資料介紹
例如,未來(lái)的城市,也被稱為智慧城市,應(yīng)該部署攝像頭網(wǎng)絡(luò)來(lái)提供監(jiān)控以防止犯罪、有效管理交通并減少能源使用。其工作原理基于多層神經(jīng)網(wǎng)絡(luò),使用無(wú)限數(shù)據(jù)集進(jìn)行訓(xùn)練。然而,訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)是一項(xiàng)計(jì)算密集型任務(wù),需要并行執(zhí)行許多矩陣乘法運(yùn)算。因此,許多最先進(jìn)的商用單板計(jì)算機(jī)不是執(zhí)行上述任務(wù)的合適硬件平臺(tái),因?yàn)樗鼈兪菃尉€程性能優(yōu)化架構(gòu)。隨著開(kāi)發(fā)人員套件的到來(lái),例如 NVIDIA 的 Jetson Nano,專門用于運(yùn)行人工智能工作負(fù)載,
?
在這個(gè)項(xiàng)目中,我們將注意力集中在計(jì)算機(jī)視覺(jué)中的一個(gè)突出主題:行人分析。我們根據(jù)人們行為分析可以為地方當(dāng)局提供的不同用例做出這一選擇,以定制該技術(shù)可能定位的當(dāng)?shù)厝丝诘男枨蟆?/font>例如,我們?cè)O(shè)想以下應(yīng)用程序:
- 統(tǒng)計(jì)出入地鐵或公交車站的人數(shù),以規(guī)范行人交通。
- 統(tǒng)計(jì)在商店櫥窗里看文章的人數(shù),以建立一定數(shù)量的潛在客戶。
使用深度學(xué)習(xí)算法計(jì)算人數(shù)絕非易事,因?yàn)樵谟?xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)需要考慮許多參數(shù)。例如,捕獲相機(jī)所在的高度會(huì)擾亂快照的質(zhì)量,從而給圖片引入噪點(diǎn),從而更難跟蹤照片場(chǎng)景中的每個(gè)行人。因此,訓(xùn)練階段可能意味著進(jìn)一步的步驟來(lái)識(shí)別圖像的屬性。
解決方案
為了克服這些挑戰(zhàn),我們提出了一種基于 NVIDIA Jetson Nano 的解決方案來(lái)計(jì)算從攝像機(jī)前經(jīng)過(guò)的人數(shù)。我們算法的工作原理基于以下任務(wù):
- 以高捕捉率捕捉圖像。
- 不同幀率下的人物檢測(cè)。
- 跟蹤每個(gè)檢測(cè)到的人以在下一個(gè)數(shù)據(jù)幀中關(guān)聯(lián)。
- 通過(guò)在每個(gè)快照上區(qū)分個(gè)體來(lái)對(duì)個(gè)體進(jìn)行計(jì)數(shù)。
除了人數(shù)統(tǒng)計(jì)算法外,還開(kāi)發(fā)了一個(gè)基于網(wǎng)絡(luò)的應(yīng)用程序,以使用用戶選擇的各種參數(shù)來(lái)監(jiān)控跟蹤和統(tǒng)計(jì)結(jié)果。
項(xiàng)目計(jì)劃
這個(gè)項(xiàng)目使用了一個(gè)攝像頭,可以從街道上無(wú)縫捕捉圖像,并將它們傳輸?shù)?NVIDIA 的 Jetson Nano 進(jìn)行進(jìn)一步處理。除了圖像處理之外,Jetson Nano 還托管一個(gè)基于 Web 的應(yīng)用程序,連接到托管該應(yīng)用程序的互聯(lián)網(wǎng)的所有設(shè)備都可以訪問(wèn)該應(yīng)用程序。這個(gè)項(xiàng)目需要一個(gè)攝像頭從街道上捕捉圖像并將它們傳輸?shù)?Jetson Nano 以處理信息。

硬件
本節(jié)列出了開(kāi)發(fā)該項(xiàng)目所需的硬件組件:
- Jetson Nano 開(kāi)發(fā)者套件
- Jetson Nano Waveshare 金屬外殼(B 型)
- IMX219 傳感器 160 度 8MP 網(wǎng)絡(luò)攝像頭
- 無(wú)線網(wǎng)卡AC8265
- 微型SD卡
您可以在此處找到在 Waveshare 金屬外殼中組裝 Jetson Nano 的說(shuō)明。

執(zhí)行
NVIDIA 的 Jetson Nano 附帶一個(gè)軟件開(kāi)發(fā)工具包,稱為 Jetpack 4.3.1,它是 GNU/Linux Ubuntu 操作系統(tǒng)的變體,用于構(gòu)建人工智能應(yīng)用程序。此 SDK 的安裝說(shuō)明可在以下鏈接中找到。
