- 综合排序
- 最热优先
- 最新优先
- 来自专栏TEL18600524535
德文识别技术：德语文本高效地转化为机器可读、可处理的数字信息
德文识别技术，作为光学字符识别领域的特定应用分支，致力于将印刷或手写的德语文本高效地转化为机器可读、可处理的数字信息。其在德语区国家和全球德语相关业务中扮演着至关重要的角色。 识别文档结构：文本区域、栏、段落、标题、表格、图像、页眉/页脚。区分主文本、脚注等。对于德文，准确识别标题（通常名词大写）很重要。 德文识别独特的技术难点特殊字符的精准识别：ä, ö, ü (Umlauts)：必须与无变音符的 a, o, u 以及可能的噪声点严格区分。点的大小、位置、清晰度是关键。 表格与复杂版式：准确识别表格结构、跨单元格文本，以及图文混排、分栏文档中的文本流顺序。德文识别关键功能特点高精度特殊字符处理：核心能力，确保ä, ö, ü, ß 的高准确率识别和转换。 手写体识别支持：针对清晰书写的德文手稿提供识别能力（精度通常低于印刷体）。历史文档处理能力：专业系统可支持Fraktur 等历史字体的识别。
41210编辑于 2025-08-13 - 来自专栏机器学习技术分享
8.HanLP实现--命名实体识别
笔记转载于GitHub项目：https://github.com/NLP-LOVE/Introduction-NLP 8. 命名实体识别 8.1 概述 命名实体 文本中有一些描述实体的词汇。 有一些地名本身就是机构名，比如“国家博物馆” 命名实体识别 识别出句子中命名实体的边界与类别的任务称为命名实体识别。由于上述难点，命名实体识别也是一个统计为主、规则为辅的任务。 命名实体识别也可以转化为一个序列标注问题。具体做法是将命名实体识别附着到{B,M,E,S}标签，比如， 构成地名的单词标注为“B/ME/S- 地名”，以此类推。 8.5 命名实体识别标准化评测 各个命名实体识别模块的准确率如何，并非只能通过几个句子主观感受。任何监督学习任务都有一套标准化评测方案，对于命名实体识别，按照惯例引入P、R 和 F1 评测指标。 章：新手上路 第 2 章：词典分词 第 3 章：二元语法与中文分词 第 4 章：隐马尔可夫模型与序列标注 第 5 章：感知机分类与序列标注 第 6 章：条件随机场与序列标注 第 7 章：词性标注 第 8
3.1K21发布于 2020-02-21 YOLO v8 目标检测识别翻栏
例如，通过算法识别技术，可以实时监测和预警潜在的跨越围栏行为，从而减少事故的发生。 2、围栏摄像识别介绍 2.1 摄像头结构：围栏监控摄像头通常由镜头、传感器、图像处理器、存储器等组成。 三、业务逻辑分析及算法实现 越界识别的功能实现，主要包括行人目标检测、行人追踪及越界识别判断三部分 1） 行人目标检测 这一部分主要利用YOLOv8算法实现。 首先基于YOLOv8目标检测算法训练一个检测行人（person）的权重person.pt。 参考之前代码： Ctrl CV：YOLOV8血细胞检测 2 ）行人目标追踪 目标追踪的实现主要是在实现目标检测的前提下，补充目标追踪功能，即通过追踪并绘制每个目标的track_id信息实现。 Ctrl CV：YOLOv8目标跟踪 Ctrl CV：YOLOv8_VisDrone2019目标跟踪、模型部署 3） 越界识别判断 （1）越界监测区域绘制 实现越界识别，即检测某个感兴趣区域，是否有人违规进入
23810编辑于 2025-12-16- 来自专栏腾讯云开发者社区头条
估值超10亿 同行者牵手腾讯 加速车联网布局
12月8日下午，深圳同行者科技与腾讯在深圳华侨城威尼斯酒店举办合作发布会，参会嘉宾包括腾讯车联网事业部总经理钟学丹、腾讯智能平台部总经理莫沙、微光创投创始人吴宵光、朗科科技创始人/U盘之父、凯盈资本董事长成晓华 、同行者科技创始人杨德文等。 [图片] 成立于2014年8月的同行者，虽然年轻，但却是一家具有深厚腾讯基因的公司。 资料显示，云知声成立于2015年，专注物联网AI服务，技术上主攻智能语音识别技术，已经完成5轮融资，最近一轮于2017年8月获得3亿元的战略投资，估值已超30亿。 杨德文认为，在这个内容过剩的时代这主要归功于以下三方面的进步： 1.语音成熟度：过去三年语音的基础能力得到了快速的提升，特别是离线的唤醒打断技术还有云端的识别技术都日趋成熟。
1.7K22发布于 2017-12-09 - 来自专栏AI
基于 YOLOv8 的昆虫智能识别工程实践
基于YOLOv8的昆虫智能识别工程实践[目标检测完整源码]引言：为什么“虫子识别”值得用深度学习重做一遍？在农业生产、林业保护以及生态监测中，昆虫种类识别一直是一项高度依赖经验的工作。 本文将从工程落地角度，介绍一个基于YOLOv8的昆虫种类识别系统，覆盖数据准备、模型训练、推理流程以及可视化应用构建，完整展示如何将一个检测模型打造成“真正可用”的AI系统。 Web服务二、为什么选择YOLOv8进行昆虫识别？ ，实现自动预警总结本文从工程实践角度，系统介绍了一套基于YOLOv8的昆虫种类智能识别方案。 其核心价值体现在三点：将目标检测算法转化为实际可操作系统显著降低昆虫识别应用的技术门槛为农业与生态场景提供可扩展的AI基础能力本文从工程落地的视角出发，系统介绍了一套基于YOLOv8的昆虫种类智能识别解决方案
16010编辑于 2026-01-29 - 来自专栏AI
基于 YOLOv8 的智能杂草检测识别实战
