- 综合排序
- 最热优先
- 最新优先
- 来自专栏Python项目
蔬菜识别系统Python+TensorFlow+Django网页界面+卷积网络算法+深度学习模型
一、介绍蔬菜识别系统，使用Python作为主要开发语言，基于深度学习TensorFlow框架，搭建卷积神经网络算法。并通过对数据集进行训练，最后得到一个识别精度较高的模型。 并基于Django框架，开发网页端操作平台，实现用户上传一张图片识别其名称。 在进行图像识别分类之前，我们需要准备训练数据。通常情况下，我们需要一个包含训练图像和对应标签的数据集。TensorFlow提供了一些便捷的工具来加载和处理图像数据。 在TensorFlow中，我们可以使用Keras API来构建图像识别分类模型。Keras提供了一系列方便易用的层和模型，可以帮助我们快速构建深度学习模型。 本文介绍了TensorFlow在图像识别分类中的应用，并通过相关代码进行了讲解。通过TensorFlow提供的工具和库，我们可以方便地构建、训练和评估图像识别分类模型。
81721编辑于 2023-07-13 YOLO11实战——物体检测识别
一、前言 老周当时了解YOLO的时候是YOLO8，当时很火，但转眼间就YOLO11了。从官方给的性能图来看YOLO11大概是走到此类任务的天花板了，未来几年目标检测的任务可能不会再有很巨大的提升。 使用示例：https://docs.ultralytics.com/models/yolo11/#usage-examples # Load a COCO-pretrained YOLO11n model and train it on the COCO8 example dataset for 100 epochs yolo train model=yolo11n.pt data=coco8.yaml yolo predict model=yolo11n.pt source=https://github.com/ultralytics/assets/releases/download/v0.0.0/ 当YOLO11能识别1000种物体时，我们是否该思考：机器的'视力'终将超越人类？从医疗影像的早期病变检测，到自动驾驶的复杂路况判断，物体检测的边界正在被不断拓展。
75010编辑于 2025-12-24- 来自专栏Python编程 pyqt matplotlib
基于VGG16迁移学习给蔬菜水果分类
人类并不是通过从头分析成千上万个相似的图像来识别新的图形。 VGG16模型是在ImageNet竞赛中获得成功的最早的算法之一，它比较简单，本篇用它来介绍迁移学习和用来训练我们的蔬菜水果图像分类器。 它所有的算法参数都是调整好的，可以识别1000个类别。 ceil_mode=False) (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (11 当然，最后一层的out_features 得由1000改为36，因为我们的蔬菜水果数据集仅含有36个类别。
1.4K10编辑于 2022-06-07 天气识别分类数据集6862张11类别
数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：6862 分类类别数：11 类别名称:["dew","fogsmog","frost","glaze"
14200编辑于 2025-07-15- 来自专栏【Educoder实训】头歌实践教学平台
【CSS——页面布局】新鲜的蔬菜（蓝桥杯真题-2439）【合集】
背景介绍 厨房里新到一批蔬菜，被凌乱地堆放在一起，现在我们给蔬菜分下类，把相同的蔬菜放到同一个菜板上，拿给厨师烹饪美味佳肴吧。 edge" /> <meta name="viewport" content="width=device-width, initial-scale=1.0" /> <title>新鲜的蔬菜 每个 box 元素内包含若干个 元素，每个 item 元素中又包含一个
标签，用于显示蔬菜图标。 在这个过程中，会识别出
作为整体容器，以及内部的三个元素和它们包含的 及 <99100编辑于 2025-03-07来自专栏Python和安全那些事11.威胁情报实体识别 (2)基于BiGRU-CRF的中文实体识别万字详解
