翔想像的實驗筆記

上篇 文章 我們測試了onnx格式的model，確認這個model是可以使用的。接下來就要在 TensorRT 上寫C++ 程式執行。 一、安裝tensorRT 可以參考我之前寫 安裝tensorRT的文章 ，依照步驟安裝。 二、複製tensorRT sample 程式修改 我使用 samples\sampleOnnxMNIST 做修改，因為都是讀入onnx格式的model。 將 sampleOnnxMNIST 資料夾複製一份出來，一樣放在 samples 資料夾下，修改檔名叫做sampleOnnxThermalObjDetection，由於model input output 格式跟sample的不一樣，所以要稍微修改。 三、專案屬性加入opencv設定 我們需要讀入圖片，以及對圖片的處理。 這裡我借用openvino裡的opencv來用。 1.開啟專案的屬性頁面，在"其他 Include 目錄"裡添加 opencv include 路徑： 2.在"其他程式庫目錄"裡添加 opencv lib 路徑： 3.在"其他相依性"裡添加 opencv 使用到的 lib 檔名： 四、修改程式碼 開啟 sampleOnnxMNIST.cpp 檔案做修改 1. include opencv #include <opencv2/core.hpp> #include <opencv2/highgui.hpp> #include <opencv2/imgcodecs.hpp> #include <opencv2/imgproc.hpp> 2.修改 model input output name： 將 initializeSampleParams() 修改成以下，之後要將model及image放在 samples/sampleOnnxThermalObjDetection/ 路徑之下。 samplesCommon::OnnxSampl

上篇 文章 我們得到了onnx格式的model，先做個測試確認這個model是可以使用的，需要在onnx framework下執行這個model，這邊使用到python onnx runtime。 一、下載onnx runtime 可以在 https://www.onnxruntime.ai/ 下載你需要的版本。 我下載的是GPU版，在python環境下輸入： pip install onnxruntime-gpu 二、寫執行程式 1.import import cv2> import numpy as np import onnxruntime as ort import onnxruntime.backend 2.讀入 onnx model modelName = 'weights/export.onnx' sess = ort.InferenceSession(modelName) 3.顯示讀入model的相關資訊 print("device", ort.get_device()) print("in count", len(sess.get_inputs())) print("out count", len(sess.get_outputs())) input_name = sess.get_inputs()[0].name print("input name", input_name) input_shape = sess.get_inputs()[0].shape print("input shape", input_shape) input_type = sess.get_inputs()[0].type print("input type", input_type) output_name0 = sess.get_outputs()[0].name print("output0 name", output_name0) output_shape0 = sess.get_outputs()[0].shape pr

最近疫情的關係熱影像攝影機的應用瞬間發展很快，所以想說有能不能以熱影像畫面為基礎，作物件辨識。在網路上尋找到 這篇文章 ，使用yolov3-spp模型架構訓練，model細節及介紹請看原文，這裡主要是要說明我怎麼將他的model轉換成tensorRT可以執行的部分。想研究如果用c++執行這個model能不能更快一些。 一、clone github 1.clone  github專案 下來 2.Download pre-trained weights 我下載下來的 pre-trained weights 長這樣，根本不知道要使用哪個才對，如果有人嘗試其他的可以留言跟我說喔。 二、測試程式可以執行 專案根目錄裡有個detect.py，這是我們開始的主程式，我嘗試出以下組合是可以使用的。 類別名稱檔：data/coco.data model_config：cfg/yolov3-spp.cfg model：weights/yolov3-spp.weights 如果在data資料夾裡沒有找到 coco.data、coco.names檔案的話請解壓縮labels.zip 帶入所需的參數執行： --data <類別名稱檔> --cfg <model_config> --weights <model> --source <要辨識的圖片資料夾或影片檔> python detect.py --data data/coco.data --cfg cfg/yolov3-spp.cfg --weights weights/weights/yolov3-spp.weights --source data/samples 這是他deteset裡面的一張圖的便是結果： 三、執行速度 我使用的系統環境是： CPU：i7-10700 GPU：GTX1660 SUPER CUDA：10.2 python：3.6.8 pytorch：1.8.1 onnx：1.8.0 每一張處理時間是：0.02秒左右 四、model匯出成onnx格式 1.切換匯出onnx model模式 在models.

