- 综合排序
- 最热优先
- 最新优先
- 来自专栏超级架构师
SCADA系列 系统评估
选择一个可以设计适合您需求的系统的SCADA系统提供商可能是一个压倒性的，令人困惑的任务。对SCADA和数据采集系统的了解甚少或不完整的系统前评估，所做出的决定可能是代价高昂的错误。 他们可能引诱你或压力，而不是根据影响最佳系统性能的所有因素来配备您做出正确的决定。 这些和其他昂贵的错误可以通过了解，理解和仔细评估您的特定需求来避免。 EPG公司公司已经准备了该SCADA系统评估，以帮助您确定什么SCADA或数据采集系统适合您。如果您在审查此评估后有任何问题或意见，请致电800-443-7426，并要求SCADA或数据采集专家。 在七十年代初期，开发了DCS（分布式控制系统）。 ISAS5.1标准将分布式控制系统定义为在功能集成的同时由一个子系统组成的系统，这些子系统可以在物理上分开并且彼此远离。 EPG公司公司已经准备了这个系统前评估，以帮助您准备购买SCADA系统的方式，为您提供多年的成本效益和可靠的流程控制，同时为您开放明天的扩张和选择。
2.3K50发布于 2018-04-09 BLOOM评估系统：自动化LLM行为评估框架
BLOOM评估系统：自动化LLM行为评估框架项目概述BLOOM（Bloom Rollout Pipeline）是一个开源的大语言模型行为评估系统，专门用于自动化测试和评估LLM的特定行为模式。 该系统采用可配置的种子驱动方法，允许研究人员定义目标行为（如迎合性、政治偏见、自我保存等），并自动生成多样化的评估交互场景来测试模型在这些行为上的表现。 与其他固定评估方法不同，BLOOM根据种子配置的不同而"生长"出不同的评估套件，确保评估的多样性和针对性。所有BLOOM评估都应与其完整的种子配置一起引用以确保可重复性。 LLM多模态交互：支持对话模式和模拟环境模式两种评估方式四阶段评估流程：理解→构思→执行→判断的完整评估流程异步并发执行：支持并行运行多个评估场景提高效率技术特性模块化架构：各评估阶段独立为可替换模块可扩展模型支持 ：支持零样本和少样本评估配置安装指南环境要求Python 3.11或更高版本支持的操作系统：Linux、macOS、Windows至少8GB可用内存安装步骤克隆项目仓库git clone <repository-url
21010编辑于 2026-01-05- 来自专栏机器学习之旅
量化评估推荐系统效果
推荐系统最有效的方法就是A/B test进行模型之间的对比，但是由于现实原因的局限，存在现实实时的困难性，所以，梳理了一些可以补充替代的指标如下，但是离线评估也存在相应的问题： 数据集的稀疏性限制了适用范围 评价结果的客观性，由于用户的主观性，不管离线评测的结果如何，都不能得出用户是否喜欢某推荐系统的结论，只是一个近似的评估。 深度评估指标的缺失。 冷启动 Exploration 和 Exploitation问题 离线模型之间的评估 召回集测试 recall 命中skn个数/用户真实点击skn个数 precision 命中skn个数/所有预测出来的 离线模型与在线模型之间的评估 很多时候，我们需要确定离线模型的效果足够的健壮才能允许上线进行线上测试，那如何进行离线模型与线上模型的评估对比就是一个比较复杂的问题。 其他评估方向 覆盖率 推荐覆盖率越高， 系统给用户推荐的商品种类就越多 ，推荐多样新颖的可能性就越大。
2K30发布于 2018-08-27 - 来自专栏后端系统和架构
如何评估、预测系统的QPS
[TOC]如何评估、预测系统的QPS容量评估按照5倍冗余计算系统架构设计背景当我们在设计一套系统的时候，我们要考虑好系统的架构设计、模块划分、技术方案选型、还有系统性能如能够承受的QPS。 本文就如何评估、预测我们系统的QPS做一些经验输出，不足之处望大佬们指正~评估案例和方案为啥要进行评估？ 因为不同的QPS，所带来的挑战是不同的，架构设计也是不一样的如何评估系统的QPS如何评估系统的QPS，指的是我们的系统支撑的业务场景需要满足的一个最大承压，对于一个新项目而言，一般来说，有这样几个方式： Feed系统的预估对于Feed这样的系统（如微博），我们可以预估一下，全量用户每天总共会发送1000W条Feed，那么Feed子系统一天就会产生1000W条消息，同时，我们预估每条Feed平均有10个用户会去查看 然而，我们压测的目的在于验证我们的猜测，看看我们实际系统和预测的有多少差别。这就是为什么有经验的人只要你告诉他你的系统架构设计，他就能预估你的系统最大能承受的QPS是多少的原因。
