首页
学习
活动
专区
圈层
工具
发布

用Jetson NANO做一个飞镖计分应用

国外一个开发者,做了一个应用程序,通过应用对象检测自动计算飞镖分数。 此应用程序通过 SSD-Mobilenet 的迁移学习来检测Bull(飞镖靶的中心)和箭头。...例如,由于有 61 种不同的飞镖分数模式,它们是数字 1-20 和倍数(单、双、三)+ Bull的组合,我们必须确保相应地检测到飞镖的一部分。...项目只使用了Jetson NANO和一个罗技摄像头(C920),确认摄像头已连接后,调整飞镖靶和摄像头的位置。摄像头应直接定位在飞镖靶的正前方,摄像头与飞镖靶之间的距离应在60cm到80cm左右。...如何运作 此应用程序使用 SSD-Mobilenet,但它只检测Bull(飞镖靶的中心)和箭头。仅 SSD-Mobilenet 不足以估计分数。为了确定分数,我们使用箭头从飞镖中心点的位置和角度信息。...用户向飞镖靶投掷箭头。 当箭头贴在飞镖靶上时,SSD-Mobilenet 检测到箭头。 根据箭头与Bull(镖靶中心)的相对角度估算得分(1-20)。

1K10

比物理学不存在更恐怖的,是圆周率|Happy Pi Day

祖冲之 在之后近800年的时间内,这都是准确度最高的π估算值。 其实,圆周率的估算,在古代有着很直接的现实意义。...假设有一组距离为a的平行线,投掷的牙签长为l,牙签与直线相交的概率,可以这样简单计算: 简易示意图 假设牙签AD与直线MN相交,B是牙签的中点,牙签与直线的夹角为θ,B点到直线MN的垂直距离为s,则需要满足...理论上而言,随着投掷的次数增加,就可以得到越来越准确的π值,历史上也有不少人曾经进行过这个实验: 部分历史实验数据表格,来源[2] 如果仔细观察,就可以发现,π值的精确度似乎并不和投掷次数成正比。...鲁道夫投掷了5000次,拉兹里尼只投掷了3408次,但得到的π值,却比鲁道夫精确很多。 对此,有不少学者曾经怀疑拉兹里尼的数据造假。...但实际上,这个投掷实验还涉及到最优停止问题:究竟投到多少次停止,才能获得较优解。

53820
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    圆形靶内的最大飞镖数量(几何题)

    题目 墙壁上挂着一个圆形的飞镖靶。现在请你蒙着眼睛向靶上投掷飞镖。 投掷到墙上的飞镖用二维平面上的点坐标数组表示。飞镖靶的半径为 r 。...请返回能够落在 任意 半径为 r 的圆形靶内或靶上的最大飞镖数。 示例 1: ?...输入:points = [[-2,0],[2,0],[0,2],[0,-2]], r = 2 输出:4 解释:如果圆形的飞镖靶的圆心为 (0,0) ,半径为 2 , 所有的飞镖都落在靶上,此时落在靶上的飞镖数最大...输入:points = [[-3,0],[3,0],[2,6],[5,4],[0,9],[7,8]], r = 5 输出:5 解释:如果圆形的飞镖靶的圆心为 (0,4) ,半径为 5 , 则除了 (7,8...) 之外的飞镖都落在靶上,此时落在靶上的飞镖数最大,值为 5 。

    76420

    秘籍 | 数据竞赛大杀器之模型融合(stacking & blending)

    假设有四个人在板子上投了187个飞镖。对于其中的150个飞镖,我们可以看到每个是谁投掷的以及飞镖落在了哪。而其余的,我们只能看到飞镖落在了哪里。...我们的任务就基于它们的着陆点来猜测谁投掷的每个未标记的飞镖。 ? K最近邻(基本模型1) 让我们使用K最近邻模型来尝试解决这个分类问题。...不出所料,SVM在分类Bob的投掷和Sue的投掷方面做得很好,但是在分类Kate的投掷和Mark的投掷方面做得不好。对于最近邻模型,情况正好相反。 提示:堆叠这些模型可能会卓有成效。...KNN似乎在分类投掷于中心附近的飞镖上做得更好,SVM模型在分类远离中心的飞镖上表现得更好。 让我们来看看使用逻辑回归来堆叠我们的模型。

    1.1K30

    Python 伪随机数:random库的使用

    ---- 2.random库应用: 的计算 (圆周率)是一个无理数,即无限不循环小数。精确求解圆周率 是几何学、物理学和很多工程学科的关键。...应用蒙特卡罗方法求解 的基本步骤如下: 随机向单位正方形和圆结构,抛洒大量“飞镖”点 计算每个点到圆心的距离从而判断该点在圆内或者圆外 用圆内的点数除以总点数就是 /4值。...利用 蒙特卡罗(Monte Carlo)方法 计算圆周率 的值: import random dot = 0 dots = int(input('请输入要抛洒的飞镖数:')) for i...random.random() r = (x**2 + y**2)**0.5 if r <= 1: dot += 1 pi = 4 * (dot / dots) print(f'所得圆周率为...:{pi}') 随着抛洒飞镖的数量的增加,计算出的圆周率值也更加精确。

    1.8K20

    蒙特卡罗(Monte Carlo)方法——从数学原理到实际案例

    以投飞镖为例,向R中投掷N次飞镖,那么 这就是蒙特卡罗法。再比如下面图形求阴影面积,使用蒙特卡罗将是一个很好的选择。...最初,随机抽样试验的形式是投掷飞镖、掷硬币、投骰子等,并观察理论概率和频率。随着计算机技术的出现和发展,这种多次重复进行的随机抽样试验特别适合计算机来执行。...比如,投掷一个骰子可以产生1-6的随机序列,放射性物质粒子发射之间的时间间隔生成的指数分布的观测样本。...Monte Carlo方法实例 投硬币模拟试验 硬币投掷试验是最经典的随机试验之一,下面通过计算机程序来模拟硬币投掷试验。...共产生N个随机点,计算距离原点不大于1的点的个数(即落在圆内的点的个数)n,那么圆周率的值近似为4n/N。

