- 综合排序
- 最热优先
- 最新优先
- 来自专栏Fantasy的技术小站
花朵数
编程大题 花朵数 题目 一个N位的十进制正整数，如果它的每个位上的数字的N次方的和等于这个数本身，则称其为花朵数。 程序的任务是：求N＝21时，所有满足条件的花朵数。注意：这个整数有21位，它的各个位数字的21次方之和正好等于这个数本身。
49920编辑于 2023-05-02 - 来自专栏深度学习框架
花朵分类(一)
本次教程的目的是带领大家学会基本的花朵图像分类 首先我们来介绍下数据集，该数据集有5种花，一共有3670张图片，分别是daisy、dandelion、roses、sunflowers、tulips，数据存放结构如下所示 我们可以展示下roses的几张图片 接下来我们需要加载数据集，然后对数据集进行划分，最后形成训练集、验证集、测试集，注意此处的验证集是从训练集切分出来的，比例是8:2 对数据进行探索的时候，我们发现原始的像素值是
66720发布于 2021-07-29 基于yolov8的106种鲜花识别花朵检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv8的106种鲜花识别花朵检测系统是一项融合了先进深度学习技术的创新应用。 该系统利用YOLOv8算法，这一目前最先进的目标检测模型之一，实现了对106种不同花卉的快速、准确识别。 YOLOv8以其速度快、准确性高和鲁棒性强的特点，在花卉识别任务中展现出卓越性能。 在实际应用中，该系统能够快速识别并标记出图像中的花卉种类，同时提供位置信息和置信度评分，为用户提供了直观、便捷的识别体验。 未来，随着技术的不断发展和优化，基于YOLOv8的鲜花识别花朵检测系统将在更多领域发挥重要作用，为花卉保护、园林设计等领域提供有力支持。 ，并安装好pyqt5 （2）切换到自己安装的yolov8环境后，并切换到源码目录，执行python main.py即可运行启动界面，进行相应的操作即可 【提供文件】 python源码 yolov8n.onnx
52400编辑于 2025-07-22- 来自专栏Python项目
花朵识别系统python+TensorFlow+Django网页界面+卷积网络算法【完整代码】
一、介绍花朵识别系统，基于Python实现，深度学习卷积神经网络，通过TensorFlow搭建卷积神经网络算法模型，并对数据集进行训练最后得到训练好的模型文件，并基于Django搭建可视化操作平台。 在当今信息化社会，图像识别技术在各种领域都展现出了重要的应用价值，包括医学影像分析、自动驾驶、人脸识别等。图像识别是深度学习领域最为重要和最具挑战性的研究方向之一。 本项目即是基于这一背景，通过使用Python和TensorFlow框架，以ResNet50网络模型为核心，构建了一套高效、准确的图像分类识别系统。 二、效果图片图片图片图片三、演示视频+代码视频+代码：https://www.yuque.com/ziwu/yygu3z/zetq5wehgyh7gufv四、技术架构本项目的图像分类识别系统是基于Python 在本项目中，我们使用了50层的ResNet模型，即ResNet50，进行图像分类识别。用户交互方面，我们通过Django框架搭建了网页端界面。
93131编辑于 2023-07-11 - 来自专栏腾讯社交用户体验设计
来自星星的花朵 - 腾讯ISUX
同样的，在新版的动效设计中，我们也对波纹动效进行了细节的优化，为了增强互动的真实感，当花朵飘落到明星头像上时，其周围的波纹也有一个加速扩散的反馈，随后，波纹恢复到匀速循环的状态，动效的体验过程也更加自然
1.4K50发布于 2018-06-29 - 来自专栏AI无止境
使用数据中心完成花朵图片数据标注
操作步骤步骤1：数据准备在对象存储中导入好数据集，本示例使用花朵数据集；图片在数据中心导入花朵数据集：图片选择对象存储桶中的数据集进行导入到数据集：图片导入成功后可在“我的数据集”页面查看数据集状态：图片点击数据集名称进入数据集详情界面
1.7K61编辑于 2022-09-16 - 来自专栏全栈程序员必看
Django 教程_最简单剪花朵的步骤
web框架：别人已经设定好的一个web网站模板，你学习它的规则，然后“填空”或“修改”成你自己需要的样子。