9.6K32编辑于 2022-11-12 - 来自专栏Java技术进阶
【系统架构】-如何评估软件架构
基于调查问卷（检查表）的方式 基于度量的方式 基于场景的方式 几种方式的比较 评估方式 调查问卷 检查表 场景 度量 通用性 通用 特定领域 特定系统 通用或特定领域 评估者对架构的了解程序 粗略了解 无限制 中等了解 精确了解 实施阶段 早 中 中 中 客观性 主观 主观 较主观 较客观 基于调查问卷（检查表） 该方式的关键是要设计好问卷或检查表，它充分利用系统相关人员的经验和知识，获得对架构的评估 ，其缺点是很大程度上依赖于评估人员的主观推断。 基于度量 该方式建立在软件架构度量的基础上，首先要建立质量属性和度量之间的映射原则，即确定怎么样从度量结果推出系统具有什么样的质量属性；然后从软件架构文档中获取度量信息；最后根据映射原则分析推到出系统的质量属性 它提供更为客观和量化的质量评估，但对评估人员和适用技术有较高要求。
1.5K30编辑于 2022-12-02 - 来自专栏活动
如何评估推荐系统的性能
在构建推荐系统时，性能评估是一个至关重要的环节。有效的评估方法不仅能衡量系统当前的表现，还能帮助发现系统的不足之处，指导后续的优化工作。 推荐系统评估的重要性 推荐系统的核心目标是为用户提供个性化的内容推荐，从而提高用户满意度和业务指标。因此，评估推荐系统的性能至关重要。评估的结果不仅反映了系统的推荐效果，还为进一步的优化提供了依据。 系统效率：系统在推荐过程中的响应速度和计算资源消耗。 推荐系统的评估指标 推荐系统的评估通常涉及多个指标，每个指标都反映了系统性能的不同方面。 推荐系统评估中的挑战 在评估推荐系统性能时，尽管有多种评估指标可供选择，但这一过程依然面临许多复杂的挑战。 此外，还可以采用混合评估策略，将部分离线评估与实时评估相结合，在不影响实时性的前提下确保评估结果的全面性和准确性。 评估推荐系统的性能是推荐系统开发过程中的关键环节。
1K00编辑于 2024-08-12 自主系统伦理评估新框架
某机构的研究人员开发了一种测试框架，能够精确定位AI决策支持系统在对待个人和社区时不公平的情况。在像电网这样的大型系统中，评估AI模型建议在伦理层面与所有目标的一致性尤为困难。 基于他们先前评估机器人系统的工作，他们开发了一个实验设计框架，用以识别最具信息量的场景，然后由人类利益相关者对这些场景进行更仔细的评估。 一个客观模型考虑系统在成本等可衡量指标上的表现。然后，一个考虑利益相关者判断（如感知公平性）的主观模型建立在客观评估之上。“我们方法的客观部分与AI系统相关，而主观部分与评估它的用户相关。 通过以分层方式分解偏好，我们可以用更少的评估生成所需的场景。” Parashar说道。编码主观性为了执行主观评估，系统使用大语言模型作为人类评估者的代理。 为了测试SEED-SET，研究人员评估了现实的自主系统，如AI驱动的电网和城市交通路由系统。他们测量了生成场景与伦理标准的一致性。
7610编辑于 2026-04-13- 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 基于yolov11的持刀检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv11的持刀检测系统 随着公共安全问题的日益突出，特别是在公共场所如机场、车站、学校等地，持刀等危险行为频发，对人们的生命财产安全构成严重威胁。 因此，开发一种高效、准确的持刀检测系统显得尤为重要。 基于YOLOv11的持刀检测系统应运而生。 该系统利用YOLOv11的先进算法，能够实时识别并定位视频中的持刀行为。 在系统的实现过程中，首先需要收集并标注包含持刀行为的视频数据集。 其次，YOLOv11的算法优化使得系统在保持高准确率的同时，降低了计算复杂度，提高了运行效率。此外，该系统还具有良好的鲁棒性，能够应对不同光照、角度和遮挡等条件下的检测任务。 总之，基于YOLOv11的持刀检测系统为公共安全提供了新的技术手段，有望在未来得到更广泛的应用和推广。
