- 综合排序
- 最热优先
- 最新优先
- 来自专栏燧机科技-视频AI智能分析
AI课堂教学质量评估系统算法
AI课堂教学质量评估系统算法通过yolov7网络模型框架利用摄像头和人脸识别技术，AI课堂教学质量评估系统算法实时监测学生的上课表情和课堂行为。 同时，还结合语音识别技术和听课专注度分析算法，对学生的听课专注度进行评估，生成教学质量报告，并提供针对性的改进建议，帮助教师发现问题并进行针对性的改进，提升教学效果。 此外，AI课堂教学质量评估系统算法在训练过程中研究者发现使用动态标签分配技术时，具有多个输出层的模型在训练时会产生新的问题：「如何为不同分支的输出分配动态目标？」 除了AI课堂教学质量评估系统算法架构优化之外，该研究提出的方法还专注于训练过程的优化，将重点放在了一些优化模块和优化方法上。这可能会增加训练成本以提高目标检测的准确性，但不会增加推理成本。 AI课堂教学质量评估系统算法研究者将对计算层的所有计算块应用相同的组参数和通道乘数。然后，每个计算块计算出的特征图会根据设置的组参数 g 被打乱成 g 个组，再将它们连接在一起。
1.2K40编辑于 2023-09-10 - 来自专栏燧机科技-视频AI智能分析
老师上课教学质量评估分析系统
一、引言 我国基础教育阶段专任教师超1800万人（《2025中国教育发展统计公报》），传统教学评估存在主观性过强（评教结果标准差＞0.35）、数据维度单一（仅覆盖30%课堂行为）等痛点。 本文提出基于YOLOv7目标检测与时空特征融合的智能评估系统，通过多光谱感知网络-动态行为建模-分级反馈联动技术架构，实现0.3-15m/s全场景检测精度（实验室数据），实测响应延迟＜0.6秒。 系统已在深圳龙岗区（覆盖320间智慧教室）部署，日均生成评估报告1800+份，教师教学改进采纳率达82%。 声纹分析（语音情感）、激光雷达点云 动态阈值调整：雨季提升板书清晰度检测灵敏度至0.82 （三）软件平台功能 边缘预警终端 集成定向声波模块（声压级≥95dB，支持20米内定向提醒） LED警示屏动态显示评估指标
24110编辑于 2026-01-08 - 来自专栏燧机科技-视频AI智能分析
学生课堂行为识别教学质量评估算法
学生课堂行为识别教学质量评估算法利用教室安装的摄像头，学生课堂行为识别教学质量评估算法对学生的表情状态、课堂表现和互动行为进行全面监测。 学生课堂行为识别教学质量评估算法使用到的YOLO框架模型，其全称是You Only Look Once: Unified, Real-Time Object Detection，其实个人觉得这个题目取得非常好 学生课堂行为识别教学质量评估算法之所以选择yolo框架，是因为Yolo采用卷积网络来提取特征，然后使用全连接层来得到预测值。 学生课堂行为识别教学质量评估算法在训练之前，先在ImageNet上进行了预训练，其预训练的分类模型采用图8中前20个卷积层，然后添加一个average-pool层和全连接层。 使用YOLOv7 做学生课堂行为识别教学质量评估算法训练，该模型在在 5 FPS 到 160 FPS 范围内，速度和精度都超过了所有已知的目标检测器并在V100 上，30 FPS 的情况下达到实时目标检测器的最高精度
69120编辑于 2023-09-10 - 来自专栏燧机科技-视频AI智能分析
教学质量评价系统
本文提出基于YOLOv11目标检测与时空行为分析的智能评价系统，通过多光谱感知-动态教学建模-分级反馈联动技术架构，实现教学环节划分精度96.5%（实验室数据），实测响应延迟＜0.7秒。 （二）算法层核心设计 YOLOv11教学行为检测优化 针对课堂场景“小目标（手势/教具）”“动态遮挡（学生转身）”问题，优化模型结构与训练策略： # YOLOv11模型配置（教学场景定制） from ultralytics import YOLO model = YOLO('yolov11s.yaml') # 平衡精度与速度 model.model.nc = 7 # 7类：教师走动/学生举手 data='teaching_quality.yaml', epochs=200, imgsz=1280) # 基于10万+标注样本训练时空行为建模网络（RNN-LSTM混合架构） 融合YOLOv11 1.0%1.9%极端环境可用性-暴雨天＞76%典型案例：小组讨论有效性分析：通过声纹分离技术（＞3人对话触发），识别“有效协作”（发言时长均衡）与“无效讨论”（个别主导），准确率达91%； 板书与讲解同步性评估