基于YOLOv8的智能杂草检测识别实战[目标检测完整源码]引言：为什么杂草识别是智慧农业中的“硬问题”？ ↓推理服务模块↓PyQt5桌面端可视化系统技术选型说明模块技术方案检测算法YOLOv8（Ultralytics）深度学习框架PyTorch推理接口YOLOv8PythonAPI桌面端界面PyQt5部署方式脚本 三、YOLOv8在农业场景中的优势3.1算法层面的改进YOLOv8相较于早期YOLO版本，在以下方面表现突出：Anchor-Free设计，减少超参数依赖Task-AlignedAssigner，提高正负样本分配质量解耦检测头 总结本文从工程实践角度，系统介绍了一套基于YOLOv8的田间杂草检测完整解决方案。 本文围绕田间杂草智能识别这一典型的智慧农业应用场景，系统阐述了一套基于YOLOv8的目标检测工程方案。
20910编辑于 2026-01-22 yolov8-onnx在winform部署手势识别模型
【官方框架地址】 https://github.com/ultralytics/ultralytics.git 【算法介绍】 YOLOv8 是一个 SOTA 模型，它建立在以前 YOLO 版本的成功基础上 不过 ultralytics 并没有直接将开源库命名为 YOLOv8，而是直接使用 ultralytics 这个词，原因是 ultralytics 将这个库定位为算法框架，而非某一个特定算法，一个主要特点是可扩展性 可以看出 YOLOv8 相比 YOLOv5 精度提升非常多，但是 N/S/M 模型相应的参数量和 FLOPs 都增加了不少，从上图也可以看出相比 YOLOV5 大部分模型推理速度变慢了。 模型 YOLOv5 params(M) FLOPs@640 (B) YOLOv8 params(M) FLOPs@640 (B) n 28.0(300e) 1.9 4.5 37.3 (500e) 3.2 ym = new Yolov8Manager(); public Form1() { InitializeComponent();
32410编辑于 2025-07-20- 来自专栏GreenLeaves
IE8下不识别indexOf的问题
=== elt) return from; } return -1; }; } 2、使用jQuery的inArray方法,注:jQuery版本2.0以上不再支持IE8
1.1K60发布于 2018-01-26 yolov8学习，车辆车牌识别代码解读
最近对人工智能、计算机视觉等一类的东西很感兴趣，突发奇想想做一个停车场管理系统，从其中就需要车牌识别，于是尝试学习并尝试做一下这个yolo车牌检测识别的项目。 初始化检测结果字典和 SORT 追踪器 results = {} mot\_tracker = Sort() # 加载 YOLO 模型 coco\_model = YOLO('yolov8n.pt in dict\_int\_to\_char.keys()) and \ (text[2] in ['0', '1', '2', '3', '4', '5', '6', '7', '8' in dict\_char\_to\_int.keys()) and \ (text[3] in ['0', '1', '2', '3', '4', '5', '6', '7', '8' 至此，代码结束，理解并实现车辆车牌识别代码对我这样的小白还是有些困难，还需多实践，多学习 yolov8 的相关项目及知识，加油加油！
1.1K10编辑于 2024-10-27- 来自专栏Edward的专栏
基于 opencv+yolov8+easyocr的车牌追踪识别
实现效果 车牌识别 学习视频 使用 Python、Yolov8 和 EasyOCR 自动识别车牌 计算机视觉教程_哔哩哔哩_bilibili 大致思路 通过 opencv 将视频转换为帧 ，否则说明车牌识别错误或车辆识别错误，不作考虑。 lap==0.4.0 所以只能使用 yolo 自带的追踪器进行追踪 定义存储字典并解析视频： # 存储所有信息 results = {} # 加载模型 coco_model = YOLO('yolov8n.pt ultralytics import YOLO import cv2 from util import * # 存储所有信息 results = {} # 加载模型 coco_model = YOLO('yolov8n.pt 7] while ret: count += 1 ret, frame = cap.read() # print(frame) if ret and count < 8:
70710编辑于 2025-07-13 - 来自专栏OpenCV与AI深度学习
实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
本文中我们将探讨如何使用 YOLOv8 Pose（一种先进的对象检测模型）对图像和视频中的瑜伽姿势进行分类。 我们将讨论以下主题： 1. YOLOv8 Pose简介 YOLO（You Only Look Once）是一种流行的实时目标检测算法，以其速度和准确性而闻名。 YOLOv8 Pose 是 YOLOv8 的扩展，专为人体姿势估计而设计。它可以实时检测和分类人体关键点，使其成为瑜伽姿势分类的理想选择。 2. 在Google Colab上训练YOLOv8 Pose 要在 Google Colab 上训练 YOLOv8 Pose，请按照以下步骤操作： A. 开始训练YOLOv8 Pose： !