18300编辑于 2025-07-17基于yolov11的蛀牙检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv11的蛀牙检测系统是一款集成了先进深度学习技术的智能口腔健康工具。 该系统通过加载相应的权重文件，可以自适应加载模型，并支持图片识别和视频识别两种模式。在识别过程中，系统能够自动识别结果。 此外，基于YOLOv11的蛀牙检测系统还具备高度的可扩展性和可定制性。 总的来说，基于YOLOv11的蛀牙检测系统是一款高效、准确、易用的智能口腔健康工具，它将为口腔医疗领域带来更加便捷和精准的蛀牙检测解决方案。 四、监控与评估 9. 监控训练过程：观察损失函数的变化，确保模型能够正常学习。 10. 评估模型：训练完成后，在验证集上评估模型的性能，查看mAP（平均精确度均值）等指标。 11. 以上就是使用YOLO11训练自己数据集的基本步骤。请根据实际情况调整这些步骤中的具体细节。希望这些信息对你有所帮助！ 【常用评估参数介绍】 在目标检测任务中，评估模型的性能是至关重要的。
32310编辑于 2025-07-17基于yolov11的绵羊检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv11的绵羊检测系统介绍 基于YOLOv11的绵羊检测系统，利用Ultralytics YOLOv11这一尖端目标检测模型，实现了对绵羊的精准识别与定位。 该系统通过采集绵羊图像，利用YOLOv11模型进行实时分析，能够快速准确地识别图像中的绵羊，并标注其位置信息。 此外，系统还具备跨环境部署能力，可无缝运行于边缘设备、云平台等，满足不同应用场景的需求。 基于YOLOv11的绵羊检测系统，以其高效、精准的性能，为现代农业养殖管理提供了强有力的技术支持。 验证集是用来评估模型性能的数据集，与训练集分开，以确保评估结果的公正性。 Instances： 在所有图片中目标对象的总数。 mAP50-95的计算考虑了从宽松到严格的多个IoU阈值，因此能够更全面地评估模型的性能。 这些指标共同构成了评估目标检测模型性能的重要框架。
24010编辑于 2025-07-17基于yolov11的牙齿检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv11的牙齿检测系统是一款集高效性与精准度于一体的智能口腔分析工具，支持对8类牙齿进行目标检测与分类，包括第一磨牙（1st Molar）、第一前磨牙（1st Premolar） 该系统采用YOLOv11深度学习框架，通过增强的特征提取模块和优化的颈部架构，实现了对复杂口腔影像的高精度识别，其模型在验证集上的mAP值超过95%。 系统支持图片、视频及实时摄像头三种检测模式，并配备可视化界面，可实时显示目标位置、置信度及检测总数。 通过深度卷积优化和通道注意力机制，系统有效降低了误检率，为口腔健康评估提供更可靠的量化依据。 【使用步骤】 使用步骤： （1）首先根据官方框架ultralytics安装教程安装好yolov11环境，并安装好pyqt5 （2）切换到自己安装的yolo11环境后，并切换到源码目录，执行python
34410编辑于 2025-07-17- 来自专栏性能与架构
高可用架构 - 系统性能评估
