日常会用到的视觉处理工具组件集合。
- Camera_BiaoDing(相机标定)
- Calibration(模型量化压缩)
- Lidar_BiaoDing(雷达相机联合标定)
- Weights_conversions(权重转化)
- Code_Analysis(代码文件结构分析——新增)
用于分析文件夹内的代码结构，生成对应的树状结构字符描述，清晰明朗
可配置分析文件夹的路径，支持text, json, xml, html以及终端直接输出（彩色）
示例：
用于相机内参标定，包含标定程序与标定后的海康与迈德威视相机内参。
- 按照教程准备棋盘格标定板
- 使用相机在不同角度和高度拍摄标定板
- 运行以下命令进行标定：
python3 calibration.py --image_size 1920x1080 --mode calibrate --corner 8x6 --square 20参数说明：
--image_size：图像分辨率--mode：运行模式--corner：棋盘格内角点数量（宽x高）--square：棋盘格方格尺寸（mm）
针对Openvino部署，提供模型权重压缩量化程序，包含FP32与INT8权重及性能对比。
- Calibration：包含量化前FP32与量化后INT8的权重，以及性能对比
- Calibration_datasets：量化测试数据集
- Calibration_Code：量化程序
- 准备FP32权重
- 修改程序中的数据集与权重存放路径
- 运行
Calibration.py进行量化压缩 - 运行
Compare.py进行精度与性能对比
效果展示：
支持ROS2的雷达与相机自动联合标定工具。
- 开源地址：GitHub - lidar_camera_calib
- 标定教程：
- 按照教程顺序步骤运行
- 在雷达进行bag包记录的同时，使用标定过的相机进行拍照
- 按照教程运行标定程序完成联合标定
主要包含PT权重转化为Onnx权重以及Onnx权重转化为openvino(bin和xml)权重以及TensorRT权重(engine)
- PT_conversions：一键转化，包括所有转化，输入PT路径，输出onnx和openvino以及TensorRT的权重
- Onnx_TensorRT：Onxx权重转换为TensorRT权重程序
- PT_Onnx：PT转Onnx权重程序
- PT_Openvino：PT转Openvino权重程序，包含网格xml权重以及参数权重bin
- PyTorch：PT原生的推理引擎，训练模型输出的就是这种权重
- Onnxruntime：跨平台通用推理引擎，转到Linux系统下搭建推理程序的时候的首选，操作简便，YOLO官方自带转化接口函数
- Openvino：Intel的推理引擎，为Intel专门推出的，可以使用Intel的CPU以及集成GPU进行推理，常规NUC或者迷你主机的首选，支持INT8量化(因为不具备NVIDA的GPU)
- TensorRT：NVIDA推出的推理引擎，性能最为强劲，但是受限成本无法实际部署，可以在Jeston nano上进行部署，支持FP16精度权重
TensorRT转换：