源代码。用于输入需要前往的路径/目录。，然后输入密码即可;

如果Cuda下载用的是deb（local），则TensorRT也需要下载Debian包本地安装；而Cuda用runfile安装，就得下载tar压缩安装；两者需要对应，否则安装会报错。将解压出的文件，移动到/usr/local/cuda文件夹下：（根据自己的路径进行修改）选择Archived cuDNN Releases。开始安装，取消安装驱动，其余默认（y）安装。赋予所有用户权限，cudnn安装完成。需要花点时间，请耐心等待。下载完成后，解压到本地。python接口验证。

我没有把openclib整个安装下来，只装了我需要的lidar2camera，以下是安装过程。因为我开始安装的时候创建了一个calib的虚拟环境，所以无法正常运行，切换环境后即可。依次输入命令，进入刚刚下载好的源文件目录，并进行安装。通过which cmake可以查看安装的路径。

2、点击【open】，选择图片；【Edit Polygons】----> 【Create Polygons】2.激活虚拟环境，开始安装。输入“y”，然后回车。1.打开终端创建虚拟环境。3、可以选择自动保存。