- 博客(260)
- 资源 (7)
- 收藏
- 关注
RSS订阅原创 Python----大模型（ Langchain-agent代理（使用Langchain Agent代理来查询天气信息） ）
本文介绍了在Langchain中实现天气预报Agent的开发过程。首先通过心知天气API获取天气数据，包括温度、天气状况等信息。然后使用Langchain框架构建智能代理，该代理能够理解用户查询，自动调用天气API工具获取数据，并生成格式化的响应。开发过程涉及工具类封装、LLM模型配置、提示词模板设计以及代理执行器的创建。最终实现了一个能够智能响应天气查询的自动化系统，如查询"北京"时能够返回"晴朗，33°C"的天气信息。
2025-07-21 08:46:01
61
原创 Zetane：让深度学习不再抽象，一键3D可视化
Zetane Systems是一家专注于AI模型可视化的加拿大公司，成立于2016年。其核心产品Zetane Engine通过3D可视化技术解决深度学习"黑箱"问题，支持ONNX、Keras等格式模型的可视化分析，提供多维度张量投影、特征图视图等功能。用户可从官网下载Windows/Linux/Mac版本，实现AI模型的交互式探索和内部机制解析。
2025-07-21 08:44:05
23
原创 Python----FastAPI（FastAPI的介绍、路径参数、查询参数）
FastAPI是高性能Python Web框架，基于Starlette和Pydantic，支持异步编程和类型提示。其核心优势包括：接近Node.js/Go的性能（~3000请求/秒）、自动API文档生成、强类型数据验证以及完善的异步支持。相比Flask/Django等同步框架，FastAPI更适合现代高并发场景。基础使用需安装fastapi和uvicorn，通过@app.get定义路由，支持路径参数和查询参数。虽然AI可生成代码，但缺乏业务逻辑适配和运维能力，开发者仍需掌握架构设计、调试和安全优化等核心技能
2025-07-21 08:43:11
86
原创 Python----大模型（Langchain-chain链）
本文介绍了LangChain框架中的几种关键链类型及其应用。首先阐述了"链"的基本概念，即通过有序连接NLP任务构建复杂AI应用的模块化组件。重点解析了LLMChain（大语言模型链）和RetrievalQA（检索问答链）的实现方法，后者结合了向量数据库实现检索增强生成(RAG)。文章详细演示了如何利用HuggingFace嵌入模型和FAISS向量数据库构建知识库问答系统，包括文本加载、分块处理、向量化存储及检索的全流程。最后介绍了通过LCEL表达式自定义链的方法，展示了从提示模板到模型
2025-07-21 08:42:38
41
原创 Python----大模型（Langchain-OutputParser输出解析器）
本文介绍了LangChain中的多种输出解析器及其应用场景：1. 基础OutputParser用于将非结构化自然语言转换为结构化数据。2. 列表解析器（CommaSeparatedListOutputParser和ListOutputParser）将文本转换为Python列表。3. datetime解析器将时间字符串转化为datetime对象。4. 枚举解析器将文本映射到预定义的枚举值。5. 结构化输出解析器（StructuredOutputParser和PydanticOutputParser）将输出转换
2025-07-21 08:42:07
1
原创 Python----大模型（RAG的评估方法——（精确度和召回率、排名质量、平均准确率）)
RAG系统评估方法综述 RAG（检索增强生成）系统性能评估主要分为检索和生成两个维度。检索评估采用精确度、召回率、F1-score等指标衡量相关性，同时引入MRR（平均倒数排名）和MAP（平均精度均值）评估结果排序质量。生成评估则关注文本质量，使用BLEU和ROUGE等指标衡量生成内容与参考答案的匹配度。此外，评估还应关注四个关键维度：响应与参考答案的准确性、响应与输入的相关性、响应与检索文档的匹配度，以及检索文档与查询的关联性。这些综合指标共同构成了RAG系统的完整评估框架。
2025-07-21 08:41:32
56
原创 Python----NLP自然语言处理（Doc2Vec)