該應(yīng)用程序有 2 個(gè)主要組件:
- 一個(gè) python 編寫(xiě)的后端應(yīng)用程序。
- 基于 Angular 8 框架的 typescript 編寫(xiě)的前端應(yīng)用程序。
后端應(yīng)用程序執(zhí)行以下任務(wù):
- 從相機(jī)源捕獲幀。
- 加載對(duì)象檢測(cè)算法。
- 在每一幀上運(yùn)行推理。
- 過(guò)濾圖像圖像。
- 通過(guò) API 公開(kāi)結(jié)果。
前端應(yīng)用程序改為使用后端的 API 來(lái)呈現(xiàn)結(jié)果并處理捕獲的數(shù)據(jù)。在以下部分中,將詳細(xì)介紹后端和前端應(yīng)用程序,重點(diǎn)介紹其每個(gè)組件。讀者可以在本文末尾找到完整的源代碼。

后端 - 捕獲信息
將攝像頭捕獲的數(shù)據(jù)提取到 NVIDIA 的 Jetson Nano 中的最快方法是使用 gstream-lib 庫(kù),該庫(kù)從插入的 CSI 攝像頭的流源中設(shè)置。OpenCV 的 VideoCapture 函數(shù)通過(guò)從設(shè)備內(nèi)存中的指定緩沖區(qū)獲取圖像數(shù)據(jù)來(lái)讀取流式源。
后端 - 對(duì)象檢測(cè)
對(duì)象檢測(cè) API 基于構(gòu)建在 TensorRT 之上的檢測(cè)框架,可簡(jiǎn)化 Mobilenet SSD 模型的加載。在初始化期間,NVIDIA 的 Jetson Nano 使用 PyCUDA python 庫(kù)來(lái)訪問(wèn) CUDA 的并行計(jì)算 API。同時(shí),它創(chuàng)建了一個(gè)流屬性,可以在 Jetson Nano 的內(nèi)存中獲取拍攝的圖像,以使用深度學(xué)習(xí)訓(xùn)練的模型執(zhí)行推理操作。
class TrtSSD(object):
""" TensorRT SSD mobilenet implementation """
def _load_plugins(self):
ctypes.CDLL("models/ssd_mobilenet/libflattenconcat.so")
trt.init_libnvinfer_plugins(self.trt_logger, '')
def _load_engine(self):
TRTbin = 'models/ssd_mobilenet/TRT_%s.bin' % self.model
with open(TRTbin, 'rb') as f, trt.Runtime(self.trt_logger) as runtime:
return runtime.deserialize_cuda_engine(f.read())
def _create_context(self):
for binding in self.engine:
size = trt.volume(self.engine.get_binding_shape(binding)) * \
self.engine.max_batch_size
host_mem = cuda.pagelocked_empty(size, np.float32)
cuda_mem = cuda.mem_alloc(host_mem.nbytes)
self.bindings.append(int(cuda_mem))
if self.engine.binding_is_input(binding):
self.host_inputs.append(host_mem)
self.cuda_inputs.append(cuda_mem)
else:
self.host_outputs.append(host_mem)
self.cuda_outputs.append(cuda_mem)
return self.engine.create_execution_context()
def __init__(self, model, input_shape, output_layout=7):
"""Initialize TensorRT plugins, engine and conetxt."""