由于上一篇文章详细讲解ATT&CK威胁情报采集、预处理、BiLSTM-CRF实体识别内容，这篇文章不再详细介绍，本文将在上一篇文章基础上补充： 中文命名实体识别如何实现，以字符为主 以中文CSV文件为语料 [当人工智能遇上安全] 10.威胁情报实体识别之基于BiLSTM-CRF的实体识别万字详解 常见的数据标注工具： 图像标注：labelme，LabelImg，Labelbox，RectLabel，CVAT 'E-PER': 3, 'O': 4, '': 5, 'B-LOC': 6, 'E-LOC': 7, 'S-PER': 8, 'S-TIM': 9, 'B-TIM': 10, 'E-TIM': 11 , 'I-TIM': 12, 'I-LOC': 13} 需要注意：在实体识别中，我们可以通过调用该函数获取识别的实体类别，关键代码如下。 一.ATT&CK数据采集 二.数据预处理 三.基于BiLSTM-CRF的实体识别 1.安装keras-contrib 2.安装Keras 3.中文实体识别 四.基于BiGRU-CRF的实体识别 五.总结
74210编辑于 2024-02-23来自专栏一“技”之长iOS MachineLearning 系列（11）—— 自然语言识别与文本分析
iOS MachineLearning 系列（11）—— 自然语言识别与单词分析 在上一篇文章中，我们介绍了使用NaturalLanguage框架来进行自然语言的拆解，可以将一段文本按照单词，句子或段落的模式进行拆解 并且，在进行拆解时，其可以自动的识别所使用的语言。 语言识别是其他高级自然语言处理任务的基础，本篇文章还将介绍NaturalLanguage关于文本分析的能力，其能够对文本中的人名，地名和组织名进行识别，也可以对词性进行分析，如动词，名词。 1 - 语言识别 NLLanguageRecognizer类用来进行语言识别，其可以对输入的文本所使用的语言进行推断，使用非常简单。 ，我们也可以使用languageHypotheses方法来获取可能识别出的语言，返回的结果中会对识别出的每种语言的可信度进行标记。
1.2K10编辑于 2023-05-07来自专栏嵌入式项目开发基于STM32的蔬菜大棚温湿度智能控制系统设计
一、前言 随着人们对健康和可持续生活方式的关注不断增加，蔬菜大棚成为了现代农业中的重要组成部分。蔬菜大棚提供了一个受控的环境，使得农民能够在任何季节种植蔬菜，并根据需要进行调节。 为了实现最佳的蔬菜生长和产量，对温度和湿度等环境条件的精确控制至关重要。 传统的蔬菜大棚管理通常依赖于人工监测和调节。 这种方法存在一些问题，例如人工监测容易出现误差和延迟，而且对于大规模的蔬菜大棚来说，人工调节工作量巨大。所以开发一种基于智能控制系统的蔬菜大棚温湿度管理方案变得非常重要。 项目的目标是提高蔬菜大棚的生产效率和质量，降低能源消耗，并减少人力投入。通过智能控制系统的应用，农民能够实现更加可持续和高效的农业生产，为社会提供更多健康的蔬菜产品。 蔬菜大棚温湿度智能控制系统利用STM32微控制器和各种传感器实现了对环境参数的监测和控制，提高了蔬菜大棚的自动化程度和生产效率。
2.6K51编辑于 2023-09-27水果蔬菜检测数据集VOC+YOLO格式9637张94类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
66020编辑于 2025-07-17来自专栏决策智能与机器学习算法集锦（11）| 自动驾驶 | 基于HOG和SVM的车辆识别算法
ycrcb 'bounding_box_size': 64, # 64 pixels x 64 pixel image 'number_of_orientations': 11 # 1, 2 'do_transform_sqrt': True } # [3 x 3 block positions] x [2 x 2 cells per block] x [11 （overlapping detection）或者假阳性识别（false positive detection）问题。 最终，有车辆存在的区域就会变得越来越“热”，从而识别出车辆的准确位置。 此外为了解决交叉识别和假阳性检测问题，应用了热点图技术。
1.7K20发布于 2020-08-04来自专栏ATYUN订阅号iOS11真机运行CoreML图像识别demo（Object C 版）