Doc2Vec是Google在2014年提出的文档向量表示模型，基于Word2Vec扩展而来。它通过引入文档标签作为额外输入，生成固定长度的文档向量，适用于文本分类、聚类、相似度计算和信息检索等任务。Doc2Vec包含两种训练模式：DBOW（类似Skip-gram）和DM（类似CBOW），分别适用于不同场景。文中以处理《三国演义》文本为例，展示了如何使用jieba分词和gensim库实现Doc2Vec模型训练，并演示了词向量相似度计算和文档相似度检索功能。实验结果显示，模型能够有效捕捉"荆州&qu
2025-07-21 08:41:13
30
原创 Python----NLP自然语言处理（FastText)
FastText是由Facebook开发的高效词向量与文本分类工具，通过创新的子词机制解决了传统词向量模型的局限性。该机制将单词拆分为子词（如中文单字或英文词缀），通过组合子词向量表示完整单词，有效处理未登录词并捕捉形态学信息。在中文处理中，FastText能利用汉字组合特征（如"质量"和"量化"共享"量"的语义），显著提升罕见词处理能力。实践案例展示了FastText在中文文本（《三国演义》）中的训练过程，包括子词参数设置（min_n=2,max
2025-07-20 09:59:29
882
原创 Python----NLP自然语言处理（Glove)
GloVe是一种基于全局共现统计的词向量模型，相比Word2Vec能更好地捕捉词语间的语义关系。其核心是构建共现矩阵，通过统计单词在上下文窗口内的共现频率来训练词向量。本文展示了使用GloVe处理《三国演义》文本的完整流程：包括jieba分词、数据清洗、构建共现矩阵（窗口大小为10）、训练20维词向量（学习率0.05，10个epochs），以及查询词向量和语义相似词等应用。实验表明，GloVe能有效学习词语的分布式表示，如"主公"的相似词检索。
2025-07-19 09:12:23
662
原创 Python----算法移植（RK3588部署多模态大模型）
本文详细介绍了在RK3588开发板上部署多模态大模型的全流程。主要内容包括：1) 硬件环境要求（Ubuntu20.04虚拟机/RK3588开发板）和软件环境配置（Python3.8、rkllm-toolkit等）；2) 模型转换方法，支持LLaMA、ChatGLM3等多种模型及多种量化方式；3) 具体部署步骤：从HuggingFace获取模型、安装转换工具、模型格式转换（ONNX到RKNN/RKLLM）、交叉编译C++程序；4) 性能基准测试数据，展示了不同模型在RK3588上的推理速度、内存占用等指标；5
2025-07-18 08:46:03
903
原创 Python----NLP自然语言处理（词向量与词嵌入)
本文介绍了词向量与词嵌入的基本概念及其应用。词向量是将词语映射为固定维度数字向量，使计算机能处理文本数据。传统one-hot编码存在维度灾难和无法度量相似性问题，Word2Vec通过分布式表示解决了这些问题，能捕捉词语间的语义关系。文章详细讲解了Word2Vec的两种模型（CBOW和Skip-gram）及其训练流程，包括负采样优化技术。最后以《三国演义》文本为例，展示了词向量训练、相似度计算和类比推理等实际应用。Word2Vec虽存在上下文无关等局限性，但仍是自然语言处理的重要基础技术。
2025-07-17 08:53:08
849
原创 Python----NLP自然语言处理（英文分词器--NLTK)
NLTK是Python中处理英文文本的重要工具包，主要功能包括分词、词形还原、词性标注和停用词过滤等。它通过word_tokenize进行分词，使用WordNetLemmatizer实现词形还原（如将"better"还原为"good"），并支持词性标注（如识别名词、动词）。Text对象提供词频统计、上下文搜索等文本分析功能。此外，NLTK可以过滤常见停用词（如"the","is"），并通过正则表达式实现词组分块（如识别名词短语）
2025-07-16 09:03:05
533
原创 Python----算法移植（RK3588部署deepseek对话大模型）
本文详细介绍了在RK3588开发板上部署大语言模型的完整流程，包括从HuggingFace下载模型、使用RKLLM-Toolkit工具进行模型转换和量化，到在开发板上通过C++程序或Python服务（Flask/Gradio）进行推理部署的全过程。方案支持TinyLLAMA、Qwen等多种模型，并提供性能优化技巧，如NPU定频和量化选择，最终实现在边缘计算设备上高效运行大语言模型，适用于低功耗、高性能的AI应用场景。
2025-07-15 08:51:54
1181
原创 Python----NLP自然语言处理（中文分词器--jieba分词器）
