本文还有配套的精品资源，点击获取 menu-r.4af5f7ec.gif

简介：YOLOv5，作为”You Only Look Once”的最新版本，是一个广泛流行于计算机视觉领域的快速准确实时目标检测模型。本教程将指导如何通过YOLOv5实现摄像头调用，以进行实时目标检测。涵盖了环境配置、下载模型、运行代码、实时显示以及如何进行自定义应用，适合希望快速应用目标检测技术的开发者。
yolov5调用摄像头

1. YOLOv5简介及实时目标检测应用

YOLOv5简介

YOLOv5（You Only Look Once version 5）是一种先进且广受欢迎的实时目标检测模型。它将目标检测任务转化为回归问题，通过单个神经网络直接在图像中预测边界框和类别概率，极大地提高了检测速度和效率。YOLOv5的版本迭代优化了模型架构和速度，使其更适合应用在需要快速响应的场景中。

实时目标检测应用

实时目标检测技术在多个领域拥有广泛的应用，比如自动驾驶、安防监控、工业检测等。YOLOv5由于其出色的检测速度和准确度，成为这些场景中非常实用的工具。在实时系统中，YOLOv5可以快速识别图像中的多个对象，并给出它们的位置和类别信息，这对于需要实时反馈的应用场景至关重要。接下来的章节将逐步指导读者完成YOLOv5的环境配置、模型下载、命令行操作以及如何实时显示检测结果并调整检测精度等关键步骤。

2. 环境配置要求：Python、PyTorch、opencv-python

2.1 Python环境的安装与配置

2.1.1 安装Python

Python的安装过程因操作系统不同而有所差异。对于Windows用户来说，可以从Python官方网站下载安装程序并进行安装。对于Linux或macOS用户，则可以通过包管理器来安装Python。

对于Windows用户，安装步骤通常包括：

  1. 访问Python官方网站下载Python安装包。
  2. 运行安装程序，并确保勾选了”Add Python to PATH”的选项，以便将Python添加到环境变量中。

对于Linux用户，可以通过终端运行以下命令安装Python（以Ubuntu为例）：

sudo apt update
sudo apt install python3

对于macOS用户，可以通过Homebrew安装Python：

brew install python3
2.1.2 配置Python环境变量

环境变量是操作系统用来指定运行环境的一些参数，Python安装路径的配置是其中重要的一项。配置Python环境变量可以帮助我们在命令行中直接运行Python解释器。

对于Windows用户，在安装时如果勾选了”Add Python to PATH”选项，通常不需要手动配置环境变量。如果未勾选，需要手动添加Python解释器路径到系统的PATH环境变量中。

对于Linux和macOS用户，Python的路径通常已经包含在默认的PATH中。如果需要手动添加，可以编辑 .bash_profile 或 .zshrc 文件，并添加如下行：

export PATH=$PATH:/usr/local/bin/python3

其中 /usr/local/bin/python3 是Python解释器的路径，这个路径可能根据安装方式和操作系统版本有所不同。

2.2 PyTorch的安装与配置

2.2.1 安装PyTorch

PyTorch是一个开源的机器学习库，它广泛用于计算机视觉和自然语言处理等领域。安装PyTorch之前，需要确定所需版本的PyTorch以及是否使用CUDA进行GPU加速。

安装命令可以通过PyTorch官方网站提供的安装脚本来获取。例如，如果你使用的是Linux和CUDA 10.2，可以使用如下命令：

pip3 install torch torchvision torchaudio

该命令将会安装PyTorch及其依赖库。

2.2.2 配置PyTorch环境

配置PyTorch环境主要是指安装适合你的系统和需求的PyTorch版本。PyTorch官方提供了多种安装选项，包括CPU版本和GPU版本，针对不同的CUDA和cuDNN版本。你可以通过访问PyTorch官方网站的安装页面来获取准确的安装指令。

在安装完成后，可以通过Python脚本来验证安装是否成功：

import torch
print(torch.__version__)
print(torch.cuda.is_available())