新的 office 365 在 excel 回傳多個數值推出了一個新功能"溢出"，意思是如果公式得出多個數值，無法在一個儲存格內全部顯示，他會溢出到鄰近的空白儲存格內，但是當周遭都沒有空白儲存格時會顯示"溢出"，所以要注意溢出的地方要有空白儲存格讓他溢出。 一、公式介紹 主要是用以下兩個公式： UNIQUE (array，[by_col]，[exactly_once]) FILTER(array,include,[if_empty]) 1.UNIQUE (array，[by_col]，[exactly_once]) 描述：傳回清單或範圍中的唯一值清單。 array - 尋找唯一值的範圍 [by_col] - TRUE：欄彼此比較 FALSE：(可省略)列彼此比較 [exactly_once] - TRUE：剛好發生一次之列或欄 FALSE：(可省略)返回所有不同的列或欄 2.FILTER(array,include,[if_empty]) 描述：根據自定義的準則來篩選資料範圍。 array - 要篩選的陣列或範圍 include - 布林陣列的高度或寬度必須與該陣列相同 [if_empty] - 若所包含陣列中的全部值均為空時要傳回的值 二、取得項目的唯一值(使用office365) 使用 FILTER 函數是因為當取唯一值範圍裡有空白儲存格時，空白儲存格會被當作一個唯一值看待，但我的資料有時量多有時量少資料長度不固定，公式每次都調整資料範圍非常麻煩所以要將空白儲存格捨去。 1.有空白儲存格的情況 A12、A13為空白儲存格，取唯一值後空白儲存格會當作0。 =UNIQUE(A2:A13) 2.解決方法 不等於的寫法： <> 空白值 ""  公式一：先移除空白再取唯一值 =UNIQUE(FILTER(A2:A13, A2:A13<>"")) 黃色為公式拆解步驟結果 拆解步驟公式

上篇 文章 統計了商品項目，但是中間會有空白的欄位，不太符合一般視覺感官，接下來我們就要將空白的部分移除掉。 作法是將抓出來的商品項目移除掉空白值，重新排序商品項目，由於要一次計算多個項目，所以我們這邊會需要用到陣列公式。 一、陣列公式簡單介紹 案例一：一次計算多個儲存格，回傳一個值 多個值相乘後再加總(A欄 * B欄)後加總，公式為下圖： 計算結果： 如果改為陣列公式計算只需要一行公式就可以解決，只佔用一格儲存格空間，省空間也美觀。 公式改為： {=SUM(A2:A4*B2:B4)} 注意：A欄的格數要與B來的格數一致 {}為陣列公式符號，不能直接輸入{}，要使用 ctrl + shift + enter 輸入 步驟： 在儲存格內輸入 =SUM(A2:A4*B2:B4) ，按  ctrl + shift + enter  完成儲存格輸入 計算結果： 案例二：一次計算多個儲存格回傳多個值 判斷數值是否大於50 公式為： {=A2:A11>50} {}為陣列公式符號，不能直接輸入{}，要使用  ctrl + shift + enter  輸入 步驟： 框選C2:C11，接著輸入公式 =A2:A11>50 ，按  ctrl + shift + enter  完成儲存格輸入 二、所需公式介紹 OFFSET(reference, rows, cols, [height], [width]) INDEX(array, row_num, [column_num]) SMALL(array, k) • OFFSET(reference, rows, cols, [height], [width]) 描述：傳回指定列數及欄數之儲存格或儲存格範圍 reference - 參考位置 rows, cols - 以參考位置為基準的欄列位移量 [height], [width] - 回傳儲存格範圍的寬高 範例：回傳A3到A5儲存格範圍 公式