本文系统介绍了中文文本预处理的核心步骤，重点讲解了jieba分词工具的功能与应用。主要内容包括：分词处理：对比全模式（高速但冗余）和精确模式（高精度）的分词效果，演示基础分词操作；词典优化：通过添加自定义词典解决专有名词（如"百战程序员"）的分词歧义问题；关键词提取：基于TF-IDF算法实现文本关键词抽取（如《三国演义》选段中的"玄德"、"张角"等），支持停用词过滤优化结果；词性标注：结合posseg模块实现词语分类（如名词、动词等），提供完整的词性标签对照表。文中通过代码实例展示了jie
2025-07-14 09:20:56
827
原创 Python----算法移植（将YOLOV8移植到RK3588）
本文详细介绍了利用Rockchip的RKNN工具链（包括RKNN-Toolkit2、RKNN-Toolkit-Lite2、RKNN Runtime和RKNPU驱动）在NPU硬件平台上部署YOLO模型的完整流程，涵盖环境配置（Python 3.8+特定依赖库）、模型转换（ONNX到RKNN格式）、多线程推理优化、实时视频处理实现（含后处理算法和性能统计）以及自定义模型适配方法，为开发者提供了从环境搭建到部署优化的全链路技术方案，特别强调版本兼容性和边缘计算场景的性能调优策略。
2025-07-14 09:19:59
524
原创 Python----大模型（ 常见向量数据库的介绍 ）
本文比较了三种文本向量相似度计算方法（余弦相似度、内积和L2距离）并介绍了三种主流向量数据库。Pinecone提供易用API和实时更新功能；FAISS是高效的CPU/GPU开源库；Chroma支持多类型数据存储。通过示例代码演示了各数据库的向量嵌入生成、索引创建和相似度查询流程，其中Pinecone和Chroma使用余弦相似度，FAISS支持内积和L2距离计算。三种工具均能有效实现语义相似性搜索，开发者可根据项目需求选择合适方案。
2025-07-14 09:18:35
449
原创 Python----大模型（ RAG的文本分割，文本分割方法 ）
RAG模型中的文本分割技术及其应用 RAG（检索增强生成）模型通过合理分割文本来提高检索效率与生成质量。文本分割在RAG中具有关键作用：提升检索精度、优化信息匹配、增强生成连贯性并降低计算复杂度。主要分割方法包括：1）字符分割，按固定长度划分；2）递归字符分割，根据优先级对分隔符进行多级细分；3）特定文档分割（如Markdown），利用文档结构信息。实践表明，结合中文标点的递归分割法能有效保持语义连贯性，为中文NLP任务提供更优的文本处理方案。
2025-07-14 09:18:19
714
原创 Python----大模型（RAG--RAG的介绍,RAG的工作流程,RAG的文本加载 ）
RAG（检索增强生成）是一种结合检索与生成技术的自然语言处理方法，通过外部知识库增强语言模型的输出准确性。其核心包含检索器（从知识库检索相关文档）和生成器（基于检索信息生成回答）。工作流程包括：检索器将用户问题转换为向量并搜索相似文档，生成器结合检索结果生成最终答案。LangChain提供了多种文本加载器（如TXT、CSV、PDF、Markdown、JSON、HTML等），支持从不同文件格式加载和分割内容，便于后续处理和检索。该方法动态扩展模型知识库，适用于需要实时更新或专业知识的场景。
2025-07-14 09:17:59
791
原创 Python----NLP自然语言处理（NLP自然语言处理解释，NLP的发展历程）
自然语言处理(NLP)是人工智能的重要分支，旨在让计算机理解、生成和处理人类语言。其发展经历了四个阶段：1950-1980年代的规则驱动阶段依赖语言学家手工编写规则；1990年代进入统计学习阶段，利用概率模型处理语言；2013年后深度学习兴起，采用神经网络自动学习语言特征；2018年至今进入预训练模型时代，BERT、GPT等大型语言模型展现出强大能力。NLP广泛应用于机器翻译、文本分析、语音识别、智能对话等领域，但也面临计算成本高、可解释性差等挑战。
2025-07-14 09:17:36
1008
原创 Python----OpenCV（图像分割——什么是图像分割，基于阈值化的分割，基于自适应阈值图像分割 ，基于边缘的图像分割）
图像分割是计算机视觉中的关键技术，旨在将图像划分为具有特定语义的区域。主要分为三类：语义分割（像素级分类）、实例分割（区分同类不同个体）和全景分割（结合前两者）。其应用广泛，如自动驾驶、医疗影像分析等，但也面临标注成本高、计算资源消耗大等挑战。
2025-07-14 09:17:03
1195
原创 Python----OpenCV（图像分割——彩色图像分割，GrabCut算法分割图像）