    5.1K10

    Python大数据之PySpark(二)PySpark安装

    webui 注意: 1-1个Spark的Applicaition下面有很多Job 2-1个Job下面有很多Stage Jupyter环境设置 监控页面 4040的端口 运行圆周率...Hadoop中可以使用 hadoop jar xxxx.jar 100 yarn jar xxxx.jar 1000 跑的mr的任务 Spark中也有对应的提交任务的代码 spark-submit 提交圆周率的计算代码...spark-submit \ --master local[2] \ /export/server/spark/examples/src/main/python/pi.py \ 10 蒙特卡洛方法求解PI 采用的扔飞镖的方法...hadoop/mapreduce/hadoop-mapreduce-examples-3.3.0.jar pi 10 10 hadoop提交任务中使用 第一个10代表是map任务,第二10代表每个map任务投掷的次数...spark-submit的提交的参数10的含义是投掷的次数 简单的py代码 def pi(times): # times的意思是落入到正方形的次数 x_time = 0 for i in range

    4.1K30

    【AIGC】数理工科研究:深入解析数值分析法

    数值分析的起源: 古代:古埃及与古希腊数学家利用几何方法来估算圆的面积和圆周率(π)的近似值。 中世纪:牛顿等人使用数值方法解决代数和初等函数的问题,如牛顿法用于求方程的根。...我们可以在一个边长为2的正方形内随机投掷点,单位圆被正方形完全包含。 例子:假设我们投掷了 10,000 个点。 3. 计算落在圆内的点数量 解释:统计落在单位圆内的点的数量,用来估算圆的面积。...估算面积 解释:圆内点数与总投掷点数的比值,与圆的面积和正方形面积的比值相等。 例子:圆的面积估算为 ((7853 / 10000) \times 4 = 3.1412)。...收敛性和误差 解释:随着投掷点数的增加,估算的面积将更接近真实的圆面积,误差会逐渐减小。 例子:如果我们增加到 1,000,000 个点,估算的面积值可能接近 3.142,这比之前更接近真实值。...分析结果 解释:通过模拟,我们可以评估估算的准确性和误差。 例子:我们可能仅有 0.0004 的误差,这与 π 的真实值非常接近。 这种方法基于随机性,精度依赖于投掷点数的多少。

    73410

    圆周率怎么玩?

    小谈圆周率 圆周率是圆的周长与直径的比值,一般用希腊字母π表示,是一个在数学及物理学中普遍存在的数学常数。π也等于圆形之面积与半径平方之比,是精确计算圆周长、圆面积、球体积等几何形状的关键值。...Monte Carlo方法是这样一种“随机化”的方法:向该正方形“随机地”投掷N个点,有M个点落于“图形”内,则该“图形”的面积近似为M/N。...用蒙特卡罗方法求解圆周率 工程上常用蒙特卡罗方法求解圆周率。...pi=0 N=100 for k in range(N): pi+=1/pow(16,k)*(4/(8*k+1)-2/(8*k+4)-1/(8*k+5)-1/(8*k+6)) print("圆周率的值为...现在即可用random库产生的随机数来模仿蒙特卡罗的随机性,即在一个正方形内有一个1/4圆,在正方形内随机的丢石子,最后根据石子在圆内的数量来计算圆周率的近似值。

    1.5K30

    谷歌实习生开发“神投手”:14小时精通物理学,扔东西比你还准

    Andy Zeng也提交了一篇《TossingBot:学习用RP模型投掷任意物体》的论文,详细叙述了这一研究过程。 ?...万事开头难 投掷是一项难度特别高的任务,主要取决于多种因素:从物体被拾取的方式(即“投掷前条件”),到物体的物理属性(如质量、摩擦力、空气动力学等)。...在学习投掷时,目标投掷区域会提前给出。RP 模型将首先利用弹道学公式,计算出物体的理论投掷速度(v),然后再引入物理特征,由神经网络估算出调整值,作为未知动态参数与现实世界噪声和多变性的补偿(δ)。...最后结合 v 和 δ,得出最终投掷速度。 即使是没有训练过的投掷区域,我也可以很好地处理,因为在准确估算投掷轨迹的基础上,补偿值 δ 很好地弥补了“投掷区域改变”这一变量。...大概我尝试了10,000次左右(14小时)的抓取和投掷后, 投掷精度达到了85%,并且在杂乱物品中的抓取准确度达到了87%。 我自己都惊呆了! 新的尝试 我喜欢突破自我!

    78920

    机器学习比赛大杀器----模型融合(stacking & blending)

    ---- 另外的python 版本的blending https://github.com/emanuele/kaggle_pbr ---- 动机 假设有四个人在板子上投了187个飞镖。...对于其中的150个飞镖,我们可以看到每个是谁投掷的以及飞镖落在了哪。而其余的,我们只能看到飞镖落在了哪里。我们的任务就基于它们的着陆点来猜测谁投掷的每个未标记的飞镖。 ?...不出所料,SVM在分类Bob的投掷和Sue的投掷方面做得很好,但是在分类Kate的投掷和Mark的投掷方面做得不好。对于最近邻模型,情况正好相反。 提示:堆叠这些模型可能会卓有成效。...KNN似乎在分类投掷于中心附近的飞镖上做得更好,SVM模型在分类远离中心的飞镖上表现得更好。 让我们来看看使用逻辑回归来堆叠我们的模型。

    5.4K40
    领券