前几天做了一版CoreML在模拟器上进行识别图片的demo，是使用官方推荐的swift语言编写的，今天抽空把CoreML在Object C上再基于上一版完善一些功能，实现拍照识别，相册识别。 今天要做的是一个在真机上运行的demo，而CoreML的运行环境要求是iOS 11，所以，我们要有一台能安装iOS 11的设备，推荐iPhone6s以上机型。 iOS 11怎么升级，虽然目前苹果仅放出了iOS11开发者预览版，但如果你有备用机，或者想先试试升级，在这里我们教你快速升级到iOS 11开发者预览版（需要注意的是，目前iOS11还处于开发者测试阶段， 4、点击需要安装的设备，然后按照流程确认安装 我本机已经升级到iOS 11就不往下一步进行了，安装完描述文件会提示您重启，重启后再设置-通用-软件更新里面就能看到iOS 11 Developer beta VNClassificationObservation对象有两个参数 1.confidence 识别率,值越高应该是越接近的 2.identifier 识别结果 最后来看看CoreML识别结果：
2.4K80发布于 2018-03-02来自专栏可以叫我才哥用Python采集蔬菜与肉类商品历史价格，带你了解了解~
猪肉价格走势 而一些蔬菜比如油麦菜从年初的2.5元/斤到现在的4.5元/斤，高的时候能有8元/斤；再比如菠菜从年初的1.7元/斤到现在的4元/斤，高的时候也能到7-8元/斤。 我们知道前年 50块一斤猪肉(也是离谱)，现在可以买5斤，于是就有了下面这张对比图： 以前没钱吃肉，现在没钱吃菜 那么，蔬菜价格目前到底是什么情况呢？全年一般又是什么样的走势呢？
50720发布于 2021-11-09来自专栏PaddlePaddle1+1>2，Paddle Lite与EdgeBoard无缝连接，快速实现部署应用
本文通过Paddle Lite高性能推理引擎在百度EdgeBoard计算卡上部署蔬菜识别模型，达到了实时高效识别蔬菜品类的效果。 1. 真实案例：蔬菜种类识别 针对真实的业务需求：蔬菜种类识别，本文进行了完整的案例实现。 简便起见，我们采用了百度AI Studio的公开蔬菜识别模型，为了进一步提高识别速度和效率，采用的是int8量化训练的模型，量化的优点包括低内存带宽、低功耗、低计算资源占用以及低模型存储需求等。 总结 本文利用Paddle Lite推理引擎在EdgeBoard计算卡上部署Resnet50 int8量化蔬菜识别模型，实现了边缘端智能识别蔬菜品类的功能，可用于多种场景。 整个应用借助Paddle Lite的上层框架优化能力与FPGA的底层计算加速能力，每秒可识别50帧，真正实现实时高效的蔬菜识别。
1.1K20发布于 2019-10-10基于Java+Springboot+Vue开发的鲜牛奶鲜果蔬菜订购管理系统源码+运行
该项目是基于Java+Springboot+Vue开发的鲜牛奶订购管理系统（前后端分离），鲜果蔬菜预订系统。这是一项为大学生课程设计作业而开发的项目。 开发环境后端： Java 8 + Springboot前端： Javascript + Vue数据库：MySQL 5.7开发平台：IDEA + vscode运行环境：Windows 10/11关键技术前端技术栈
20300编辑于 2025-05-25来自专栏机器人课程与技术ROS2+Gazebo11+Car+OpenCV巡线识别和速度转向控制学习
ROS2+Gazebo11+Car+OpenCV获取巡线视觉数据学习 ROS2+Gazebo11+Car+OpenCV录制视觉数据和控制学习 ---- 完成如上两篇学习和练习之后，开启自主巡线之旅。
66310编辑于 2022-06-12来自专栏CreateAMindYOLO11-JDE：快速精准的多目标跟踪与自监督重识别
YOLO11-JDE: Fast and Accurate Multi-Object Tracking with Self-Supervised Re-ID YOLO11-JDE：快速精准的多目标跟踪与自监督重识别 https://www.arxiv.org/pdf/2501.13710 摘要 我们提出了 YOLO11-JDE ，一种快速且准确的多目标跟踪（MOT）解决方案，它将实时目标检测与自监督的重识别（Re-Identification 虽然目标检测的目标是通过特征聚类来区分不同类别对象，重识别（Re-ID）则要求在同类对象内部具备一定的特征差异性，以便对同一类别中的不同个体进行有效区分。 Re-ID Loss重新识别损失 对于一个给定的训练批次，模型会输出 N 个前景预测结果 ，每个预测都附带一个具有对应真实身份标签的嵌入向量。 在身份切换（IDs）指标上，YOLO11-JDE 也优于许多竞争方法，这表明其所生成的嵌入特征具有良好的判别能力。因此，我们认为其整体跟踪性能受限主要源于检测能力的不足，而非重识别能力的问题。