self.model = model
self.input_shape = input_shape
self.output_layout = output_layout
self.trt_logger = trt.Logger(trt.Logger.INFO)
self._load_plugins()
self.engine = self._load_engine()
self.host_inputs = []
self.cuda_inputs = []
self.host_outputs = []
self.cuda_outputs = []
self.bindings = []
self.stream = cuda.Stream()
self.context = self._create_context()
def __del__(self):
"""Free CUDA memories."""
del self.stream
del self.cuda_outputs
del self.cuda_inputs
def detect(self, img, conf_th=0.3, conf_class=[]):
"""Detect objects in the input image."""
img_resized = _preprocess_trt(img, self.input_shape)
np.copyto(self.host_inputs[0], img_resized.ravel())
cuda.memcpy_htod_async(
self.cuda_inputs[0], self.host_inputs[0], self.stream)
self.context.execute_async(
batch_size=1,
bindings=self.bindings,
stream_handle=self.stream.handle)
cuda.memcpy_dtoh_async(
self.host_outputs[1], self.cuda_outputs[1], self.stream)
cuda.memcpy_dtoh_async(
self.host_outputs[0], self.cuda_outputs[0], self.stream)
self.stream.synchronize()
output = self.host_outputs[0]
return _postprocess_trt(img, output, conf_th, self.output_layout, conf_class)
在推理結(jié)束時(shí),根據(jù)檢測(cè)目的,基于置信概率閾值做出對(duì)象檢測(cè)決策。SSD MobileNet 模型在 Coco 數(shù)據(jù)集上獲取神經(jīng)網(wǎng)絡(luò)的預(yù)訓(xùn)練權(quán)重,產(chǎn)生 80 個(gè)輸出類。對(duì)于行人分析,引入了一個(gè)名為“Person”的類來(lái)收集檢測(cè)算法執(zhí)行期間使用的所有屬性。
檢測(cè)模型的驗(yàn)證是通過(guò)樣本圖像在模塊中完成的,這使我們能夠毫不費(fèi)力地交換被測(cè)模型。隨后,我們使用 Github 的 Actions 來(lái)評(píng)估每個(gè)模型的性能,避免在引入修改時(shí)出現(xiàn)故障。用戶可以使用 Pytest 框架訪問(wèn)目錄“Test”中的模型評(píng)估。
后端 - 對(duì)象跟蹤
當(dāng)人在圖像中可見(jiàn)時(shí),對(duì)象定位模塊會(huì)繪制一個(gè)邊界框。對(duì)象跟蹤算法連接到對(duì)象定位模塊的輸出,以確定何時(shí)有人進(jìn)入快照?qǐng)鼍?,量化在捕獲攝像機(jī)前經(jīng)過(guò)的人數(shù)。兩種算法都使用稱為“t”的時(shí)間度量來(lái)存儲(chǔ)與邊界框質(zhì)心相關(guān)的信息。在下一個(gè)時(shí)間間隔“t+1”中,它使用以下參數(shù)關(guān)聯(lián)兩個(gè)檢測(cè)到的質(zhì)心:
- 最近的幀被認(rèn)為是同一個(gè)對(duì)象。
- 當(dāng)存儲(chǔ)在內(nèi)存中的前一幀和當(dāng)前幀不匹配時(shí),一個(gè)離開(kāi)的對(duì)象被認(rèn)為是“消失的”。
- 當(dāng)沒(méi)有檢測(cè)到對(duì)象的先前幀時(shí),對(duì)象被認(rèn)為是“新的”。
- 考慮到質(zhì)心在先前幀中的位置,計(jì)算質(zhì)心之間的距離。

該算法的魯棒性依賴于在保持與先前幀的質(zhì)心位置相關(guān)的信息的基礎(chǔ)上跟蹤快照?qǐng)鼍爸卸鄠€(gè)對(duì)象的準(zhǔn)確性。有關(guān)實(shí)現(xiàn)算法的更多詳細(xì)信息,請(qǐng)參閱 pyimagesearch 的博客。
后端 - Flask 應(yīng)用程序
后端 API 構(gòu)建在 Flask Web 應(yīng)用程序框架之上,它將 URL 路由鏈接到 Python 函數(shù)。本項(xiàng)目應(yīng)用的主要路線有:
- ”/” 和 “/” 渲染來(lái)自靜態(tài)前端應(yīng)用程序的 html、css 和 js 文件。
- “/imgs/” 以 jpg 字節(jié)發(fā)送圖像
- “/api/delete”刪除本地圖片
- “/api/single_image” 從相機(jī)捕獲圖像,如果需要運(yùn)行對(duì)象檢測(cè)算法,然后將其發(fā)送到前端。
- “/api/images”根據(jù)日期、時(shí)間和檢測(cè)到的對(duì)象類型等輸入過(guò)濾器發(fā)送圖像列表。
- “/api/list_files” 用于計(jì)算每種過(guò)濾器的圖像數(shù)量,例如日期、時(shí)間和檢測(cè)到的對(duì)象類型。
前端
開(kāi)發(fā)了一個(gè)基于 Angular 8 的 Web 應(yīng)用程序來(lái)執(zhí)行一些處理操作并直接從圖像中提取信息。這個(gè)基于 Web 的應(yīng)用程序通過(guò) API 與后端應(yīng)用程序交互,可以在沒(méi)有主要限制的情況下加載保存的圖像。
用戶可以通過(guò)四個(gè)按鈕與 Web 應(yīng)用程序交互:
- 實(shí)時(shí)捕獲模式用于動(dòng)態(tài)修改每秒幀數(shù),并執(zhí)行對(duì)象檢測(cè)和跟蹤算法。
- 統(tǒng)計(jì)模式通過(guò) ChartJS 圖表即時(shí)查看快照的統(tǒng)計(jì)數(shù)據(jù)。此外,它還提供了以馬賽克模式可視化照片的選項(xiàng)。
- Celery 任務(wù)模式可視化在處理階段執(zhí)行的循環(huán)異步任務(wù)。
- 按日期過(guò)濾馬賽克照片的數(shù)據(jù)選擇器。

?


結(jié)果
在許多深度學(xué)習(xí)用例中,算法的推理階段是在邊緣設(shè)備上完成的,而神經(jīng)網(wǎng)絡(luò)的訓(xùn)練階段是在云端完成的。我們?cè)谌N不同的硬件架構(gòu)上測(cè)試了對(duì)象檢測(cè)應(yīng)用程序的推理階段:x86、ARM 和 Maxwell GPU。廣泛使用的 Intel 和 AMD 處理器中的 x86 架構(gòu)簡(jiǎn)化了深度學(xué)習(xí)算法的開(kāi)發(fā),因?yàn)樵S多庫(kù)可用于執(zhí)行對(duì)象檢測(cè)任務(wù)。