29000编辑于 2026-01-11 - 来自专栏图灵人工智能
11个重要的机器学习模型评估指标
评估指标能体现模型的运转情况。评估指标的一个重要作用在于能够区分众多模型的结果。 很多分析师和数据科学家甚至都不愿意去检查其模型的鲁棒性。 在这个行业中，大家会考虑用不同类型的指标来评估模型。指标的选择完全取决于模型的类型和执行模型的计划。 模型构建完成后，这11个指标将帮助评估模型的准确性。 2.如果预测值或实际值很大：RMSE> RMSLE 3.如果预测值和实际值都很大：RMSE> RMSLE（RMSLE几乎可以忽略不计） 11. 除了这11个指标之外，还有另一种检验模型性能。这7种方法在数据科学中具有统计学意义。但是，随着机器学习的到来，我们现在拥有更强大的模型选择方法。没错！现在来谈论一下交叉验证。 此外，本文中介绍的指标标准是分类和回归问题中评估最常用的指标标准。
2.5K10编辑于 2022-09-01 - 来自专栏燧机科技-视频AI智能分析
教师教学质量分析评价系统 A教育大模型
一、引言 课堂教学质量是影响学生学习成效的核心要素，传统评价依赖人工听课（主观偏差＞30%）、课后问卷（滞后性＞24小时），难以实现“行为-表情-参与度”的全维度量化分析。 （7类基础情绪）的毫秒级识别，以及教学质量核心指标（参与度、专注度、情绪反馈）的量化评估。 实验室数据（NVIDIA A100 GPU训练，PyTorch 2.3框架）显示，优化后模型在课堂数据集上mAP@0.5达97.6%，单帧检测耗时10ms（100FPS），较YOLOv11基线模型提升39% 四、系统工作流程与核心优势 （一）全流程闭环评价机制 实时监测：相机每33ms采集一帧图像，边缘节点并行执行YOLOv12检测、LSTM专注度评估、情感-行为关联分析； 动态反馈：每5分钟生成一次课堂简报 教师教学质量分析评价系统基于YOLOv12+RNN的深度学习算法，教师教学质量分析评价系统精准地检测到学生是否在玩手机、举手、睡觉、交头接耳、趴桌子、行走运动等行为。
54710编辑于 2025-12-31 - 来自专栏燧机科技-视频AI智能分析
课堂教学质量评价分析系统 AI+教育
一、引言：教育数字化转型的技术刚需 随着“AI+教育”战略深化，课堂教学质量评价正从主观经验判断转向数据驱动的精准分析。 行为识别层：YOLOv11实时检测框架 技术原理：采用改进的YOLOv11目标检测算法，通过轻量化骨干网络（CSPDarknet53-Tiny）实现60FPS实时视频流处理，在实验室环境下对6类学生行为 ]E --> F[Spark流式计算引擎]F --> G[课堂热力图生成]G --> H[教学质量评估报告]关键突破：采用Apache Flink实现毫秒级行为-表情-视线数据对齐，解决传统方案中多源异构数据异步问题 课堂教学质量评价分析系统的核心技术基于YOLOv11和CNN算法，课堂教学质量评价分析系统检测到的行为数据（如玩手机、举手、睡觉、交头接耳、趴桌子、行走运动）和表情数据（如开心、厌恶、愤怒、悲伤、沮丧、 同时，系统还会结合视线跟踪技术，将学生的视线聚焦点与当前教学知识点进行关联，从而更精准地评估学生对知识的接受程度。
47210编辑于 2025-12-28 - 来自专栏应兆康的专栏
11. 什么时候更改开发测试集和评估指标
