混淆过的DLL如何查看源码

基于RK3588上部署yolov5s模型源码（实时摄像头检测）高分项目

基于RK3588上部署yolov5s模型源码（实时摄像头检测）高分项目，含有代码注释，新手也可看懂，个人手打98分项目，导师非常认可的高分项目，毕业设计、期末大作业和课程设计高分必看，下载下来，简单部署，就可以使用。该项目可以直接作为毕设、期末大作业使用，代码都在里面，系统功能完善、界面美观、操作简单、功能齐全、管理便捷，具有很高的实际应用价值，项目都经过严格调试，确保可以运行！ 基于RK3588上部署yolov5s模型源码（实时摄像头检测）高分项目基于RK3588上部署yolov5s模型源码（实时摄像头检测）高分项目基于RK3588上部署yolov5s模型源码（实时摄像头检测）高分项目基于RK3588上部署yolov5s模型源码（实时摄像头检测）高分项目基于RK3588上部署yolov5s模型源码（实时摄像头检测）高分项目基于RK3588上部署yolov5s模型源码（实时摄像头检测）高分项目基于RK3588上部署yolov5s模型源码（实时摄像头检测）高分项目基于RK3588上部署yolov5s模型源码（实时摄像头检测）高分项目基于RK3588上部署yolov5s模型源码（实时摄

基于RK3588上部署yolov5s模型源码(实时摄像头检测)+使用说明（高分项目）.zip

基于RK3588上部署yolov5s模型源码(实时摄像头检测)+使用说明（高分项目）.zip 主要针对计算机相关专业的正在做课程设计和期末大作业的学生和需要项目实战练习的学习者。包含全部项目源码、该项目可以直接使用、项目都经过严格调试，下载即用确保可以运行！ 基于RK3588上部署yolov5s模型源码(实时摄像头检测)+使用说明（高分项目）.zip 主要针对计算机相关专业的正在做课程设计和期末大作业的学生和需要项目实战练习的学习者。包含全部项目源码、该项目可以直接使用、项目都经过严格调试，下载即用确保可以运行！基于RK3588上部署yolov5s模型源码(实时摄像头检测)+使用说明（高分项目）.zip 主要针对计算机相关专业的正在做课程设计和期末大作业的学生和需要项目实战练习的学习者。包含全部项目源码、该项目可以直接使用、项目都经过严格调试，下载即用确保可以运行！基于RK3588上部署yolov5s模型源码(实时摄像头检测)+使用说明（高分项目）.zip 主要针对计算机相关专业的正在做课程设计和期末大作业的学生和需要项目实战练习的学习者。包含全部项目源码、该项目可以直接使用、项目

基于RK3588上部署yolov5s模型源码(实时摄像头检测)+部署说明文档（高分项目）.zip

基于RK3588上部署yolov5s模型源码(实时摄像头检测)+部署说明文档.zip所需： 安装了Ubuntu20系统的RK3588 安装了Ubuntu18的电脑或者虚拟机 一、yolov5 PT模型获取 二、PT模型转onnx模型 三、onnx模型转rknn模型 我使用的是VMWare虚拟机安装的Ubuntu18.04系统，注意，不是在RK3588上，是在你的电脑或者虚拟机上操作这一步骤。 rknn-toolkit2-1.4.0所需python版本为3.6所以需要安装Miniconda来帮助管理。 安装Miniconda for Linux 进入到下载得到的Miniconda3-latest-Linux-x86_64.sh所在目录 chmod +x Miniconda3-latest-Linux-x86_64.sh ./Miniconda3-latest-Linux-x86_64.sh 提示什么都一直同意，直到安装完毕。 安装成功后，重新打开终端。 如果安装成功，终端最前面应该会有一个(base) 安装失败的去参考别的Miniconda3安装教程。 创建虚拟环境: conda

基于RK3588上部署yolov5s模型源码(实时摄像头检测)+部署说明文档.zip

【资源介绍】 基于RK3588上部署yolov5s模型源码(实时摄像头检测)+部署说明文档.zip 该项目是个人毕设项目，答辩评审分达到95分，代码都经过调试测试，确保可以运行！欢迎下载使用，可用于小白学习、进阶。 该资源主要针对计算机、通信、人工智能、自动化等相关专业的学生、老师或从业者下载使用，亦可作为期末课程设计、课程大作业、毕业设计等。 项目整体具有较高的学习借鉴价值！基础能力强的可以在此基础上修改调整，以实现不同的功能。 yolov5模型(.pt)在RK3588(S)上的部署(实时摄像头检测) - 所需： - 安装了Ubuntu20系统的RK3588 - 安装了Ubuntu18的电脑或者虚拟机 <details> <summary>一、yolov5 PT模型获取</summary> [Anaconda教程](https://blog.csdn.net/qq_25033587/article/details/89377259)\ [YOLOv5教程](https://zhuanlan.zhihu.com/p/501798155)\ 经过上面两个教程之后，你应该获取了自己的`best.pt`文件 </details> <details> <summary>二、PT模型转onnx模型</summary> - 将`models/yolo.py`文件中的`class`类下的`forward`函数由： ```python def forward(self, x): z = [] # inference output for i in range(self.nl): x[i] = self.m[i](x[i]) # conv bs, _, ny, nx = x[i].shape # x(bs,255,20,20) to x(bs,3,20,20,85) x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous() if not self.training: # inference if self.dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]: self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i) if isinstance(self, Segment): # (boxes + masks) xy, wh, conf, mask = x[i].split((2, 2, self.nc + 1, self.no - self.nc - 5), 4) xy = (xy.sigmoid() * 2 + self.grid[i]) * self.stride[i] # xy wh = (wh.sigmoid() * 2) ** 2 * self.anchor_grid[i] # wh y = torch.cat((xy, wh, conf.sigmoid(), mask), 4) else: # Detect (boxes only) xy, wh, conf = x[i].sigmoid().split((2, 2, self.nc + 1), 4) xy = (xy * 2 + self.grid[i]) * self.stride[i] # xy wh = (wh * 2) ** 2 * self.anchor_grid[i] # wh y = torch.cat((xy, wh, conf), 4) z.append(y.view(bs, self.na * nx * ny, self.no)) return x if self.training else (torch.cat(z, 1),) if self.export else (torch.cat(z, 1), x) ``` 改为： ```python def forward(self, x): z = [] # inference

rk3588rk3588s使用c++多线程异步等优化c++实现源码(yolov5运行可达到135fps)+项目使用说明.zip

rk3588rk3588s使用c++多线程异步等优化c++实现源码(yolov5运行可达到135fps)+项目使用说明.zip 【资源介绍】 该项目为c++实现, 大体改自rknpu2 使用线程池异步操作rknn模型, 提高rk3588/rk3588s的NPU使用率, 进而提高推理帧数 yolov5s使用relu激活函数进行优化,提高量化能力 rk3568等请自行修改include/rknnPool.hpp下的rknn_lite类和rknnPool的构造函数 演示 系统需安装有OpenCV 下载Releases中的测试视频于项目根目录,运行build-linux_RK3588.sh 可切换至root用户运行performance.sh定频提高性能和稳定性 编译完成后进入install运行命令./rknn_yolov5_demo 模型所在路径 视频所在路径/摄像头序号 部署应用 修改include/rknnPool.hpp中的rknn_lite类 修改inclue/rknnPool.hpp中的rknnPool类的构造函数 多线程模型帧率测试 更多详细介绍请看说明文档！