然而,由于嚴(yán)格的功耗限制,這種架構(gòu)不適合物聯(lián)網(wǎng)設(shè)備。另一方面,Raspberry Pi 內(nèi)置的 ARM 處理器在實(shí)時(shí)檢測(cè)階段和干擾階段都沒(méi)有提供良好的性能。除了被其他架構(gòu)超越之外,Raspberry Pi 的 ARM 內(nèi)核需要持續(xù)冷卻,以避免在神經(jīng)網(wǎng)絡(luò)訓(xùn)練期間發(fā)生節(jié)流。最后,集成在 NVIDIA 的 Jetson Nano 上的 Maxwell GPU 在性能和功耗之間提供了良好的平衡,因?yàn)榛?Tensor RT 框架構(gòu)建的對(duì)象檢測(cè)算法由于其被動(dòng)冷卻可以在很長(zhǎng)一段時(shí)間內(nèi)平穩(wěn)執(zhí)行系統(tǒng)和一個(gè)附加的外部風(fēng)扇。一個(gè)突出的事實(shí)是,與 x86 架構(gòu)相比,我們?cè)?SSD Mobilenet 模型的推理階段獲得了更好的性能。下表顯示了每個(gè)架構(gòu)在訓(xùn)練和推理階段的延遲結(jié)果:集成在 NVIDIA 的 Jetson Nano 上的 Maxwell GPU 在性能和功耗之間提供了良好的平衡,因?yàn)榛?Tensor RT 框架構(gòu)建的對(duì)象檢測(cè)算法由于其被動(dòng)冷卻系統(tǒng)可以在很長(zhǎng)一段時(shí)間內(nèi)平穩(wěn)執(zhí)行,并且一個(gè)附加的外部風(fēng)扇。一個(gè)突出的事實(shí)是,與 x86 架構(gòu)相比,我們?cè)?SSD Mobilenet 模型的推理階段獲得了更好的性能。下表顯示了每個(gè)架構(gòu)在訓(xùn)練和推理階段的延遲結(jié)果:集成在 NVIDIA 的 Jetson Nano 上的 Maxwell GPU 在性能和功耗之間提供了良好的平衡,因?yàn)榛?Tensor RT 框架構(gòu)建的對(duì)象檢測(cè)算法由于其被動(dòng)冷卻系統(tǒng)可以在很長(zhǎng)一段時(shí)間內(nèi)平穩(wěn)執(zhí)行,并且一個(gè)附加的外部風(fēng)扇。一個(gè)突出的事實(shí)是,與 x86 架構(gòu)相比,我們?cè)?SSD Mobilenet 模型的推理階段獲得了更好的性能。下表顯示了每個(gè)架構(gòu)在訓(xùn)練和推理階段的延遲結(jié)果:

對(duì)象跟蹤是使用 Celery 任務(wù)管理器執(zhí)行的。通過(guò)基于 Web 的應(yīng)用程序內(nèi)置的按鈕,可以啟動(dòng)對(duì)象跟蹤任務(wù),檢查后臺(tái)運(yùn)行的其他進(jìn)程。
最后但并非最不重要的一點(diǎn)是,用于驗(yàn)證對(duì)象檢測(cè)和跟蹤的場(chǎng)景是辦公室內(nèi)的走廊,在正常工作日期間有 130 人經(jīng)過(guò)。在下面的捕獲編譯中,讀者可以觀察到我們實(shí)現(xiàn)的結(jié)果。
結(jié)論
在這個(gè)項(xiàng)目的制定和部署過(guò)程中,我們了解了 NVIDIA 的 Jetson Nano 提供的許多優(yōu)勢(shì),可以執(zhí)行應(yīng)用于真實(shí)場(chǎng)景中的對(duì)象檢測(cè)和跟蹤的深度學(xué)習(xí)任務(wù)。該設(shè)備成功地在長(zhǎng)時(shí)間內(nèi)識(shí)別和跟蹤人員,而不會(huì)達(dá)到失控的內(nèi)部溫度。此外,它的小尺寸因素使其成為物聯(lián)網(wǎng)應(yīng)用的理想選擇,因?yàn)樗兄谠谄h(yuǎn)或危險(xiǎn)區(qū)域進(jìn)行安裝。