11. 什么时候更改开发/测试集和评估指标 当开始一个新项目的时候，我会试图快速的选择开发/测试集，因为这样可以给团队一个很明确的目标。 算法在开发集上过拟合了 你把你的评估标准设置的过高，在开发集上反复评估导致算法过拟合，当完成开发后，如果你的算法在开发集上的效果明显高于在测试集上的效果，这就意味着你的算法在开发集上过拟合了。 评估指标衡量的并不是项目优化所需要的东西 假设对于你的猫咪APP，你的评估指标是分类准确率。在该指标下，分类器A优于分类器B。但是假设你尝试了这两种算法，发现分类器A偶尔会允许敏感图片通过。 这里，该评估指标不能辨别出对产品而言算法B比算法A好这一事实。所以，这时候你就不能相信这个指标可以帮你选择出最好的分类器，你需要重新选择评估指标。 在项目中改变开发/测试集或者评估指标是很常见的。拥有一个初始的开发/测试集和评估指标能帮你快速迭代你的idea。如果你发现你的开发/测试集或评估指标没有正确的引导你的团队前进，你可以随时更改它们。
75670发布于 2018-05-09 - 来自专栏贾志刚-OpenCV学堂
OpenCV4 C# YOLO11姿态评估模型部署
YOLO11姿态评估模型 YOLO11是YOLOv5跟YOLOv8作者推出最新升级版本模型，支持分类、检测、分割、姿态评估、OBB。 这里以YOLO11姿态评估模型为例，演示OpenCV C#如何运行，YOLO11-pose模型的输入与输出。 姿态评估演示", frame); Cv2.WaitKey(0); Cv2.DestroyAllWindows(); 运行结果如下： 后处理关键点绘制 最后得到17个关键点的绘制代码如下： Cv2.Line (kypt.At<float>(11, 0), kypt.At<float>(11, 1)), Scalar.RandomColor(), 2); Cv2.Line(frame, new Point(kypt.At <float>(11, 0), kypt.At<float>(11, 1)), new Point(kypt.At<float>(13, 0), kypt.At<float>(13, 1)), Scalar.RandomColor
12010编辑于 2026-04-02 - 来自专栏应兆康的专栏
11. 什么时候更改开发测试集和评估指标
11. 什么时候更改开发/测试集和评估指标 当开始一个新项目的时候，我会试图快速的选择开发/测试集，因为这样可以给团队一个很明确的目标。 算法在开发集上过拟合了 你把你的评估标准设置的过高，在开发集上反复评估导致算法过拟合，当完成开发后，如果你的算法在开发集上的效果明显高于在测试集上的效果，这就意味着你的算法在开发集上过拟合了。 评估指标衡量的并不是项目优化所需要的东西 假设对于你的猫咪APP，你的评估指标是分类准确率。在该指标下，分类器A优于分类器B。但是假设你尝试了这两种算法，发现分类器A偶尔会允许敏感图片通过。 这里，该评估指标不能辨别出对产品而言算法B比算法A好这一事实。所以，这时候你就不能相信这个指标可以帮你选择出最好的分类器，你需要重新选择评估指标。 在项目中改变开发/测试集或者评估指标是很常见的。拥有一个初始的开发/测试集和评估指标能帮你快速迭代你的idea。如果你发现你的开发/测试集或评估指标没有正确的引导你的团队前进，你可以随时更改它们。
47810发布于 2018-05-30 - 来自专栏网络安全技术点滴分享
2014年11月微软安全更新风险评估与技术解析
评估2014年11月安全更新的风险今天我们发布了十四个安全公告，涉及33个独特CVE。四个公告的最高严重等级为“严重”，八个为“重要”，两个为“中等”。下表旨在帮助您根据环境优先部署更新。 严重 1 1 内部在主动安全评估中发现。MS14-065 (Internet Explorer)用户浏览恶意网页。
28110编辑于 2025-09-10 - 来自专栏磐创AI技术团队的专栏
你知道这11个重要的机器学习模型评估指标吗?