22510编辑于 2026-03-11来自专栏GreenLeavesES 基于查询结果的聚合
:11", "Desc" : "芦笋来自国外进口的蔬菜,西餐标配", "Level" : "中等蔬菜", "Name" : "芦笋", "Price" : 66.11, "Tags" : [ "有点贵", "国外", "绿色蔬菜", "营养价值高" ], "Type" : "蔬菜" } }, { "_index" : "food", { "key" : "有点贵", "doc_count" : 1 }, { "key" : "绿色蔬菜 :11", "Desc" : "芦笋来自国外进口的蔬菜,西餐标配", "Level" : "中等蔬菜", "Name" : "芦笋",
2.3K30编辑于 2022-09-21来自专栏腾讯研究院的专栏腾讯孟昭莉：互联网+三农，一揽子解决方案
在8月11日晚举办的第14期互联网前沿沙龙上，腾讯研究院首席经济学家孟昭莉在发表题为“互联网+三农：一揽子解决方案”主题演讲时表示，中国存在农业生产形势严峻和农村治理较为落后的双重挑战，综合国内外的经验来看 河北省肃宁县绿苑蔬菜专业合作社通过建立微信群，及时共享相关种植技术和病虫害预防知识，每年培育优质蔬菜种苗5000多万株，带动5000余户农户种植蔬菜增收致富，崇仁县农民王志华通过手机微信，给县植保专家王良寿发了一张自家稻田水稻病虫害的图片 微信公众号定期推送公众医疗资讯，如防治常见传染病，孕妇医疗产检知识，精神疾病识别等，提高农民医疗认识水平，预防常见疾病；依靠微信公众号互动服务功能，传送图片及语音实现远程诊疗家禽常见疾病，防止禽流感发生
1.1K100发布于 2018-02-02来自专栏TensorFlow从0到N + RustTensorFlow从0到1 - 11 - 74行Python实现手写体数字识别
MNIST 早在1998年，在AT&T贝尔实验室的Yann LeCun就开始使用人工神经网络挑战手写体数字识别，用于解决当时银行支票以及邮局信件邮编自动识别的需求。数据集MNIST由此产生。 人们希望学习训练集（training set）后获得的模型，能够识别出从未见过的样本，这种能力就是泛化能力，通俗的说，就是举一反三。 模型的训练过程，就是不断的使识别结果趋近于标签的过程。基于标签的学习，称为有监督学习。 代码开始运行，30次迭代学习后，识别准确率即可达到95%。这个识别率是未去逐个优化超参数，就能轻松得到的，可以把它当做一个基线水准，在此基础上再去慢慢接近NN的极限（99.6%以上）。 return sigmoid(z) * (1 - sigmoid(z)) 下载 nndl_11_network.py
2K60发布于 2018-04-11来自专栏燧机科技-视频AI智能分析非机动车占道车辆逆行识别系统 YOLOv11+RNN
本文提出基于YOLOv11目标检测与时空特征融合的智能识别系统，通过多光谱感知-动态行为建模-分级执法联动技术架构，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。 （二）算法层核心设计 YOLOv11违规行为检测优化 针对非机动车“小目标（远距骑行者）”“动态遮挡（行人遮挡）”问题，优化模型结构与训练策略： # YOLOv11模型配置（非机动车场景定制） from ultralytics import YOLO model = YOLO('yolov11s.yaml') # 平衡精度与速度 model.model.nc = 6 # 6类：非机动车占道 data='nonmotor_violation.yaml', epochs=200, imgsz=1280) # 基于8万+标注样本训练时空特征融合网络（RNN-LSTM混合架构） 融合YOLOv11 非机动车占道车辆逆行识别系统依托于 YOLOv11+RNN 深度学习算法，非机动车占道车辆逆行识别系统集成 AI 大模型对于非机动车占道、逆行等违法行为，实现了实时检测抓拍，哪怕是车流人流中稍纵即逝的违规行为
39600编辑于 2026-01-11
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