如果输出的版本号符合你安装的版本，并且 torch.cuda.is_available() 返回 True ，则说明PyTorch及其CUDA支持已正确安装。

2.3 opencv-python的安装与配置

2.3.1 安装opencv-python

OpenCV是一个开源的计算机视觉库，它提供了许多常用的图像处理和计算机视觉功能。在进行实时目标检测时，OpenCV用于图像的读取、显示和处理。

使用pip安装OpenCV非常简单，只需在命令行中输入以下命令：

pip3 install opencv-python

对于需要高级功能如视频处理和深度学习模块的用户，可以安装OpenCV的额外包：

pip3 install opencv-contrib-python
2.3.2 配置opencv-python环境

安装完成后，通常不需要额外的配置。不过，为了确保OpenCV能够在你的系统上正常工作，你可以通过简单的Python脚本来检查OpenCV是否安装成功：

import cv2
print(cv2.__version__)

如果输出了版本号，说明你的计算机上已经成功安装了OpenCV。

在完成以上环境配置后，你将拥有一个适合进行实时目标检测的基础环境。在下一章节中，我们将探讨如何下载YOLOv5模型以及如何管理这些模型。

3. YOLOv5模型下载与存放

随着深度学习技术的发展，实时目标检测领域的应用变得日益广泛。YOLOv5作为一个高效的实时目标检测框架，它的模型下载与存放是进行后续操作的基础。本章节将详细介绍YOLOv5模型的选择与下载步骤，以及下载后如何有效地管理和维护这些模型。

3.1 YOLOv5模型的选择与下载

YOLOv5模型拥有多个版本，每个版本都针对不同的应用场景进行了优化。因此，首先需要根据具体需求选择合适的YOLOv5模型版本。

3.1.1 选择合适的YOLOv5模型

选择模型时，要考虑以下几个因素：

  • 准确性 ：高准确性的模型能够提供更精确的检测结果，但可能会牺牲一些运行速度。
  • 速度 ：对于实时检测需求，选择快速的模型版本更为重要，即使牺牲部分准确性。
  • 应用场景 ：不同版本的YOLOv5在不同应用场景下表现各异，例如，在资源受限的设备上运行时可能需要考虑更轻量级的模型。

根据这些因素，可以访问YOLOv5的官方GitHub页面或其它可信资源来下载相应的模型权重文件。官方页面上通常会提供多个版本的模型，以及对应的性能评估报告，帮助用户做出选择。

3.1.2 下载YOLOv5模型

下载模型时，可以通过命令行工具或浏览器进行。以命令行为例，可以通过Git命令直接克隆整个YOLOv5项目：

git clone https://github.com/ultralytics/yolov5.git

在下载完成后，可以进入项目目录，通过预设的脚本命令下载特定版本的权重文件。例如，下载YOLOv5s模型的权重：

cd yolov5
python models/download_weights.py

执行此命令将自动下载YOLOv5s版本的模型权重到指定的路径。

3.2 YOLOv5模型的存放与管理

下载的YOLOv5模型需要妥善存放，以便于后续进行实时目标检测等操作。

3.2.1 模型存放位置的选择

模型存放位置应考虑以下因素：

  • 一致性 ：模型应存放在便于访问的位置，以便实时加载。
  • 安全性 ：在公开环境中，模型文件应存储在受保护的目录中，避免被非法访问。
  • 备份 ：重要模型文件应有备份，以防文件丢失或损坏。

通常，模型文件被存放在模型项目目录下的一个名为 weights 的子目录中。这样不仅便于管理，也容易与其他文件区分开。

3.2.2 模型的管理和维护

管理模型文件包括定期备份、更新和整理。对于YOLOv5模型，可以创建一个简单的备份脚本，利用 rsync 或 cp 命令将模型文件复制到备份目录。

#!/bin/bash
SOURCE="/path/to/yolov5/weights"
BACKUP="/path/to/backup/yolov5/weights"

rsync -av --progress $SOURCE $BACKUP

通过设定定时任务（如使用 cron ），可以定期自动执行备份脚本，确保模型文件的安全。

此外，如果需要更新模型，可以通过删除旧的权重文件后重新下载新版本，或者直接在现有的模型基础上进行微调和改进。

通过以上方法，可以确保YOLOv5模型的有效管理和维护，为后续的实时目标检测等任务打下良好的基础。

4. 实时目标检测的命令行操作

4.1 命令行操作基础

4.1.1 命令行的基本使用

命令行界面（CLI）是与计算机交互的一种方式，它通过文本指令接收用户输入并显示输出结果。在使用YOLOv5进行实时目标检测时，命令行操作是不可或缺的一部分，因为它提供了快速启动检测和进行各项调整的能力。

