Hatty~de 秘密基地

手势识别模型 2. 模型选择与设计 查阅信息 1. 几个手势识别模型 以下是几种常见的手势识别模型： 传统方法 HOG + SVM：Histogram of Oriented Gradients (HOG) 特征提取方法与支持向量机（SVM）分类器结合。 Haar-like 特征 + AdaBoost：使用 Haar-like 特征进行特征提取，然后通过 AdaBoost 算法进行分类。 深度学习方法 卷积神经网络 (CNN)：例如LeNet, AlexNet, VGG, ResNet等，用于特征提取和分类。 区域卷积神经网络 (R-CNN)：如 Faster R-CNN、Mask R-CNN，用于目标检测。 YOLO (You Only Look Once)：YOLOv3, YOLOv4, YOLOv5, YOLOv8等，用于实时目标检测和识别。 SSD (Single Shot MultiBox Detector)：用于实时目标检测。 MobileNet：轻量级卷积神经网络，适用于移动设备。 OpenPose：用于人体关键点检测的深度学习模型。 2. 适合部署在硬件 ...

手势识别模型 1. 数据 1.1 标注 用于识别原始数据（图片、文本文件、视频等）并添加一个或多个有意义的信息标签以提供上下文，从而使机器学习模型能够从中学习 每张图片生成对应标签文件 标签文件仅含有一个表示手势种类的标签 多个标签可能导致训练过程中标签文件读取错误，也可以处理只读取手势类别的标签 123456789101112131415161718192021222324252627282930313233343536373839404142import os#手势与标签的映射class_mapping = { '01_palm': 0, '02_l': 1, '03_fist': 2, '04_fist_moved': 3, '05_thumb': 4, '06_index': 5, '07_ok': 6, '08_palm_moved': 7,  ...

模型开发 1. 数据 收集 划分数据集（训练集，验证集，测试集） 预处理 提高数据质量，模型训练效果 2. 模型的选择与设计 3. 模型训练，验证与调优 使用训练集进行模型训练 使用验证集进行模型性能评估 调整超参数（学习率，批次大小，迭代次数） 确保模型具有良好的性能与泛化能力 4. 模型评估 使用测试集进行模型性能评估 评估指标（准确率，召回率，F1_score等） 5. 模型优化 模型剪枝：减少模型参数，去除冗余节点，提高推理速度。 模型量化：将模型从浮点数精度降低到定点数精度（如FP32到INT8），减少计算量和内存占用。 量化时遇到两种量化方法选择 查阅资料： 两种量化方式的比较 (A) 动态量化 (Dynamic Quantization) 动态量化在推理过程中对激活值（如权重和中间结果）进行量化。这意味着模型在推理时会动态地将某些浮点运算转换为整数运算，以提高推理效率。此方法不需要校准数据集，适合一些模型在部署时简化量化过程。 优点: 不需要校准数据集，过程较为简单。 可以立即用于大部分推理任务。 通常会保留浮点精度，适用于大部分任务。 缺点: 对 ...

概述(来自搜索) Keil提供了包括C编译器、宏汇编、链接器、库管理和一个功能强大的仿真调试器等在内的完整开发方案，通过一个集成开发环境（μVision）将这些部分组合在一起。 keil新建工程（基于标准库） keil工程文件 STM32官方固件库（标准外设库下载) keil.arm官网CMSIS PACKS 新建工程 Project→create new project，选择芯片型号 新建文件夹——移植标准外设库 ProjectName/ ├── ProjectName.uvprojx # 项目配置文件 ├── ProjectName.uvoptx # 用户选项配置文件 ├── Start/ # 启动文件夹 │ ├── startup.s # 启动汇编代码 │ ├── stm32f4xx.h # STM32F4 系列微控制器头文件 │ ├── system_stm32f4xx.h # 系统初始化头文件 │ ├── system ...

Hello World 欢迎来到基地！ 💡下面是基地创建者的小小尝试 代码 1printf("hello world"); 链接 github 基地搭建起来啦🥳🥳🥳