- 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%。 0.0005Lux超低照度），按讲台全景（仰角20°）、学生区域（俯角15°）、板书区（双向覆盖）布防 集成多模态传感器阵列： 可见光（450-650nm）：教态姿态识别 近红外（850nm）：板书内容解析 热成像（8- 时序行为过滤：通过时空特征网络分析连续帧状态，排除“学生短暂讨论”干扰 环境自适应：根据气象站数据动态调整检测阈值（如沙尘暴模式下提升板书可见度检测权重） （三）系统集成创新 轻量化部署：模型量化至INT8精度
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
集成多光谱传感器阵列： 可见光（450-650nm）：教学环节（导入/讲解/互动/总结）识别； 近红外（850nm）：学生专注度（眼部微表情）分析； 热成像（8-14μm）：课堂活跃度（群体体温分布）监测 bidirectional=True, batch_first=True) self.attention = nn.MultiheadAttention(hidden_dim*2, 8) （三）系统集成创新 轻量化部署：模型量化至INT8精度（体积压缩至65MB），支持Jetson AGX Orin单卡并发处理16路教室视频流； 联邦学习机制：跨区域共享脱敏教学样本（如城乡教师“案例分析法 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 - 来自专栏程序你好
评估数据集成平台的8个技巧
在您的数据集成平台评估期间，请提出以下问题，以便您能够缩小选择范围并做出明智的决定。这里有一些关于每个问题的指导，帮助您最终达到组织的最佳数据集成平台。 1、你的主要项目是什么? 8、你是中小型企业、中型企业还是大型企业?你正在进行一个数字转换项目或计划吗?你增长吗?您的数据集成平台需要随着您的成长而扩展吗确认集成平台支持当前和未来的需求。
1.1K20发布于 2018-10-18 - 来自专栏山河已无恙
基于 yolov8 的人体姿态评估
所有其它的路都是不完整的，是人的逃避方式，是对大众理想的懦弱回归，是随波逐流，是对内心的恐惧 ——赫尔曼·黑塞《德米安》」 ---- 测试结果 YOLOv8 是一种高效而准确的目标检测算法，它在 YOLOv4 这里是我们仅仅使用的人体姿态评估，通过对人体姿态的评估可以进行人体行为判断和预测 同时， YOLOv8 提供了很完善的文档，包括中文文档。 import YOLO from PIL import Image import cv2 model = YOLO("C:\\Users\\liruilong\\.yolo_model\\yolov8x-pose-p6 .pt") # from ndarray im2 = cv2.imread("Y:\\image8.jpg") #results = model(im2) # predict on an image
1.1K10编辑于 2023-08-21 - 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
（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。 万像素广角工业相机（支持H.265编码、30FPS帧率、IP54防护、0.01Lux超低照度），按“教室前排（俯角15°）、后排（平视）、讲台侧方（45°）”布防，单相机覆盖40-50人教室（检测距离3-8米 -50人）、表情细微（微表情识别）、行为动态（举手/趴桌转换）”挑战优化模型：数据集构建：采集60000张课堂实景图像（含不同年级、学科、光照场景），标注“行为（6类）+表情（7类）”共13类目标，按8: 1:1划分训练/验证/测试集，引入随机遮挡（模拟书本遮挡面部）、表情增强（模拟不同光照下表情差异）提升鲁棒性； 模型轻量化：采用通道剪枝（剪枝率28%）+ TensorRT量化（INT8精度），模型体积从 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 - 来自专栏嵌入式程序猿
i.MX 8M评估套件开箱
最近有项目选用了i.mx8，订购的几千大洋的评估套件到货了，开箱上图，i.MX 8MQuad评估套件(EVK)利用2至4x Cortex-A53s和1x Cortex-M4内核, 为i.MX 8MQuad 、i.MX 8MDual和i.MX 8QuadLite应用处理器提供快速评估平台。 针对音视频评估，它带来了HDMI 2.0a Type-A和MIPI-DSI连接器，以及高达768kHz采样率的32位音频采样、音频接口扩展连接器和3.5mm音频插孔耳机。 i.MX 8M系列 - 业界领先的音频、语音和视频处理。 ? ? ? :MCIMX8M-EVK 系统框图 ?