4.3K21编辑于 2024-04-19 - 来自专栏ATYUN订阅号
8:1高票通过面部识别禁令，旧金山成为首个禁用面部识别的城市
长期处于技术革命核心的旧金山，采取了反对潜在滥用的立场，禁止警察和其他机构使用面部识别软件。 美国监管委员会以8比1的投票结果通过了这一提议，使旧金山成为美国第一个禁止使用这一工具的主要城市。 在马萨诸塞州，州立法机构的一项法案将暂停面部识别和其他远程生物识别监控系统。 在国会山，上个月提出的一项法案将禁止商业人脸识别技术用户收集和共享数据，以便在未经他们同意的情况下识别或跟踪消费者，尽管它没有解决政府对该技术的使用问题。 面部识别的广泛应用 面部识别已经以这种或那种形式在许多美国机场和大型体育场以及其他一些警察部门中使用。据报道，流行歌星泰勒斯威夫特在她的一个节目中融入了这项技术，用它来帮助识别跟踪者。 这项名为性别阴影的研究报告称，IBM和微软的系统在识别白人男性面部要比识别黑皮肤或女性面部要好得多。 今年的另一项研究报告称亚马逊的技术存在类似问题，称为Rekognition。
93920发布于 2019-05-17 - 来自专栏相约机器人
8行代码中的人脸检测，识别和情感检测！
人脸检测和识别可以用来改善访问和安全性，就像最新的Apple Iphone一样，允许在没有物理卡的情况下处理付款 - iphone也这样做！，启用犯罪识别并允许个性化的医疗保健和其他服务。 人脸检测和识别是一个研究很多的话题，网上有大量的资源。已经尝试了多个开源项目，以找到最准确实现的项目。还创建了一个管道，用于在加载图像后只需8行代码就任何输入图像进行检测，识别和情感理解！ 输出是检测到的面的边界框坐标 面部识别 - 将多个面部进行比较以识别哪些面部属于同一个人。 Github上 https://github.com/priya-dwivedi/face_and_emotion_detection 面部识别 面部识别验证两个面是否相同。 面部识别的使用在安全性，生物指标，娱乐，人身安全等方面是巨大的。用于面部检测的相同python库face_recognition也可以用于面部识别。我们的测试显示它具有良好的性能。
1.5K20发布于 2019-06-21 - 来自专栏YOLO大作战
基于YOLOv8的老虎姿态（Tiger-Pose）识别
本文解决什么问题：教会你如何用自己的数据集训练Yolov8-pose关键点检测 1.YOLOv8 介绍 YOLOv8目前支持目标检测、实例分割、图像分类、目标跟踪、姿态估计，也许还有更多惊喜在后面。 代码地址：GitHub - ultralytics/ultralytics: NEW - YOLOv8 in PyTorch > ONNX > OpenVINO > CoreML > TFLite 进军工业界标杆 数据集下载地址：Tiger-pose - Ultralytics YOLOv8 Docs 2.Tiger-Pose关键点训练 2.1 新建data/tiger-pose/tiger-pose.yaml yolov8-pose.yaml 修改为21个关键点和一个类别nc:1 # Ultralytics YOLO , AGPL-3.0 license # YOLOv8-pose keypoints/pose 'model=yolov8n-pose.yaml' will call yolov8-pose.yaml with scale 'n' # [depth, width, max_channels]
2K10编辑于 2024-01-16 - 来自专栏AI
基于 YOLOv8 的人体与行人检测智能识别实战
基于YOLOv8的人体与行人检测智能识别实战[目标检测完整源码]引言：为什么“行人检测”仍然是工程中的关键基础能力？ 尽管目标检测算法已发展多年，但在真实环境中仍然面临诸多挑战：人群密集、目标遮挡严重行人尺度变化大、姿态多样摄像头视角复杂、光照条件不可控实时性与部署成本并存的工程约束本文将围绕一个基于YOLOv8的人体检测与行人识别完整项目 二、YOLOv8在行人检测任务中的适配性分析2.1算法层面的优势YOLOv8是Ultralytics推出的新一代目标检测框架，其在行人检测场景中具备明显优势：Anchor-Free机制：减少人为超参数依赖解耦检测头设计 七、应用场景与扩展方向该人体检测系统可作为多种视觉应用的基础模块：智能安防与视频监控人数统计与客流分析智慧校园/智慧园区行为识别与异常检测前端在此基础上，可进一步集成：多目标跟踪（如DeepSORT）行人再识别 总结本文从工程实践角度，系统介绍了一套基于YOLOv8的人体检测与行人识别解决方案。该项目不仅关注模型精度，更强调从数据、训练到可视化部署的完整闭环设计，体现了深度学习算法在真实场景中的落地方式。