译者 | Arno 来源 | Analytics Vidhya 【磐创AI导读】：评估一个模型是建立一个有效的机器学习模型的核心部分，本文为大家介绍了一些机器学习模型评估指标，希望对大家有所帮助。 不同的评估指标用于不同类型的问题 介绍 建立机器学习模型的想法是基于一个建设性的反馈原则。你构建一个模型，从指标中获得反馈，进行改进，直到达到理想的精度为止。评估指标解释了模型的性能。 在我们的行业中，我们考虑不同种类的指标来评估我们的模型。指标的选择完全取决于模型的类型和模型的实现计划。 在你构建完模型之后，这11个指标将帮助你评估模型的准确性。 如果预测或是实际值很大：RMSE> RMSLE 如果预测值和实际值都很大：RMSE> RMSLE(RMSLE几乎可以忽略不计) 11. 除了这11个指标之外，还有另一种检查模型性能的方法。这7种方法在数据科学中具有统计学意义。但是，随着机器学习的到来，我们现在拥有更强大的模型选择方法。没错!就是交叉验证。
4.2K40发布于 2019-08-23 - 来自专栏Rust语言学习交流
【Rust日报】2022-11-21 第三方crate评估指导
第三方crate评估指导 相信很多人在选择crate的时候，都有自己对crate的评估标准，本文从下面十个方面给出评估指导： Licensing Maintainers Unsafe Auditing
55260编辑于 2022-11-28 AI 教学质量监测平台：让课堂质量看得见、改得快
提到 “教学质量监测”，很多老师会想到繁琐的听课记录、堆积的学生作业，管理者则头疼数据零散、评价主观。 而 AI 教学质量监测平台的出现，就像给教学装上了 “智能显微镜”，用技术打破传统监测的痛点，让课堂里的每一个细节都能被精准捕捉、科学分析。 老师不用等期末评估，上完课就能收到反馈，及时调整教学；管理者不用跑遍所有教室，通过平台就能掌握全校教学情况，精准帮扶薄弱环节。当然，AI 不是要替代老师，而是成为教学的 “得力助手”。 未来，随着技术升级，AI 还能实现个性化监测 —— 针对不同学科、不同学段，定制专属的监测指标，让教学质量提升更精准、更高效。 简单说，AI 教学质量监测平台，就是用技术让课堂质量 “看得见、摸得着、改得快”，让每一堂课都能越上越好，让每一位学生都能受益。
38810编辑于 2025-11-26- 来自专栏网络安全技术点滴分享
YOLOv7安全评估揭示11个漏洞：RCE攻击与模型差异风险
年11月15日机器学习TL;DR: 我们在流行计算机视觉框架YOLOv7中发现了11个安全漏洞，这些漏洞可能导致远程代码执行（RCE）、拒绝服务和模型差异（攻击者可在不同场景下触发模型产生不同行为）等攻击 鉴于这些风险，我们决定评估流行且成熟的视觉模型YOLOv7的安全性。 我们的方法借鉴了Mozilla的“快速风险评估”方法和NIST的以数据为中心的威胁建模指南（NIST 800-154）。 代码库中目前没有单元测试或任何测试框架（TOB-YOLO-11）。适当的测试框架本可以防止我们发现的一些问题，而没有这个框架，代码库中可能存在其他实现缺陷和错误。 我们在安全评估期间发现的ML特定问题亮点包括：YOLOv7代码库使用pickle文件存储模型和数据集；这些文件未经验证，可能从第三方源获取。
29410编辑于 2025-09-19 - 来自专栏智慧教育
这届教育装备展，不能错过的知识点，都在这里！
适用场景 ▽ 口语评测 在线绘本跟读 课程质量评估 口语作业批改 让每个学生， 得到全方位的辅导， 苦于提升教学质量的老师们，有福了！ ▽ 4 智慧课堂 关键词：在线直播课 AI课程质量评估 ? 适用场景 ▽ 教学辅导 考试评测 课程质量评估 人工智能"C位”出道， 成为热门报考专业之一。 适用场景 ▽ 学院共建 实训室 专业共建 语音讲解不过瘾，现场等你 腾讯云展位： 11月17日—11月19日 南昌绿地国际博览中心A6馆A6307 如果您对腾讯智慧教育感兴趣，请扫码关注公众号“