性能评估的要点 CPU 主要工具：vmstat 内存 主要工具：free 磁盘I/O 主要工具：iostat、sar 网络I/O 主要工具：ifstat 系统整体性能 主要工具：top CPU 评估 ? cpu:sy 如果太高，表示系统调用时间长，例如是IO操作频繁。 如果 us + sy 大于80%，说明可能存在CPU不足。 内存评估 ? free 命令重点指标：free（应用程序可用内存数量）。 磁盘I/O评估 ? 网络I/O评估 ? ： RX Pkts/Rate 数据包接收流量 RX Errs/Drop 丢包 TX Pkts/Rate 数据包发送流量 RX Data/Rate 数据接收流量 TX Data/Rate 数据发送流量 系统整体性能评估
1K31发布于 2019-12-15 - 来自专栏燧机科技-视频AI智能分析
电工考试操作行为识别评估系统
一、引言 我国电工从业人员超4000万人（《2026年中国电力行业发展报告》），特种作业操作证考试作为安全准入门槛，其考评质量直接关系电力系统安全运行。 本文提出基于YOLOv12目标检测、Transformer时序建模与多模态感知的智能识别评估系统，通过“视觉感知-时序行为-规则引擎-量化评分”全链路架构，实现操作行为识别精度96.5%（实验室数据）， （二）算法层核心设计 YOLOv12-Transformer融合的行为时序评估模型 针对“多步骤操作顺序性”与“工具-人体协同动作”识别难题，设计“检测-跟踪-时序建模-规则评估”四步流程： import 电工考试操作行为识别评估系统基于YOLOv12和Transformer架构深度学习算法，电工考试操作行为识别评估系统通过集成AI大模型，自动对作业的漏操作、误操作、操作顺序错误等进行自动识别，保证了智能评分的准确性和可靠性 系统通过在作业工位内布置多角度摄像头，实现无缝隙覆盖，考试过程中自动识别考试场景并全程录像，大大提高了安全生产培训考试的效率。
19510编辑于 2026-01-18 基于yolov11的石榴病害检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv11的石榴病害检测系统是一种高效、精准的农业智能诊断工具。该系统利用了YOLOv11这一最新版本的目标检测模型，具备强大的病害识别能力。 YOLOv11模型在石榴病害检测系统中，经过针对石榴病害的特定数据集进行微调，能够准确识别出石榴上常见的四种病害：Alternaria（链格孢属病害）、Anthracnose（炭疽病）、Bacterial_Blight 该系统在实际应用中，通过采集石榴叶片或果实的图像，利用YOLOv11模型进行实时检测，能够在短时间内识别出病害种类，并标注出病害在图像中的位置。 总之，基于YOLOv11的石榴病害检测系统是一项具有创新性和实用性的农业技术，将为石榴产业的健康发展提供有力支持。 验证集是用来评估模型性能的数据集，与训练集分开，以确保评估结果的公正性。 Instances： 在所有图片中目标对象的总数。
35510编辑于 2025-07-17基于yolov11的汽车损伤检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv11的汽车损伤检测系统是一种先进的计算机视觉技术，旨在快速准确地识别汽车的各种损伤类型。该系统利用YOLOv11模型的强大性能，实现了对车辆损伤的精确检测与分类。 此外，基于YOLOv11的汽车损伤检测系统还具有广泛的应用前景。它不仅可以用于保险理赔过程中的车辆定损，还可以应用于车辆维修、二手车交易以及智能交通系统等领域。 总之，基于YOLOv11的汽车损伤检测系统是一种高效、准确的汽车损伤检测工具，具有广泛的应用价值和市场前景。 四、监控与评估 9. 监控训练过程：观察损失函数的变化，确保模型能够正常学习。 10. 评估模型：训练完成后，在验证集上评估模型的性能，查看mAP（平均精确度均值）等指标。 11. 以上就是使用YOLO11训练自己数据集的基本步骤。请根据实际情况调整这些步骤中的具体细节。希望这些信息对你有所帮助！ 【常用评估参数介绍】 在目标检测任务中，评估模型的性能是至关重要的。