启动实时目标检测

通常，使用YOLOv5的命令行接口（CLI）启动实时目标检测可以通过以下步骤进行：

  1. 打开终端（在Windows上是命令提示符或PowerShell，在macOS或Linux上是终端）。
  2. 确保已经激活了包含YOLOv5依赖项的虚拟环境。
  3. 使用 python 或 python3 命令启动YOLOv5脚本。例如：
python detect.py --weights yolov5s.pt --source 0

上面的命令会使用 yolov5s.pt 模型权重，从摄像头（表示为 0 ）实时进行目标检测。

文件和目录操作

在命令行中，你可以使用各种命令来管理文件和目录：

  • ls ：列出当前目录的文件和文件夹。
  • cd ：改变当前工作目录。
  • mkdir ：创建新的目录。
  • cp ：复制文件或目录。
  • mv ：移动或重命名文件或目录。
  • rm ：删除文件或目录。

4.1.2 命令行操作的常见问题及解决方法

问题：权限错误

在某些操作系统中，执行某些命令可能会遇到权限错误。例如，尝试在受限目录中创建文件时可能会遇到 Permission denied 错误。

解决方法：

使用 sudo （在Linux或macOS上）来获取管理员权限。

sudo mkdir /path/to/protected/directory
问题：路径错误

在使用命令行操作文件时，路径错误会导致命令无法找到指定的文件或目录。

解决方法：

  • 确保文件路径正确无误。
  • 使用绝对路径或正确相对路径。
  • 使用 pwd 命令来查看当前工作目录的绝对路径。
问题：命令找不到

当你尝试执行一个不存在的命令时，系统会返回 command not found 错误。

解决方法：

  • 确认命令拼写正确。
  • 确认已安装的软件包是否正确，如果命令属于某个特定软件包，确保该包已安装。

4.2 实时目标检测的操作步骤

4.2.1 实时目标检测的步骤

启动实时目标检测的基本步骤如下：

  1. 准备环境：确保Python环境、PyTorch和opencv-python正确配置。
  2. 下载YOLOv5模型权重并存放在合适的位置。
  3. 打开终端或命令提示符。
  4. 激活包含YOLOv5依赖项的虚拟环境。
  5. 使用以下命令启动实时目标检测：
python detect.py --weights yolov5s.pt --source 0

其中， --weights 参数指向模型文件路径， --source 参数可以指定输入源，可以是视频文件路径、摄像头ID或图片文件夹路径。

4.2.2 实时目标检测中可能遇到的问题及解决方法

问题：摄像头无法打开

摄像头无法打开通常是因为驱动程序未安装或不兼容，或摄像头已被其他应用程序占用。

解决方法：

  • 确认摄像头驱动已正确安装。
  • 检查是否有其他程序正在使用摄像头，结束相关进程后重试。
  • 使用不同的摄像头测试以排除硬件故障的可能性。
问题：检测速度慢

YOLOv5模型默认使用的是 yolov5s.pt ，这是一个轻量级模型，但对于计算资源有限的设备来说可能仍然太重。

解决方法：

  • 使用一个较小的YOLOv5模型版本（如 yolov5n.pt ）来提高速度。
  • 优化输入分辨率，通过减少输入尺寸提高速度。
  • 使用YOLOv5的 --nosave 参数来减少数据保存的需求，从而提高效率。
python detect.py --weights yolov5n.pt --source 0 --nosave

操作演示示例

启动实时目标检测的代码块

假设我们已经正确设置了YOLOv5的环境，下面是一个启动实时目标检测的代码示例：

# detect.py
import torch
from models.common import DetectMultiBackend
from utils.datasets import LoadImages
from utils.general import non_max_suppression, scale_coords
from utils.augmentations import letterbox

# 初始化
weights = 'yolov5s.pt'  # 模型权重文件路径
source = '0'  # 摄像头ID
imgsz = 640  # 输入图片的尺寸
stride, names, pt = 64, [], False

# 加载模型
model = DetectMultiBackend(weights, device=torch.device('cuda'), dnn=pt)
stride, names, pt = model.stride, model.names, model.pt
imgsz = check_img_size(imgsz, s=stride)
model.warmup(imgsz=(1 if pt else 1, 3, imgsz, imgsz))

# 数据加载器
dataset = LoadImages(source, img_size=imgsz, stride=stride, auto=pt)
half = device.type != 'cpu'  # 是否使用半精度
model.half() if half else model.float()