3.8K30发布于 2018-11-19 “大模型安全评估”需要评估哪些？
因此，构建一套科学、系统、多维度的安全评估体系，不再是可选项，而是确保其健康发展的必然要求。 #大模型备案##安全评估##生成式人工智能#一、语料安全评估二、生成内容评估暴力、仇恨与非法内容： 评估模型是否会生成宣扬暴力、恐怖主义、种族歧视、性别歧视、仇恨言论等的内容。 三、涉知识产权、商业秘密评估四、涉民族、信仰、性别等评估五、涉透明性、准确性、可靠性等评估事实准确性与反幻觉： “幻觉”是指模型生成看似合理但实则错误或虚构的信息。 评估需检验模型在知识密集型任务（如问答、摘要）中的事实准确性，及其对不确定信息的处理能力。逻辑一致性与连贯性： 评估模型在长文本生成或多轮对话中，是否能在逻辑上保持前后一致，避免自相矛盾或答非所问。 六、模型性能(拒答率）评估大模型的安全评估是一个动态、持续且多学科交叉的复杂工程，它需要技术专家、伦理学家、法律学者、社会科学家和领域专家的共同参与。
61910编辑于 2025-08-26- 来自专栏生信喵实验柴
BUSCO 评估
背景 用于转录组和基因组组装质量进行评估的软件，前面介绍了quast，今天的是busco，对于动物植物较大的基因组拼接结果评估，这个软件很好用。 busco简介 BUSCO（Benchmarking Universal Single-Copy Orthologs）主要用于转录组和基因组组装质量进行评估的软件。 BUSCO 对拼接结果的评估与 quast 不同，它并不追求基因组拼接的长度，而关注的是是否将一些单拷贝直系同源基因拼接出来。 BUSCO 评估的原理其实不难，软件根据 OrthoDB 数据库，构建了几个大的进化分支的单拷贝基因集。 包括基因组组装评估（all）、转录组组装评估（OGS）以及基因预测评估（trans） 其他选项 -sp ：做 AUGUSTUS 用于训练的物种名字 -e ：blast 的 e 值
2.1K41编辑于 2022-05-23 - 来自专栏贾志刚-OpenCV学堂
YOLO11对象检测，实例分割，姿态评估的TensorRT C++部署
C++推理 YOLO11是Ultralytics最新发布的 目标检测、实例分割、姿态评估的系列模型视觉轻量化框架，基于前代YOLO8版本进行了多项改进和优化。 YOLO11在特征提取、效率和速度、准确性以及环境适应性方面都有显著提升，达到SOTA。 YOLO11对象检测 + TensorRT10.8 YOLO11实例分割 + TensorRT10.8推理演示： YOLO11姿态评估 + TensorRT10.8推理演示： 上述代码我均已经完成C+ > int main(int argc, char** argv) { std::shared_ptr<YOLO11TRTPose> detector(new YOLO11TRTPose()); ); if (frame.empty()) { break; } detector->detect(frame); cv::imshow("YOLO12姿态评估
20210编辑于 2026-04-02 - 来自专栏生信喵实验柴
quast评估
一、组装结果评估 1、准确性 基因组大小接近真实大小，拼出来的一般小于真实大小； GC含量接近真实GC含量，一个物种含量固定，可以判断污染； 基因组框架没有问题； 三、quast评估 今天给大家介绍一款，quast QUAST: Quality Assessment Tool for Genome Assemblies，可以对不同软件拼接的基因组序列， 软件官网：QUAST：http://bioinf.spbau.ru/quast #quast 评估案例： quast.py -r MGH78578.fasta spades.fa soapdenovo.fa
1.7K20编辑于 2022-05-23
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