1.1K40发布于 2019-05-06 - 来自专栏贾志刚-OpenCV学堂
【YOLOv8】自定义姿态评估模型训练
前言 Hello大家好，今天给大家分享一下如何基于YOLOv8姿态评估模型，实现在自定义数据集上，完成自定义姿态评估模型的训练与推理。 01 tiger-pose数据集 YOLOv8官方提供了一个自定义tiger-pose数据集（老虎姿态评估），总计数据有263张图像、其中210张作为训练集、53张作为验证集。 kpt_shape=12x2 表示有12个关键点，每个关键点是x,y 02 模型训练 跟训练YOLOv8对象检测模型类似，直接运行下面的命令行即可： yolo train model=yolov8n-pose.pt ]), int(kpts[7])), 3, (255, 0, 255), 4, 8, 0) cv.circle(frame, (int(kpts[8]), int(kpts[9])), 4, 8, 0) cv.circle(frame, (int(kpts[12]), int(kpts[13])), 3, (255, 0, 255), 4, 8, 0)
1.2K10编辑于 2023-12-26 - 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。 本文以《课堂教学质量评价分析系统》为例，深度拆解其融合计算机视觉、情感计算与大数据分析的底层技术架构，为教育科技开发者提供可复用的工程实践方案。 行为检测}A --> C{CNN表情识别}B & C --> D[情感模型融合]D --> E[视线跟踪关联知识点]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 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 - 来自专栏贾志刚-OpenCV学堂
【YOLOv8新玩法】姿态评估寻找链接切割点
前言 Hello大家好，今天给大家分享一下如何基于深度学习模型训练实现工件切割点位置预测，主要是通过对YOLOv8姿态评估模型在自定义的数据集上训练，生成一个工件切割分离点预测模型 01 制作数据集 02 模型训练 跟训练YOLOv8对象检测模型类似，直接运行下面的命令行即可： yolo train model=yolov8n-pose.pt data=mul_lines_dataset.yaml frame = cv.imread("D:/bird_test/back1/lines_002.png") bgr = format_yolov8(frame) fh, fw, fc = => 8400x8 out_prob = np.squeeze(res, 0).T result_kypts, confidences, boxes = wrap_detection cx = kpts[0] cy = kpts[1] cv.circle(frame, (int(cx), int(cy)), 3, (255, 0, 255), 4, 8,
39910编辑于 2023-12-26 - 来自专栏贾志刚-OpenCV学堂
【YOLOv8新玩法】姿态评估解锁找圆心位置
前言 Hello大家好，今天给大家分享一下如何基于深度学习模型训练实现圆检测与圆心位置预测，主要是通过对YOLOv8姿态评估模型在自定义的数据集上训练，生成一个自定义的圆检测与圆心定位预测模型 01 02 模型训练 跟训练YOLOv8对象检测模型类似，直接运行下面的命令行即可： yolo train model=yolov8n-pose.pt data=circle_dataset.yaml epochs =15 imgsz=640 batch=1 03 模型导出预测 训练完成以后模型预测推理测试 使用下面的命令行： yolo predict model=D:\python\my_yolov8_train_demo \best.pt source=D:\bird_test\back1\2.png 导出模型为ONNX格式，使用下面命令行即可 yolo export model=D:\python\my_yolov8_ => 8400x8 out_prob = np.squeeze(res, 0).T result_kypts, confidences, boxes = wrap_detection
1.3K10编辑于 2023-12-21 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- 来自专栏应兆康的专栏
8. 建立一个单一数字的评估指标
8 建立一个单一数字的评估指标 分类准确率是单一数字评估指标(single-number evaluation metric)的示例：你在你的开发集（或测试集）上运行你的分类器,然后得到样本分类正确的比例 相比之下，精度（查准率）（Precision）和召回率（查全率）（Recall）[3]就不是一个单一数字的评估指标：它给出两个数字来评估分类器。 拥有多个评估指标使得算法之间的比较更加困难，假设你的算法表现如下： 分类器 精度 召回率 A 95% 90% B 98% 85% 如上所示，这两个分类器的性能差不多，这就导致我们无法轻松的选择最好的那个 使用单一数字评估指标（如精度）使得你可以根据其在该指标上的表现快速对所有模型进行排序，从而绝对哪一个最好。 如果你真的即关心精度也关心召回率，我推荐你使用一个标准方法来把他们组合成一个单一的数字。 [4] 分类器 精度 召回率 F1值 A 95% 90% 92.4% B 98% 85% 91.0% 当你面对大量的分类器时，使用单一数字评估更加方便和快速的让你选择出最好的分类器。
798100发布于 2018-05-09 - 来自专栏Tungsten Fabric中文社区
TF+K8s轻松上手｜TF Carbide评估指南--准备篇
要遵循我们的用例，您应该在AWS上部署自己的带有Kubernetes（“K8s”）的TF快速开始副本。
1.1K30发布于 2020-06-12 “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 - 来自专栏用户8715145的专栏
主机安全风险评估的类型 评估工具
在实际使用中难免会遇到一些病毒，所以大家采购时会有一些主机安全风险评估，会选择一些相对平稳的主机，以免后期运用造成数据的丢失和工作效率低下的问题。 那么主机安全风险评估有哪些种类，和怎么控制风险的发生呢，小编给大家整理了一下相关介绍。 安全风险评估和工具 电脑的使用现在已经很普遍了，使用电脑就会有一些隐私的数据，想达到数据的安全以及防止数据的安全性，我们要对主机进行一个安全风险的评估。安全风险评估分为哪些呢？ 风险评估一方面是对安全手段的评估，另一方面要对实际安全效果的评估。要想达到这种目的，我们要通过安全扫描、手工检查、渗透测试、安全审计、安全策略等方法进行安全风险评估。 企业更要有安全意识，把基础网络和重要信息的制度输入给员工，结合开展风险评估、应控等形式提高基础网络和信息系统的维护。
1.8K30编辑于 2021-12-03 - 来自专栏zingpLiu
模型评估
文章从模型评估的基本概念开始，分别介绍了常见的分类模型的评估指标和回归模型的评估指标以及这些指标的局限性。部分知识点举例加以阐述，以便加深理解。 所以，为了得到泛化误差小的模型，在构建机器模型时，通常将数据集拆分为相互独立的训练数据集、验证数据集和测试数据集等，而在训练过程中使用验证数据集来评估模型并据此更新超参数，训练结束后使用测试数据集评估训练好的最终模型的性能 2 评估指标的局限性 在模型评估过程中，分类问题、排序问题、回归问题往往需要使用不同的指标进行评估。在诸多的评估指标中，大部分指标只能片面地反映模型的一部分性能。 如果不能合理地运用评估指标，不仅不能发现模型本身的问题，而且会得出错误的结论。 3 分类模型的评估指标 正样本：需要判定概率为1的类型的样本叫做正样本。 第三，可以找一个更合适的指标来评估该模型。
1.7K30发布于 2019-04-01
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