我們通過(guò)將神經(jīng)網(wǎng)絡(luò)的訓(xùn)練階段卸載到服務(wù)器上,在邊緣設(shè)備上維護(hù)推理階段來(lái)展示邊緣計(jì)算的概念。為了利用云上的計(jì)算,我們將數(shù)據(jù)從其來(lái)源(在本例中為 CSI 攝像機(jī))移動(dòng)到外部處理單元,克服了這種遷移的隱性挑戰(zhàn),例如延遲、可擴(kuò)展性、隱私和動(dòng)態(tài)網(wǎng)絡(luò)內(nèi)部的協(xié)調(diào)條件。
總之,我們的檢測(cè)和跟蹤深度學(xué)習(xí)算法的實(shí)施有效地解決了辦公室場(chǎng)景的動(dòng)態(tài)行為,而不會(huì)被大量的物體所淹沒(méi),在這種情況下,人們?cè)谝粋€(gè)普通的工作日出現(xiàn)。基于網(wǎng)絡(luò)的應(yīng)用程序通過(guò)引入簡(jiǎn)單的圖像過(guò)濾器實(shí)現(xiàn)了進(jìn)一步的圖像處理。
最后,我們想強(qiáng)調(diào)的是,這只是深度學(xué)習(xí)算法的眾多用例之一,在 NVIDIA 的 Jetson Nano 等強(qiáng)大平臺(tái)上實(shí)施,可以提供解決社會(huì)日常問(wèn)題的方法。通過(guò)添加更好的捕獲設(shè)備、實(shí)施新的檢測(cè)解決方案,或者在將數(shù)據(jù)遷移到云中的集中位置期間簡(jiǎn)單地建立新的漏洞條件,可以利用這項(xiàng)工作的許多擴(kuò)展。
- 使用Azure和Nvidia Jetson的智能閉路電視
- 使用Jetson Nano構(gòu)建人臉識(shí)別系統(tǒng)
- 基于Jetson NANO的助手機(jī)器人
- CUDA與Jetson Nano:并行Pollard Rho測(cè)試
- 使用Jetson Nano的CSI相機(jī)接口
- Nvidia Jetson Nano面罩Yolov4探測(cè)器
- NVIDIA Jetson開(kāi)發(fā)者工具包 0次下載
- 玩轉(zhuǎn)智能硬件(一)Jetson Nano安裝篇
- 玩轉(zhuǎn)智能硬件(二)Jetson Nano配置篇
- 玩轉(zhuǎn)智能硬件(三)Jetson Nano深度學(xué)習(xí)環(huán)境搭建
- NVIDIA Jetson Nano 2GB 系列文章(1):開(kāi)箱介紹
- 【從零開(kāi)始學(xué)深度學(xué)習(xí)編譯器】番外二,在Jetson Nano上玩TVM
- NVIDIA Jetson Nano 電源適配器 (供電)
- YOLO v4在jetson nano的安裝及測(cè)試
- NVIDIA Jetson TX2顯存的數(shù)據(jù)手冊(cè)免費(fèi)下載 22次下載
- 使用NVIDIA JetPack 6.0和YOLOv8構(gòu)建智能交通應(yīng)用 530次閱讀
- NVIDIA Jetson Orin Nano開(kāi)發(fā)套件 1172次閱讀
- 英偉達(dá)Jetson設(shè)備上的YOLOv8性能基準(zhǔn)測(cè)試 6634次閱讀
- 簡(jiǎn)單易學(xué)的Jetson Nano問(wèn)題排除小秘訣 8846次閱讀
- 使用NVIDIA Jetson Orin Nano解決入門級(jí)邊緣人工智能挑戰(zhàn) 2567次閱讀
- 將Jetson AGX Orin開(kāi)發(fā)者套件轉(zhuǎn)化為任何Jetson Orin模塊 2113次閱讀
- DeepStream Samples版的操作環(huán)境調(diào)試過(guò)程 1501次閱讀
- 采用NVIDIA Jetson助力視頻數(shù)據(jù)低時(shí)延傳輸,提高智能分析標(biāo)準(zhǔn) 3231次閱讀