摘要：本文介绍了两种图像分割方法：彩色图像分割和GrabCut算法。彩色图像分割利用颜色特征（RGB、HSV、Lab等色彩空间）通过cv2.inRange()和cv2.bitwise_and()函数实现目标提取，并讨论了光照变化等常见问题的解决方法。GrabCut算法则基于高斯混合模型，通过用户交互式选择ROI区域，结合图割理论实现精确的前景提取。两种方法均附有OpenCV实现代码，适用于人像抠图、医学图像分析等场景。（150字）
2025-07-13 09:39:16
1774
1
原创 Python----大模型（Langchain-Prompt提示词）
本文介绍了LangChain中的Prompt模板使用方法，包括： 单个变量PromptTemplate的两种创建方式（自动提取变量和显式声明） 多个变量PromptTemplate的应用场景和格式化方法 聊天提示模板ChatPromptTemplate的组成要素（系统消息、用户消息和AI消息模板） 各类消息模板的具体用途和使用示例 重点说明了不同模板的特性差异、适用场景和最佳实践，帮助开发者灵活构建符合需求的提示词模板。
2025-07-13 09:39:00
877
原创 Python----大模型（Langchain部署本地大模型）
本文介绍了Langchain框架的安装与使用，包括三种安装方式：基础框架(langchain)、社区扩展(langchain_community)和OpenAI集成(langchain_openai)。框架支持两种语言模型：纯文本补全(LLMs)和对话专用(ChatModels)，后者采用消息列表交互。文章重点演示了在本地部署通义千问2.5-7B-Instruct模型的两种方案：通过vLLM服务器兼容OpenAI API，或手动封装HuggingFace模型实现自定义LLM类。两种方案都包含代码示例，展示了
2025-07-12 11:00:13
532
原创 Python----循环神经网络（Transformer ----Attention中的mask）
Attention模型中的Mask机制包括两种类型：padding mask和sequence mask。padding mask用于处理不等长序列的批处理，通过遮蔽填充部分（设为-inf）使模型忽略无效位置；sequence mask则防止模型在序列生成时获取未来信息，通过上三角矩阵遮蔽后续位置。两种mask共同作用于注意力分数矩阵，经过softmax后使被遮蔽位置的注意力权重趋近于0。该机制在机器翻译、文本生成等任务中至关重要，既保证了批处理效率，又维护了序列生成的因果性。
2025-07-12 10:59:55
928
原创 Python----目标检测（使用YOLOV8网络训练人脸）
本文介绍了YOLOv8模型的安装、训练和使用方法。主要内容包括：1. 通过pip、conda或Docker安装Ultralytics YOLOv8的步骤；2. 数据集目录结构配置要求；3. 训练命令示例及参数说明，涵盖模型、数据路径、训练周期等核心设置；4. 详细参数配置表，包含batch大小、图像尺寸、优化器等30多项训练参数；5. 数据增强技术说明，如色调调整、马赛克增强等超参数设置。文档提供了完整的YOLOv8训练指南，帮助用户快速上手目标检测模型的开发与应用。
2025-07-11 08:14:35
1150
原创 Python----大模型（使用vllm进行推理加速优化，构建多轮对话机器人）
本文介绍了使用vLLM部署Qwen2.5-7B-Instruct模型并实现多轮对话机器人的流程。首先创建Python3.11虚拟环境并安装torch、vLLM等依赖包。通过vLLM启动OpenAI兼容的API服务器，指定模型路径和端口(10222)。然后编写Python脚本，通过OpenAI客户端连接本地API，构建包含系统角色设定和6轮对话上下文的聊天系统。用户输入触发API调用，模型返回响应后更新对话历史。系统支持参数调节(temperature=0.5)和退出指令检测，实现持续交互的萌妹助手功能。
2025-07-11 08:13:39
171
原创 Python----循环神经网络（Transformer ----Layer-Normalization（层归一化））
Batch Normalization（BN）和Layer Normalization（LN）是深度学习中常用的归一化方法。BN通过计算批次的均值和方差，使每个通道满足均值为0、方差为1的分布，加速网络收敛，适用于图像任务。LN则对每个样本的特征进行独立归一化，不依赖批次大小，更适合小批次数据或RNN等序列任务。Post-LN和Pre-LN是Transformer中的两种归一化方式，Post-LN在残差连接后进行归一化，但在深度网络中可能不稳定；Pre-LN在输入前归一化，训练更稳定。两种方法各有优劣，适用