1.2K40编辑于 2022-10-29 - 来自专栏VRPinea
别让祖国的花朵，被蓝鲸杀死
近日，一种名为“蓝鲸”（Blue Whale）死亡游戏正藉由网络向全球各地悄然蔓延，包括英国、阿根廷、墨西哥，甚至中国。据悉，该游戏源于俄罗斯，参与者多为10-14岁的青少年。他们被要求跟随“导师”一
99360发布于 2018-05-16 - 来自专栏用户5033944的专栏
“花朵分类“ 手把手搭建【卷积神经网络】
前言 本文介绍卷积神经网络的入门案例，通过搭建和训练一个模型，来对几种常见的花朵进行识别分类； 使用到TF的花朵数据集，它包含5类，即：“雏菊”，“蒲公英”，“玫瑰”，“向日葵”，“郁金香”；共 3670 张彩色图片；通过搭建和训练卷积神经网络模型，对图像进行分类，能识别出图像是“蒲公英”，或“玫瑰”，还是其它。 ，它包含5类，即：“雏菊”，“蒲公英”，“玫瑰”，“向日葵”，“郁金香”；共 3670 张彩色图片；数据集包含5个子目录，每个子目录种存放一个类别的花朵图片。 花朵数据集中的图片，形状是 (180, 180, 3)，我们可以在声明第一层时将形状赋值给参数 input_shape 。 比如：在训练集的花朵图片都是近距离拍摄的，测试集的花朵有部分是远距离拍摄，训练出来的模型，自然在测试集的准确度不高了；如果一开始在训练集也包含部分远距离的花朵图片，那么模型在测试集时准确度会较高，基本和训练集的准确度接近
2.4K30发布于 2021-05-13 - 来自专栏小红豆的数据分析
小蛇学python（14）K-means预测花朵种类
Iris数据集的地位就相当于遗传学家眼中的果蝇，其花朵的性状分明，用来学习数据挖掘再好不过。因此python的sklearn库中内置了此数据集，大家不用下载，一行代码就可以获得该数据集。 同时还有标签变量target，表示了花朵的种类，用0、1、2表示。 存在csv文件中是这样的。 ? 数据集 下面是处理数据的代码。代码中涉及了如何将花个体与标签两个表格合并的过程。 多变量探索 接下来我们探索并比较，花萼长宽和花瓣长宽这两组因子组合分别对花朵种类的影响。 ax.w_yaxis.set_ticklabels(()) ax.w_zaxis.set_ticklabels(()) plt.show() 我们设置降维成三维，并在3D图上可以直观的感受到降维成三个解释变量后的花朵分布情况 knn.fit(x_train, y_train) y_pre_test = knn.predict(x_test) print(y_pre_test) print(y_test) 运行后发现，我们的识别错误率为
93140发布于 2018-09-12 - 来自专栏AI科技大本营的专栏
热文 | 卷积神经网络入门案例，轻松实现花朵分类
作者 | 黎国溥 责编 | 寇雪芹 出品 | AI 科技大本营（ID:rgznai100） 前言 本文介绍卷积神经网络的入门案例，通过搭建和训练一个模型，来对几种常见的花朵进行识别分类；使用到TF 的花朵数据集，它包含5类，即：“雏菊”，“蒲公英”，“玫瑰”，“向日葵”，“郁金香”；共 3670 张彩色图片；通过搭建和训练卷积神经网络模型，对图像进行分类，能识别出图像是“蒲公英”，或“玫瑰”，还是其它 导入数据集 使用到TF的花朵数据集，它包含5类，即：“雏菊”，“蒲公英”，“玫瑰”，“向日葵”，“郁金香”；共 3670 张彩色图片；数据集包含5个子目录，每个子目录种存放一个类别的花朵图片。 花朵数据集中的图片，形状是 (180, 180, 3)，我们可以在声明第一层时将形状赋值给参数 input_shape 。 比如：在训练集的花朵图片都是近距离拍摄的，测试集的花朵有部分是远距离拍摄，训练出来的模型，自然在测试集的准确度不高了；如果一开始在训练集也包含部分远距离的花朵图片，那么模型在测试集时准确度会较高，基本和训练集的准确度接近
1.2K30发布于 2021-06-08 - 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
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