35510编辑于 2025-07-17基于yolov11的水下垃圾检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv11的水下垃圾检测系统是一项创新技术，专为提升水下环境清洁度与保护海洋生态而设计。 该系统利用YOLOv11（You Only Look Once version 11）这一先进的实时目标检测算法，实现了对水下多种垃圾类型的高效识别与定位。 这些类别的广泛覆盖，使得系统能够全面应对水下复杂的垃圾场景。 通过高精度的目标检测与实时处理能力，该系统不仅提升了垃圾清理的效率，还为海洋生态保护提供了有力的技术支撑。 无论是在科研调查、环保监测还是潜水清理作业中，该系统都能发挥重要作用，助力我们共同守护蔚蓝海洋。 验证集是用来评估模型性能的数据集，与训练集分开，以确保评估结果的公正性。 Instances： 在所有图片中目标对象的总数。
18200编辑于 2025-07-17- 来自专栏网站漏洞修复
网站安全评估系统的设计概述
其次，在利用各种渗透测试技术对网站进行测试获得测试结果的基础上，设计了基于自动集成测试系统的渗透测试和安全评估方案。 进一步研究安全评估的核心算法，综合考虑了系统维护人员对目标的预估和测试结束后测试人员对目标的评估两个因素，提出了基于攻防游戏结果预估的网站安全评估算法和评估流程。 最后，实现了自动渗透测试集成系统，并对系统的测试结果与单一渗透测试技术的结果进行了详细的分析和比较。 综上所述，需要设计一个系统来整合渗透测试和安全评估工具的优势。 综合测试测试目标不仅可以大大提高网站的整体安全性，而且集成系统操作简单，可重用性高，适用范围广，如果想要对网站或APP进行全面的渗透测试服务安全评估的话，可以向网站安全公司或渗透测试公司寻求服务。
1.1K30发布于 2021-07-15 推荐系统评估、偏见与算法解析
某中心在RecSys：评估、偏见与算法某中心学者Pablo Castells分享他在推荐系统研究中观察到的趋势。 会议：RecSys 2021与计算机视觉或自然语言处理等会议不同，ACM推荐系统会议（RecSys）具有鲜明的互联网时代特征。 虽然我长期从事学术研究，但推荐系统问题完全可以从数学角度抽象处理，并通过小数据实验进行探索。”Castells认为当前领域特别关注三大主题：评估“如何确定推荐系统是否正常运行？ 这在生产系统中通过A/B测试等在线评估已充满挑战，离线评估则更为困难。最新趋势认为推荐系统的客户不仅包括终端消费者，还应包含提供推荐服务的卖方。因此算法效果需要从不同利益相关方的多维度视角进行衡量。” 即使针对特定用户，推荐系统性能的衡量也非易事。“推荐系统的有效性不仅在于准确预测用户喜好，更在于提供的内容是否实用。实用性取决于上下文环境和使用目的——收听熟悉音乐与发现新音乐的价值标准就截然不同。
25210编辑于 2025-10-11基于yolov11的齿轮缺陷检测系统python源码+pytorch模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv11的齿轮缺陷检测系统介绍 基于YOLOv11的齿轮缺陷检测系统，是针对齿轮制造与维护领域开发的高效自动化检测工具。 该系统依托YOLOv11目标检测算法，利用其增强的特征提取能力（如C3k2块与C2PSA模块）和优化的检测头设计，实现对齿轮表面缺陷的高精度识别，可精准定位“break（断裂）,lack（断齿）与scratch 系统界面基于PyQt5开发，提供直观的操作体验。该技术方案显著提升了齿轮缺陷检测效率，为制造业质量管控提供了可靠支持。 验证集是用来评估模型性能的数据集，与训练集分开，以确保评估结果的公正性。 Instances： 在所有图片中目标对象的总数。 【使用步骤】 使用步骤： （1）首先根据官方框架ultralytics安装教程安装好yolov11环境，并安装好pyqt5 （2）切换到自己安装的yolo11环境后，并切换到源码目录，执行python
31510编辑于 2025-07-17
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