- 微雪電子人工智能開(kāi)發(fā)套件AI計(jì)算機(jī)介紹 972次閱讀
- 微雪電子 IMX219-77攝像頭介紹 3501次閱讀
- 微雪電子 IMX219-160攝像頭介紹 3512次閱讀
- 微雪電子攝像頭 IMX219-200介紹 5905次閱讀
- 微雪電子 人工智能開(kāi)發(fā)套件 AI計(jì)算機(jī)介紹 1832次閱讀
- 微雪電子NVIDIA Jetson Nano人工智能開(kāi)發(fā)套件AI板介紹 5597次閱讀
- 用Jetson Nano打造您的專屬機(jī)器人 1.1w次閱讀
下載排行
本周
- 1山景DSP芯片AP8248A2數(shù)據(jù)手冊(cè)
- 1.06 MB | 532次下載 | 免費(fèi)
- 2RK3399完整板原理圖(支持平板,盒子VR)
- 3.28 MB | 339次下載 | 免費(fèi)
- 3TC358743XBG評(píng)估板參考手冊(cè)
- 1.36 MB | 330次下載 | 免費(fèi)
- 4DFM軟件使用教程
- 0.84 MB | 295次下載 | 免費(fèi)
- 5元宇宙深度解析—未來(lái)的未來(lái)-風(fēng)口還是泡沫
- 6.40 MB | 227次下載 | 免費(fèi)
- 6迪文DGUS開(kāi)發(fā)指南
- 31.67 MB | 194次下載 | 免費(fèi)
- 7元宇宙底層硬件系列報(bào)告
- 13.42 MB | 182次下載 | 免費(fèi)
- 8FP5207XR-G1中文應(yīng)用手冊(cè)
- 1.09 MB | 178次下載 | 免費(fèi)
本月
- 1OrCAD10.5下載OrCAD10.5中文版軟件
- 0.00 MB | 234315次下載 | 免費(fèi)
- 2555集成電路應(yīng)用800例(新編版)
- 0.00 MB | 33566次下載 | 免費(fèi)
- 3接口電路圖大全
- 未知 | 30323次下載 | 免費(fèi)
- 4開(kāi)關(guān)電源設(shè)計(jì)實(shí)例指南
- 未知 | 21549次下載 | 免費(fèi)
- 5電氣工程師手冊(cè)免費(fèi)下載(新編第二版pdf電子書(shū))
- 0.00 MB | 15349次下載 | 免費(fèi)
- 6數(shù)字電路基礎(chǔ)pdf(下載)
- 未知 | 13750次下載 | 免費(fèi)
- 7電子制作實(shí)例集錦 下載
- 未知 | 8113次下載 | 免費(fèi)
- 8《LED驅(qū)動(dòng)電路設(shè)計(jì)》 溫德?tīng)栔?/a>
- 0.00 MB | 6656次下載 | 免費(fèi)
總榜
- 1matlab軟件下載入口
- 未知 | 935054次下載 | 免費(fèi)
- 2protel99se軟件下載(可英文版轉(zhuǎn)中文版)
- 78.1 MB | 537798次下載 | 免費(fèi)
- 3MATLAB 7.1 下載 (含軟件介紹)
- 未知 | 420027次下載 | 免費(fèi)
- 4OrCAD10.5下載OrCAD10.5中文版軟件
- 0.00 MB | 234315次下載 | 免費(fèi)
- 5Altium DXP2002下載入口
- 未知 | 233046次下載 | 免費(fèi)
- 6電路仿真軟件multisim 10.0免費(fèi)下載
- 340992 | 191187次下載 | 免費(fèi)
- 7十天學(xué)會(huì)AVR單片機(jī)與C語(yǔ)言視頻教程 下載
- 158M | 183279次下載 | 免費(fèi)
- 8proe5.0野火版下載(中文版免費(fèi)下載)
- 未知 | 138040次下載 | 免費(fèi)
評(píng)論