Artificial Intelligence / Reverse Engineering / Internet of Things / Full Stack Developer
L0phtCrack 7.2.0 has been released as an open source project, and is seeking both maintainers and contributors. Feel free to reach out to @dildog on Twitter, or email to admin@l0phtcrack.com if you would like to join the team.
Repositories are located here: https://gitlab.com/l0phtcrack
Releases are available here: https://gitlab.com/l0phtcrack/l0phtcrack/-/releases
Latest open-source Win64 download is here: → https://l0phtcrack.gitlab.io/releases/7.2.0/lc7setup_v7.2.0_Win64.exe ←
首页 设置页面
之前写过一篇《阿里云 opensips nat内网穿透》，当时是为了解决对讲机视频对讲的问题。但是之前的方案存在一个问题，那就是虽然服务器能够正常提供服务。但是在接通之后如果设备不在同一个局域网内就会导致有音频但是没有视频信息。这个问题困扰了很久，直到现在算是能够解决这个问题。出现上面这个问题的根本原因在于设备的网络层次关系太过复杂，视频信息没有办法透传。我不是语音视频方面的专家，集中nat结构我也不在叙述了，感兴趣的访问这个链接：https://www.cnblogs.com/zhumengke/articles/11204924.html
如果要在阿里云的服务器上，还需要升级绑定弹性网卡的相关内容，具体参考这里：https://developer.aliyun.com/article/228753?spm=a2c6h.13813017.content3.1.5cbc6532wDqNf4
在之前的文章《Yolov5 Android tf-lite方式集成》中，导出tf-lite方式的模型使用的是https://github.com/zldrobit/yolov5.git中的tf.py。晚上尝试用yolov5 最新版本的代码的export.py导出，如果不想修改命令行参数，可以字节修改以下代码：
# 需要修改参数 data weights batch-size
def parse_opt():
parser = argparse.ArgumentParser()
parser.add_argument('--data', type=str, default=ROOT / 'data/ads.yaml', help='dataset.yaml path')
parser.add_argument('--weights', type=str, default=ROOT / 'best.pt', help='weights path')
parser.add_argument('--imgsz', '--img', '--img-size', nargs='+', type=int, default=[640, 640], help='image (h, w)')
parser.add_argument('--batch-size', type=int, default=1, help='batch size')
parser.add_argument('--device', default='cpu', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
parser.add_argument('--half', action='store_true', help='FP16 half-precision export')
parser.add_argument('--inplace', action='store_true', help='set YOLOv5 Detect() inplace=True')
parser.add_argument('--train', action='store_true', help='model.train() mode')
parser.add_argument('--optimize',default=True, action='store_true', help='TorchScript: optimize for mobile')
parser.add_argument('--int8', action='store_true', help='CoreML/TF INT8 quantization')
parser.add_argument('--dynamic', action='store_true', help='ONNX/TF: dynamic axes')
parser.add_argument('--simplify', action='store_true', help='ONNX: simplify model')
parser.add_argument('--opset', type=int, default=13, help='ONNX: opset version')
parser.add_argument('--topk-per-class', type=int, default=100, help='TF.js NMS: topk per class to keep')
parser.add_argument('--topk-all', type=int, default=100, help='TF.js NMS: topk for all classes to keep')
parser.add_argument('--iou-thres', type=float, default=0.45, help='TF.js NMS: IoU threshold')
parser.add_argument('--conf-thres', type=float, default=0.25, help='TF.js NMS: confidence threshold')
parser.add_argument('--include', nargs='+',
default=['torchscript', 'onnx'],
help='available formats are (torchscript, onnx, coreml, saved_model, pb, tflite, tfjs)')
opt = parser.parse_args()
print_args(FILE.stem, opt)
return opt
上一篇文章中提到的torchscript方式在手机上实际的检测效果差了很多，于是尝试了另外两种方式，第二种方式目前还有问题，所以就先不写了。这篇文章介绍的是第三种方法。zldrobit创建了一个ftlite的分支，https://github.com/zldrobit/yolov5.git。要使用这个方法文章中步骤也写的比较详细了。
1.克隆相关的分支：
git clone https://github.com/zldrobit/yolov5.git cd yolov5 git checkout tf-android
搜索了一下，目前要在手机端实现yolov5检测，找到了如下三种方式：
上图左边是手机上的效果，右边是pc上的效果，这tm的是同一个模型？转换模型参考的文章：https://github.com/pytorch/android-demo-app/tree/master/ObjectDetection
https://blog.csdn.net/djstavaV/article/details/118078013 修改了各种参数和方法，效果差别不大。这个东西应该怎么搞？谁能给点建议？