# 检测循环
for path, img, im0s, _ in dataset:
    img = torch.from_numpy(img).to(device)
    img = img.half() if half else img.float()  # uint8 to fp16/32
    img /= 255  # 归一化
    if len(img.shape) == 3:
        img = img[None]  # 扩展batch维度

    # 推理
    pred = model(img, augment=False, visualize=False)

    # 应用NMS
    pred = non_max_suppression(pred, 0.25, 0.45, None, False, max_det=1000)
    # 处理检测结果
    for i, det in enumerate(pred):  # 检测结果
        if len(det):
            det[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0s.shape).round()
            for *xyxy, conf, cls in reversed(det):
                c = int(cls)  # 整数类别
                label = f'{names[c]} {conf:.2f}'
                plot_one_box(xyxy, im0s, label=label, color=colors(c, True), line_thickness=3)
    # 在此显示图片
    cv2.imshow(str(p), im0s)
    cv2.waitKey(1)  # 按任意键继续

在上面的代码示例中，我们使用 detect.py 脚本从摄像头实时读取视频流进行目标检测。程序会不断循环，读取帧、执行推理、应用非极大值抑制（NMS）以及绘制检测框并显示结果。每个检测框都带有类别标签和置信度分数。

请注意，为了简洁，代码中省略了导入必要的库、定义变量 device 、 colors 函数以及其他辅助函数。实际使用时需要确保完整的代码和库函数都是可用的。

在实时目标检测过程中，命令行操作提供了一个快速、灵活的接口，使开发人员和研究人员能够高效地运行和调试YOLOv5模型。

5. 实时显示检测结果及调整置信度阈值和IoU阈值

5.1 实时显示检测结果

5.1.1 显示检测结果的方法

在实时目标检测系统中，能够及时准确地将检测结果反馈给用户至关重要。通常，检测结果以图像上标注框的形式显示，其中包含了检测到的物体类别和置信度等信息。使用Python和OpenCV，我们可以轻松地将检测结果实时显示在视频或摄像头帧上。

import cv2
import numpy as np

# 加载预训练的YOLOv5模型
model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True)

# 打开摄像头
cap = cv2.VideoCapture(0)

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    # 将图像转换为YOLOv5模型需要的格式
    results = model(frame)
    # 将检测结果转换为OpenCV格式并显示
    frame = results.render()[0]
    cv2.imshow('YOLOv5 Real-Time Detection', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放资源并关闭窗口
cap.release()
cv2.destroyAllWindows()

上面的代码展示了如何使用YOLOv5模型进行实时检测并显示结果。 model(frame) 函数调用将执行检测过程，并返回包含检测信息的对象。 results.render() 方法用于获取渲染后的图像，其中包括了标注好的检测框。 cv2.imshow() 方法则用于显示这个图像。

5.1.2 显示检测结果时可能遇到的问题及解决方法

在实时显示检测结果的过程中，可能会遇到一些问题，例如延迟较高、视频跳帧、检测不准等。解决这些问题通常需要从模型优化、硬件配置和代码调整三方面入手。

  • 延迟高： 尝试优化YOLOv5模型，使用更轻量的模型版本；提高硬件配置，如使用GPU加速；或者调整代码中的实时处理逻辑，减少不必要的计算。
  • 视频跳帧： 确保摄像头以正确的帧率捕获图像，并在处理时保持该帧率。调整OpenCV的读取和显示参数，以适应系统的处理能力。
  • 检测不准： 调整置信度阈值和IoU阈值，或者使用更适合当前应用场景的模型预训练权重。

5.2 置信度阈值和IoU阈值的调整

5.2.1 阈值的含义和影响

在目标检测任务中，置信度阈值和IoU（Intersection over Union）阈值是两个非常重要的参数。

  • 置信度阈值： 定义了模型对于检测到的物体是该物体的置信度。置信度越高，模型对结果越有信心。降低置信度阈值可以帮助检测到更多物体，但同时会增加误报（false positives）。
  • IoU阈值： 是指在非极大值抑制（NMS）过程中，用于判断一个检测框是否被认为是有效检测的标准。IoU是指检测框与真实标注框之间的重叠区域占它们总面积的比例。提高IoU阈值可以减少重叠度低的检测框，即减少冗余检测。