上篇 文章 統計了總金額以及登記已繳錢金額，接下來就要開始訂餐了，訂餐需要統計每項商品的數量，每次一個個人工數麻煩，量多的話又容易出錯。 做法是先列出有哪些項目在去計算數量。 這裡用到兩個公式： IF(條件, 條件成立回傳值, 條件不成立回傳值) COUNTIF(範圍, 條件) IF(條件, 條件成立回傳值, 條件不成立回傳值) 定義：條件成立與不成立 基本的邏輯判斷，這公式非常常用到      =IF(C2=”Yes”,1,2)      當 C2 儲存格內的資料是 ”Yes” 傳回 1      當 C2 儲存格內的資料不是 ”Yes” 傳回 2 COUNTIF(範圍, 條件) 定義：統計範圍內有幾個儲存格符合條件 條件的設定跟IF的條件有點像 範例可參考：https://support.microsoft.com/zh-tw/office/countif-%E5%87%BD%E6%95%B8-e0de10c6-f885-4e71-abb4-1f464816df34 第一步：先列出有哪些項目 要列出項目，但是要移除重複值，所以我們要列出第一次出現的項目，第二次出現同一個項目時不能顯示。 公式：E2=IF(COUNTIF($B$2:B2,B2)=1,B2,"") 公式下拉自動填充的話會長這樣 E2=IF(COUNTIF($B$2:B2,B2)=1,B2,"") E3=IF(COUNTIF($B$2:B3,B3)=1,B3,"") E4=IF(COUNTIF($B$2:B4,B4)=1,B4,"") ... 舉例及解釋 IF(COUNTIF($B$2:B4,B4)=1,B4,"") • COUNTIF($B$2:B4,B4)：      B2到B4中有幾個符合B4的內容，B4 "羊肉羹飯" • COUNTIF($B$2:B4,B4)=1：     當符合條件的儲存格只有一格，回傳true，代表B4的內容出現一次 • IF(COUNTIF($B$2:B4,B4)=1,B4,"")      B4的內容出現一次，顯示B4的內容 放上計算流程 公式： 計算的數值： 第二步：計算數量 公式 F2=IF(E2="",&

最近因為疫情的關係都訂外送，公司本來是用  dinbendon  這個網站統計，但公司上頭突然說取消公司統一訂餐，變成有些人開始揪團訂外送，我也不例外，但之後人數越來越多統計上開始有點亂了。  基本上都會先像這樣統計 之後來到要收錢的關卡，要怎麼登記呢？我之後多加一欄 再來我想一下，錢收到一半時可能要確任已收到的金額有沒有錯(對帳)，還有總金額是多少，這時候就需要公式了。 總金額 總金額比較簡單，就是加總起來 公式： =SUM(範圍) 以上表為例，將 C2 到 C6 的數值加總 =SUM(C2:C6) 如果 C 這欄都是每個人訂餐的金額，不會有其他資料的話，可以把整個C欄都加總起來，以方便日後在下方多增加資料： =SUM(C:C) 已收金額 再來就是錢收到一半時要確任已收到的金額有沒有錯(對帳)，主要的概念是，將有登記已繳錢的金額加總起來。 公式： =SUMIF(條件檢查範圍,條件,加總範圍) 這邊我們要先判斷 D 欄如果有填字的話就當作有登記，將D欄登記對應C欄的範圍加總      "<>" 表示條件為非空白儲存格的意思 =SUMIF(D:D,"<>",C:C) 成果： G4 =SUM(C:C)) G5 =SUMIF(D:D,"<>",C:C)

 我的作業系統環境為： windows 10 CUDA 10.2 cuDNN 8.1.0 visual studio 2019 python 3.6.8 我是安裝 TensorRT-7.2.3.4，使用zip安裝 可以參考官方的安裝流程:  https://docs.nvidia.com/deeplearning/tensorrt/archives/tensorrt-713/install-guide/index.html (直接跳到 zip安裝的部分 )  第一步：下載  TensorRT-7.2.3.4 zip 檔      在你要安裝的地方解壓縮 第二步：添加環境變數      將 TensorRT資料夾目錄下的lib資料夾路徑，加到系統的環境變數列表裡      例如：           解壓縮檔案是  D:\Program\TensorRT\TensorRT-7.2.3.4          添加的路徑是  D:\Program\TensorRT\TensorRT-7.2.3.4\lib 第三步：下載驗證用的data     使用python執行  <安裝目錄>\data\mnist\download_pgms.py      <安裝目錄>\data\mnist 目錄下會多出這些檔案 第三步：驗證您的安裝是否正常工作     使用 visual studio開啟安裝目錄下的 samples\sampleMNIST\sample_mnist.sln     確認include及 lib的檔案路徑是否正確，可能你CUDA安裝的路徑不是在系統路徑下     因為我把CUDA安裝在D槽，所以要修改檔案路徑     include 路徑     lib路徑           確認沒問題之後就可以， 重新建置(build)      執行結果：