Milton

摘要： 智谱相关 智谱网址 https://z.ai 注册, 登录, 点右上角API前往国际站 查看套餐和消耗量 https://z.ai/manage-apikey/subscription 管理API Key https://z.ai/manage-apikey/apikey-list 工具接入文档 h 阅读全文

摘要： 金山云下面的专有网络, 内部只有两台机器绑定弹性公网IP, 其中有公网IP的主机可以直接访问公网, 而没有公网IP的主机, 需要通过指定的主机(例如 10.1.1.200)作为网关才能访问公网. 尝试过通过金山云后台给子网添加路由, 但是这个路由会影响到 10.1.1.200 自身, 和阿里云不一样 阅读全文

摘要： 最近发现一个mybatis里面json转换的bug, 写了这么多年Java这方面还是没有理清楚, 把正确的处理方法记录一下. 一. 对象JSON转换 这个是比较简单的情况, 有通用的处理方法, 例如 用Jackson实现一个通用的 TypeHandler @Slf4j public class Ja 阅读全文

摘要： 拆解一个E88无刷电机无人机, 主控是 PY32F002B 阅读全文

摘要： 在Windows和Ubuntu下, 使用VSCode开发GCC C/C++的环境配置. 阅读全文

摘要： 制作好的Gaussian 3D模型, 可以通过项目自带的 SIBR Viewer 查看, 但是这个运行对显卡有要求, 另一个选择是 Splatviz, 这个对显卡要求更低, 但是这两个都是需要在本地运行, 只能自己查看模型效果, 如果要将效果展示给别人, 最好的方案就是基于web的viewer, 线上直接可用的是poly.cam, 如果想自己做一个网页展示模型, 可以用 GaussianSplats3D 阅读全文

摘要： nvm, node.js环境和antd初始化项目 阅读全文

摘要： 很久没有配置生产环境了, 生产环境一般对外一套IP, 与对内使用的IP区分开, 并且不会给每台生产环境的服务器配公网IP用于维护, 用户维护时先通过一个跳板机/堡垒机登入子网, 再连接环境里的机器. 不缺钱可以直接上大厂方案, 堡垒机或者零信任, 没钱就用openvpn或者wireguard这些简单解决. Wireguard 因为不能原生支持TCP, 而UDP在有些运营商环境或者宽带环境会被拦截或者优先级很低导致丢包严重, 所以大多用在已知且固定的环境. 对于生产环境跳板机的需求暂时还是 openvpn 更可靠. 阅读全文

摘要： 混频(Mixing)是无线信号处理中一个关键步骤, 它的本质是频率变换. 通过将输入信号与本地振荡器 LO 产生的信号进行非线性混合, 产生新的频率成分, 从而将输入信号的频率“搬移”到一个固定的中间频率(Intermediate Frequency, IF)上 阅读全文

摘要： RFX2401C 是一个2.4 GHz频段射频放大芯片, 尺寸只有3mm\*3mm, qfn16封装, 单芯片集成PA和LNA, 外围电路简单, 在带功率放大的nrf24l01模块以及航模遥控器上经常见到. 发射端单边增加 RFX2401C 作为 PA 后, 通信距离增加到约300m, 稳定通信距离大概在 200m. 阅读全文

摘要： ffmpeg 官网: https://ffmpeg.org 文档: https://ffmpeg.org/documentation.html 编译参数说明: https://trac.ffmpeg.org/wiki/CompilationGuide/Generic 在Linux下编译: https 阅读全文

摘要： train.py 载入数据对应的方法调用, 在训练时, 读取colmap数据最终调用的是 readColmapSceneInfo 方法, 从 images.bin, cameras.bin 读取每一张图的相机参数和位姿, 在 readColmapSceneInfo() 方法里会判断是否有 points3D.ply, 存在就读取, 不存在就创建一个再读取, 读取出来的是 BasicPointCloud 类型的数据 阅读全文

摘要： OEC/OEC-Turbo 使用的芯片是 RK3566/RK3568, 这个系列是内建神经网络处理器 NPU 的, 利用 RKNN 可以部署运行 AI 模型利用 NPU 硬件加速模型推理. 要使用 NPU, 首先需要在电脑使用 RKNN-Toolkit2 将训练好的模型转换为 RKNN 格式的模型, 然后在传到 OEC/OEC-Turbo盒子上使用 RKNN C API 或 Python API进行推断. 下面以 RKNN-Toolkit2 自带的 RKNN 示例项目为例说明如何编译并在 OEC/OEC-Turbo 上运行 RKNN 项目. 阅读全文

摘要： 训练程序入参除了训练过程参数, 另外设置了ModelParams, OptimizationParams, PipelineParams三个参数组, 分别控制数据加载、渲染计算和优化训练环节, 这些参数类共同构成3D高斯渲染模型的核心配置. 在项目的 README.md 中有大部分参数的说明. 以下在注释中标出主要参数的含义. 阅读全文

摘要： 从这节开始阅读 train.py, 根据代码分析训练过程. 首先是训练的整体流程 阅读全文

摘要： convert.py 用于从帧系列中提取相机参数, 相机位姿和对象特征点的稀疏点云, 从 convert.py 的代码可以看到转换阶段的处理流程. 在Convert阶段, 使用Colmap处理输入帧序列, 在3D场景的稀疏重建完成后, model 默认会被导出到 bin 文件中, 因为这样比较紧凑, 节省空间, 在结果目录中生成以下文件 阅读全文

摘要： OEC 和 OECT(OEC-turbo) 都是基于瑞芯微 RK3566/RK3568 的网络盒子, 没有HDMI输入输出. 硬件上 OEC 和 OECT 是一样的, 唯一的区别是内存, OEC 内存 2GB 而OECT 内存是 4GB. 阅读全文

摘要： 于训练的图片集采集有两种方式, 一种是使用相机从不同角度拍照, 另一种是拍视频后逐帧提取. 两种方式各有利弊, 拍照分辨率更高, 方便控制光圈,快门和白平衡, 但是拍照时较难控制好角度可能会造成部分交叠区域过小, 视频比较容易实现连续的画面移动, 保证交叠区域, 但是大多数手机没法手动控制视频录制过程的光圈和白平衡, 并且视频的分辨率大多数是通过插值填充的, 拍摄1080p视频时, 实际有效像素并没有1080p. 阅读全文

摘要： 以下使用 Inria 提供的数据集运行训练过程, 验证和评估重建效果, 数据输入是一组静态场景的图像以及摄像机位置, 表示为稀疏的点云, 通过colmap处理得到. 阅读全文

摘要： Mip Splatting GitHub: https://github.com/autonomousvision/mip-splatting Paper: https://drive.google.com/file/d/1Q7KgGbynzcIEyFJV1I17HgrYz6xrOwRJ/view? 阅读全文