43000编辑于 2026-01-28 - 来自专栏CDA数据分析师
机器学习实战：8大分类器识别树叶带源码
比如让你去识别另外一个人，一般从脸型，肤色，身高，体重…..这些特征去标记，现在计算机识别树叶可能就从叶子啊，形状啊，宽度啊，有无锯齿啊，这些去识别。这个详细我们暂时不说，下次再说。
1.4K50发布于 2018-02-05 - 来自专栏深度学习技术前沿
ECCV 2020 | 腾讯优图8篇论文入选，涵盖目标跟踪、行人重识别、人脸识别等领域
在竞争越来越激烈的情况下，本次ECCV 腾讯优图实验室共入选8篇论文，涵盖目标跟踪、行人重识别、人脸识别、人体姿态估计、动作识别、物体检测等热门及前沿领域，再次展示了腾讯在计算机视觉领域的科研及创新实力 Pedestrians 传统的行人重识别假设裁剪的图像只包含单人。 为了提升人脸识别模型在困难样本上的性能，我们提出了一种基于分布蒸馏的损失函数。 Student分布中的同人样本和非同人样本的相似度重合区域，提高困难样本的识别性能。 07 基于时序性差异表征的动作识别 Temporal Distinct Representation Learning for Action Recognition 2D卷积神经网络已经广泛应用于图像识别当中并取得成功
1.9K10发布于 2020-07-28 - 来自专栏山山仙人的专栏
在k8s中解决pod资源的正确识别
运行的最小化单元Pod中的容器，识别到的cpu和内存都是所在node节点机器的资源信息，因此对nginx来说并不能直接通过auto参数对cpu进行正确的自动识别，例如我这里的一台node节点及节点上的pod -- cat /sys/devices/system/cpu/online 0-15 3、引入lxcfs lxcfs是一个的小型FUSE文件系统，旨在使Linux容器更像一个虚拟机，能够帮助容器正确的识别自身资源 例如当容器内的应用如果需要读取/proc/meminfo的信息时，请求就会被导向lxcfs，而lxcfs又会通过cgroup的信息来返回正确的值最终使得容器内的应用正确识别 3.1 在k8s中部署lxcfs /deployment/install.sh creating certs in tmpdir /var/folders/8n/11ndbfq95jv79gds8wqj2scc0000gn/T/tmp.c6OKXi4L kubectl exec -it web-5ff5cd75f8-74pr6 -- bash root@web-5ff5cd75f8-74pr6:/usr/local/apache2# free -m
2.7K20发布于 2021-03-29 - 来自专栏Flink实战应用指南
Flink Forward 2019--实战相关(8)--Intuit公司分享识别图片
Building Financial Identity Platform using Apache Flink -- Vivek Thakre(Intuit.com)
76800发布于 2019-07-11 - 来自专栏成套网站
基于yolov8的深度学习水果识别检测系统
在COCO数据集上，YOLOv8n模型mAP达37.3，A100 TensorRT上推理速度仅0.99毫秒，展现出卓越的实时检测性能。当前，基于YOLOv8的水果检测系统已实现多场景落地。 在农业生产端，系统可部署于田间地头，通过无人机或固定摄像头实时监测果实成熟度，辅助精准采摘；在流通环节，集成于智能分拣线，实现每小时2000 - 3000件水果的自动化分级；在消费终端，支持超市自助结算台快速识别商品品类 2、研究意义在农业智能化与消费市场高效运转的迫切需求下，开展基于YOLOv8的深度学习水果识别检测系统研究具有重大且多维的意义。 于消费终端而言，系统支持超市自助结算台快速识别商品品类，让消费者购物结算更加便捷高效，优化购物体验，满足消费升级下人们对高效、便捷服务的需求。 3、研究现状当前，基于YOLOv8的深度学习水果识别检测系统研究正成为计算机视觉与农业交叉领域的热点。
62410编辑于 2025-12-29
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号