这个程序有Bug的个人博客 ~

Private | 使用指南

左侧点击查看感兴趣的文章！

CSDN | 【Acoustic-3A(AEC+ ANC+AGC)】：音频链路之QCOM-ADSP帧同步模块详细分析 (2/N)
阅读量：2774
总结：时间戳同步模式通过以下机制实现精确的音频帧同步：

时间戳对齐：基于音频样本的绝对时间戳进行同步
零值填充：在时间戳较大的路径前面填充零值
数据丢弃：在必要时丢弃数据以保持同步
状态管理：在同步状态和起始状态间转换
缓冲区管理：维护内部缓冲区处理抖动和延迟

这种机制确保了两个音频流在时间上的精确对齐，对于EC、ASR等需要高精度时间同步的应用至关重要。

CSDN | Android Codec2 Filter 算法模块开发指南
阅读量：361
总结：通过本文档的详细介绍，你应该能够

理解 Android Codec2 Filter 的架构和工作原理
封装自己的算法模块为 Codec2 组件
实现 Filter Plugin 并集成到系统中
通过 JNI 接口在 Java 层调用算法功能
进行调试和性能优化

CSDN | 【WEKWS】论文解读 && 语音唤醒系统架构详解 && 实战
阅读量：363
总结：WEKWS系统提供了完整的关键词识别解决方案，具有以下优势：

多模型支持: 提供多种先进的KWS模型架构
端到端流程: 从数据准备到模型部署的完整流程
高性能: 在多个数据集上达到业界领先水平
易用性: 清晰的代码结构和详细的文档
可扩展性: 支持自定义模型和数据集

CSDN | 《ClearerVoice-Studio》论文拜读 && 适配私有场景噪音Unet去燥网络
阅读量：363
总结：FRCRN_SE_16K是一个完整的语音增强系统，包含以下关键组件：

数据准备: 音频读取、归一化、分段
特征提取: STFT变换（复数频谱）
模型架构: DCCRN（复数UNet + 注意力机制）
训练流程: 多轮迭代、梯度裁剪、早停
推理流程: 分段解码、重叠相加
损失函数: SI-SNR + 复数掩码MSE

CSDN | 从PyTorch/Onnx、AIMET量化到 QNN GPU 部署全流程实战：GPU 推理 300FPS+
阅读量：315
总结：YOLOv8s 从 AIMET 量化到 QNN GPU 部署全流程实战

环境准备
量化模型转换
GPU FP32 推理测试
测试结果:单次推理稳定在 3~4ms

CSDN | 《GPU高性能编程CUDA实战》
阅读量：1000
总结：本文深入讲解CUDA编程技术

包括设备选择、内核编程、线程协作等关键概念
并探讨了不同类型的内存使用策略，如常量内存和纹理内存
还介绍了图形互操作性、原子操作的重要性以及如何进行多GPU编程

<<<< To Top | OR | More Info >>>>

GitHub| YOLO-darknet
项目名称：yolo-darknet

• master branch: implementation of scaled-yolov4 using darknet. including scaled-yolov4 p5、p6、p7，CSP，tiny.
• v1.0 branch : A learning course for darknet !
• v2.0 branch : Aim to create a simple way to optimizer&&speed all model by darknet.
• v3.0 branch : Some application of deeplearning including python/c++ version! .

GitHub| VisDateset
项目名称： VisDateset

• master branch: visdrone dataset for google colab and kaggle.

GitHub| Project-C-CUDA
项目名称：Project-C-CUDA

• master branch: Template < typename nvcc , g++ > ubuntu linux 下 混编(cmake || makefile || Vscode) 提升效率。

GitHub| Lenovo-G5080黑苹果
项目名称： Lenovo-G5080-Hackintosh

• clover branch: 基于 clover四叶草的苹果引导系统. 10.16以下。
• opencore branch: 基于最新流行的 opencore的苹果引导系统。10.15、10.16.

<<<< Return to Top | OR | Ask For More >>>>

Blog | TensorRT学习（三）: TensorRT Developer Guide
阅读量：139

本文介绍了如何使用C ++和Python API来实现最常见的深度学习层。它展示了如何采用深度学习框架构建的现有模型，并使用该模型通过提供的解析器构建TensorRT引擎。 开发人员指南还提供了针对常见用户任务的分步说明，例如创建TensorRT网络定义，调用TensorRT构建器，序列化和反序列化以及如何向引擎提供数据并执行推理； 同时使用C ++或Python API。

Blog | TensorRT学习（五）: TensorRT Sample Support Guide（v7.0_python）：
阅读量：78

本文主要详解了使用tensorrt的9个小例子项目：
1、使用Python将Caffe，TensorFlow和ONNX模型导入TensorRT的简介；2、使用TensorFlow和Python的TensorRT的“ Hello World”； 3、使用PyTorch和Python的TensorRT的“ Hello World”；4、在Python的TensorRT中向您的Caffe网络添加自定义层； 5、在Python的TensorRT中向您的TensorFlow网络添加自定义层；6、在Python中使用ONNX TensorRT后端进行对象检测； 7、在Python中使用SSD进行对象检测；8、Python中的INT8校准；9、用Python改装引擎；

Blog | TensorRT学习（二） TensorRT API
阅读量：25

本文详细的c++ api介绍, 包括运行时、模型构建或推理时的算子列举。

Blog | TensorRT学习（一）: Jetson Axiver
阅读量：未发布

本文涵盖的内容有：
Nvida Jetson ：一款嵌入式开发板，运行定制ubuntu系统，ARM(AARCH)非X86(AMD)架构,移动快捷，其板载图形运算比较强大。支持许多python框架及gcc。 　　 TensorRT：作为一个网络框架，加速效果比tf、pytorch强了点，提供了许多c++的API接口，python也有， 可以随意创建网络结构进行推理，也可以结合权重、图进行转换推理。本文详细介绍了tensorRT的般的介绍及用法。

Blog | MMLAB 之 mmLab
阅读量：未发布

MMlab 实验室隶属于商汤科技,旗下有mmcv、mmdetection、mmimage等图像处理的Git仓库。

<<<< Return to Top | OR | Ask For More >>>>

<<<< Return to Top | OR | Ask For More >>>>