2025-07-10 09:37:19
473
原创 Python----OpenCV（几何变换--图像平移、图像旋转、放射变换、图像缩放、透视变换）
本文介绍了OpenCV中常用的图像几何变换方法，包括： 图像平移：通过2×3变换矩阵实现像素位移； 图像旋转：使用getRotationMatrix2D获取旋转矩阵，包含两种实现方式（带裁剪和不裁剪）； 仿射变换：通过三组对应点实现线性变换，支持平移、缩放、旋转等操作； 图像缩放：使用resize函数，可指定目标尺寸或缩放因子，推荐不同场景的插值方法； 透视变换：通过四组对应点进行投影变换，适用于文档校正等场景。每种方法均提供参数说明和Python代码示例，涵盖从基础平移操作到复杂透视变换的实现。
2025-07-10 09:24:50
889
原创 Python----大模型（使用vllm进行推理加速优化——本部所有操作均在linux上完成）
本文介绍了使用vLLM框架部署通义千问2.5-7B-Instruct大模型的完整流程。首先通过conda创建虚拟环境并安装PyTorch、vLLM等依赖包；然后从魔塔社区下载模型，利用vLLM的PagedAttention技术进行推理加速，实现模型加载和文本生成；最后部署OpenAI兼容API服务器，通过标准接口调用模型。文章包含环境配置、模型推理优化和API服务搭建三个核心环节，提供了完整的代码示例和参数说明，实现了从本地推理到服务化部署的全流程解决方案。
2025-07-09 08:52:52
579
原创 Python----大模型（ollama部署Qwen2.5-0.5B）
Ollama是一款开源的大语言模型管理工具，简化了本地部署和运行流程。支持MacOS、Linux和Windows系统，通过简单命令即可操作。安装默认在C盘，可修改环境变量更换安装路径（需重启生效）。基本操作包括模型部署（如Qwen2.5-0.5B）、启动服务、查看/删除模型等，常用命令如ollama run/pull/list等。使用前需验证安装（ollama list），适合快速搭建本地大模型环境。
2025-07-09 08:52:30
304
原创 Python----循环神经网络（Transformer ----绝对位置编码（Absolute-PositionEncoding））
位置编码为Transformer模型提供序列顺序信息，弥补其自注意力机制缺乏位置感知的缺陷。绝对位置编码通过正弦/余弦函数生成位置向量，具有唯一性、连续性和可扩展性优势。这种编码不仅能表示绝对位置，还能通过三角函数特性隐含相对位置信息，使模型有效处理序列任务。
2025-07-08 08:37:00
611
原创 Python----大模型（Qwen2.5-0.5B本地部署）
Qwen2.5-0.5B是阿里云开发的轻量级语言模型，具有0.5亿参数，适用于移动设备和边缘计算。基于Transformer架构，支持29种语言和128K长文本处理，在知识量、数学和编码能力上有显著提升。模型采用指令微调，擅长结构化输出和角色扮演。部署时可通过魔搭社区下载，使用transformers库进行推理，支持CUDA加速。典型应用包括生成故事、代码辅助和多语言翻译等场景，完整代码展示了从加载模型到生成文本的全流程。
2025-07-08 08:36:27
889
原创 Python----循环神经网络（Transformer ----soft-attention）
Soft-attention是一种可微的注意力机制，通过动态计算上下文向量来解决传统Encoder-Decoder结构的固定长度向量限制问题。它通过加权平均Encoder的隐藏状态，让Decoder选择性地关注输入序列的不同部分，提升了长序列处理能力和模型可解释性。虽然计算复杂度较高(O(N²))，但soft-attention在机器翻译、图像描述等任务中表现优异，成为处理序列数据的有效方法。其核心优势包括端到端可训练性、自动学习注意力权重以及更好的长距离依赖捕捉能力。
2025-07-07 08:50:23
512
原创 Python----OpenCV（图像増强——高通滤波（索贝尔算子、沙尔算子、拉普拉斯算子），图像浮雕与特效处理）
本文介绍了图像处理中的高通滤波技术及其应用，包括索贝尔算子、沙尔算子和拉普拉斯算子等边缘检测方法。通过Python代码演示了这些算子的实现过程，对比了不同算子的特点和适用场景。此外，还展示了图像特效处理方法，如浮雕效果、油画效果、彩色映射和镜像效果等。这些技术可用于图像增强、边缘检测和艺术效果处理，为计算机视觉任务提供了基础支持。