5.2.2 如何调整阈值

调整阈值通常需要根据具体应用场景进行。以下是一些调整阈值的一般性建议：

  1. 从小到大调整置信度阈值： 初步设定较低的置信度阈值，观察检测结果中包括的物体数量。逐渐增加阈值，直至达到一个平衡点，在这个点上模型既能检测出大部分目标物体，又能保持较低的误报率。

  2. 适当调整IoU阈值： 这取决于具体场景的需求。如果场景中物体相互重叠的情况较多，可适当提高IoU阈值，减少误报。对于目标物体位置较为独立的应用，可以降低IoU阈值，以保留更多的潜在检测结果。

在实际操作中，可以通过实验，观察不同阈值设置下的检测效果，逐步进行微调，以达到最佳的检测效果。此外，通过编写循环脚本自动化测试不同阈值组合，可以更系统地找到最适合当前应用场景的参数设置。

# 在模型推理后设置阈值
results = model(frame)
pred_boxes = results.xyxy[0]  # 获取检测框坐标和置信度

# 设置置信度阈值和IoU阈值
conf_threshold = 0.5
iou_threshold = 0.45

# 对检测结果进行过滤，只保留置信度高于阈值的检测框
pred_boxes = pred_boxes[pred_boxes[:, 4] >= conf_threshold]
pred_boxes = non_max_suppression(pred_boxes, conf_threshold, iou_threshold)[0]

# 绘制过滤后的检测框到图像上并显示
frame = results.render()[0] if len(pred_boxes) > 0 else frame
cv2.imshow('Adjusted Thresholds', frame)

# ... (其他代码保持不变)

以上代码段展示了如何在YOLOv5的检测结果中设置并应用置信度和IoU的过滤阈值。 non_max_suppression 函数是OpenCV中实现非极大值抑制的函数，它会根据给定的阈值去除重叠度高的检测框。

6. YOLOv5在摄像头输入和其他媒体上的应用

6.1 YOLOv5在摄像头输入上的应用

6.1.1 摄像头输入的基本操作

摄像头作为最常见的输入设备之一，被广泛应用于实时目标检测。使用YOLOv5进行摄像头输入检测的基本步骤如下：

  1. 初始化摄像头设备。
  2. 加载YOLOv5模型。
  3. 循环读取摄像头帧。
  4. 对每一帧图像进行目标检测。
  5. 显示带有检测框的图像帧。

在Python中，可以使用 opencv-python 库来实现摄像头输入的实时视频流。以下是实现这一过程的示例代码：

import cv2
import torch

# 加载模型
model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True)

# 初始化摄像头
cap = cv2.VideoCapture(0)

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    # 进行目标检测
    results = model(frame)

    # 显示结果
    cv2.imshow('YOLOv5 Detection', np.squeeze(results.render()))

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放摄像头资源
cap.release()
cv2.destroyAllWindows()

6.1.2 摄像头输入的高级应用

高级应用可能包括：

  • 多摄像头并行处理。
  • 在检测框中叠加额外信息（例如标签、置信度分数等）。
  • 对于需要的检测对象应用特定的预处理或后处理逻辑。

例如，如果我们希望在检测到的物体周围加上红色的矩形边框，可以使用以下代码：

for *xyxy, conf, cls in results.xyxy[0]:
    # 绘制红色矩形框
    label = f'{model.names[int(cls)]} {conf:.2f}'
    cv2.rectangle(frame, (int(xyxy[0]), int(xyxy[1])), (int(xyxy[2]), int(xyxy[3])), (0, 0, 255), 2)
    # 在矩形框中添加文本
    cv2.putText(frame, label, (int(xyxy[0]), int(xyxy[1])-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)

# 显示带有文本的帧
cv2.imshow('YOLOv5 Detection with Text', frame)

6.2 YOLOv5在其他媒体上的应用

6.2.1 其他媒体的基本操作

除了摄像头输入，YOLOv5还可以应用于视频文件、图片序列或在线流媒体。基本操作通常包括读取媒体源、加载模型、循环处理媒体帧，并显示结果。

以视频文件为例，以下是处理视频文件的基本代码：

import cv2
import torch

# 加载模型
model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True)

# 打开视频文件
video_path = 'input_video.mp4'
cap = cv2.VideoCapture(video_path)

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    # 进行目标检测
    results = model(frame)