2025-07-07 08:49:52
2856
4
原创 Python----循环神经网络（Transformer ----注意力机制）
本文通过购物选择合适尺码的案例，类比介绍了注意力机制的工作原理及三种实现方式。首先以腰围尺寸匹配为例，说明线性回归、注意力权重分配和Softmax注意力三种方法的应用。接着引入多维度（腰围和胸围）的注意力计算，解释如何通过距离衡量相似度来分配注意力权重。文章详细对比了三种注意力实现方案：加性注意力通过非线性层计算相似度，适用于不同维度但计算量大；点积注意力计算高效但要求维度相同；缩放点积注意力针对高维情况优化，是Transformer模型的主要选择。这些方法为处理复杂数据匹配问题提供了不同解决方案。
2025-07-06 08:38:50
739
3
原创 Python----大模型（大模型相关库）
本文介绍了大模型相关的主流开发库和核心概念。在开发库方面，重点讲解了HuggingFace Transformers、ModelScope、OpenAI API、LangChain、SentenceTransformers和DeepSpeed等工具的功能特点和使用方法。在核心概念部分，详细解析了因果语言模型的原理、不同模型架构的对比、预训练与微调的区别，以及Tokenization技术（特别是BPE算法）的实现方式。文章还探讨了控制Token和对话模板的应用，以及Qwen模型在长度限制方面的具体表现。这些内
2025-07-05 08:21:26
810
2
原创 Python----大模型（使用api接口调用大模型）
本文介绍了调用硅基流动(SiliconFlow)AI API的四种方法：1) Ubuntu终端cURL请求；2) Windows CMD cURL命令；3) Python requests库调用（支持流式与非流式响应）；4) OpenAI接口方式调用（同样支持流式与非流式）。所有方法都使用Qwen/QwQ-32B模型，设置角色为"二次元助手"，并处理用户"你好"的问候。响应示例展示了模型生成的活泼回复及其推理过程，体现了二次元风格和情节推进能力。每种调用方式都详细展示
2025-07-04 11:16:28
926
1
原创 Python----OpenCV（图像増强——图像平滑、均值滤波、高斯滤波、中值滤波、双边滤波）
本文介绍了四种常见的图像平滑滤波方法及其应用。均值滤波通过邻域平均简单去噪但会模糊细节；高斯滤波利用高斯函数权重分布，有效抑制高斯噪声；中值滤波取邻域中值，特别适合去除椒盐噪声；双边滤波结合空间和颜色相似度，在去噪同时能保持边缘。文章详细说明了各方法的原理、适用场景，并提供了OpenCV实现代码示例。这些滤波技术在图像预处理、特征提取和噪声去除等环节具有重要作用。
2025-06-23 10:44:42
723
原创 Python----OpenCV（图像的绘制——绘制椭圆，绘制文本，添加文字水印，添加图片水印）
本文介绍了使用OpenCV绘制图形和添加水印的方法。主要内容包括：1. 绘制椭圆：讲解cv2.ellipse()函数的参数和使用方法，演示如何创建空白图像并绘制红色椭圆。2. 绘制文本：说明cv2.putText()函数的参数设置，展示在图像上添加白色文字的方法。3. 制作水印：包括文字水印和图片水印两种方式，通过cv2.addWeighted()实现透明度混合效果，以及ROI区域提取和alpha通道处理技术。所有操作都配有代码示例，并包含参数详细说明和使用注意事项。
2025-06-15 09:47:30
872
1
原创 Python----OpenCV（图像的绘制——绘制直线，绘制矩形，绘制圆形，绘制多边形）
本文介绍了使用OpenCV绘制基本几何图形的方法，包括直线、矩形、圆形和多边形。通过cv2.line()可绘制直线，指定起点、终点、颜色和线宽；cv2.rectangle()绘制矩形，定义对角顶点坐标；cv2.circle()画圆，需设置圆心、半径和填充方式；cv2.polylines()用于绘制多边形，需提供顶点坐标数组。所有方法均需在预先创建的空白图像上操作，并通过cv2.imshow()显示结果。代码示例详细展示了各函数的参数使用和图像创建过程，适合初学者快速掌握OpenCV的图形绘制功能。
2025-06-14 13:52:10
751
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人