    # 显示结果
    cv2.imshow('YOLOv5 Detection on Video', np.squeeze(results.render()))

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

6.2.2 其他媒体的高级应用

高级应用可能包含：

  • 实时处理多个视频文件。
  • 在特定的检测条件下应用事件触发逻辑（例如，检测到特定物体时触发通知）。
  • 在实时流媒体上应用目标检测。

例如，将实时检测应用于网络摄像头视频流：

import cv2
import torch

# 加载模型
model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True)

# 网络摄像头地址
stream_url = 'rtsp://your_stream_url'

# 使用OpenCV的VideoCapture连接到网络流
cap = cv2.VideoCapture(stream_url)

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    # 进行目标检测
    results = model(frame)

    # 显示结果
    cv2.imshow('YOLOv5 Detection on Network Stream', np.squeeze(results.render()))

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

6.3 YOLOv5模型结构的自定义调整

6.3.1 模型结构的自定义调整方法

在某些应用中，标准的YOLOv5模型可能不满足需求，比如检测速度、准确率或是特定的物体类别。此时，可以通过调整模型结构来自定义YOLOv5模型。

自定义模型结构的基本步骤包括：

  1. 修改模型的配置文件（通常是 .yaml 格式）。
  2. 重新训练模型，以使改动生效。

例如，如果我们希望增加模型的层数以提高准确率，需要调整配置文件中的层参数。

6.3.2 自定义调整模型结构的注意事项及可能出现的问题

注意事项：

  • 确保修改后的模型结构仍然具有良好的收敛性。
  • 调整后需重新训练，训练数据的质量将直接影响模型的性能。
  • 模型尺寸和计算量的增加可能会导致推理速度变慢。

可能出现的问题：

  • 过拟合，特别是在数据集较小的情况下。
  • 训练过程中的内存溢出，特别是在GPU资源有限时。

在调整模型结构后，可以通过比较不同模型在验证集上的表现来评估调整的效果。例如，通过绘制损失曲线和精度曲线来直观比较模型性能的变化。

本文还有配套的精品资源，点击获取 menu-r.4af5f7ec.gif

简介：YOLOv5，作为”You Only Look Once”的最新版本，是一个广泛流行于计算机视觉领域的快速准确实时目标检测模型。本教程将指导如何通过YOLOv5实现摄像头调用，以进行实时目标检测。涵盖了环境配置、下载模型、运行代码、实时显示以及如何进行自定义应用，适合希望快速应用目标检测技术的开发者。


本文还有配套的精品资源，点击获取
menu-r.4af5f7ec.gif

Logo
全球具身智能开发者社区

立足具身智能前沿赛道，致力于搭建全球化、开源化、全栈式技术交流与实践共创平台。

更多推荐

Marp for VS Code Web扩展使用指南：在浏览器中编辑幻灯片的方法

Marp for VS Code是一款强大的扩展工具，能让你在VS Code中使用Marp Markdown语法创建精美的幻灯片。通过Web扩展，你可以直接在浏览器中体验这一便捷功能，无需复杂配置即可快速上手幻灯片制作。## 快速开始：安装与基础设置要开始使用Marp for VS Code Web扩展，首先需要确保你的VS Code已安装该扩展。你可以通过扩展市场搜索"Marp"找到并安

avatar 全球具身智能开发者社区

YoMo安全机制详解：TLS v1.3如何保护你的AI代理通信

在当今AI驱动的分布式系统中，安全通信已成为不可忽视的核心需求。YoMo作为Serverless AI Agent Framework，采用TLS v1.3加密协议构建了强大的安全防护机制，确保AI代理在地理分布式边缘计算环境中的通信安全。本文将深入解析YoMo的TLS实现原理、配置方法及最佳实践，帮助开发者构建安全可靠的AI应用。## 为什么TLS v1.3是AI代理通信的理想选择TLS

avatar 全球具身智能开发者社区

InternScenes开源数据集

数据集介绍 InternScenes 是上海人工智能实验室发布的大规模、可模拟室内场景数据集，论文收录于 NeurIPS 2025。具身人工智能的发展高度依赖于具有场景多样性和逼真布局的大规模、可模拟3D场景数据集。然而，现有数据集通常存在以下不足：数据规模或多样性有限、布局经过"净化"处理导致小物体缺失，以及严重的物体碰撞问题。 为解决上述问题，InternScenes 整合

avatar 全球具身智能开发者社区