- 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 - 来自专栏燧机科技-视频AI智能分析
离岗识别 yolov5
离岗识别算法模型通过yolov5网络模型技术，离岗识别可以自动识别现场画面中人员离岗等行为，发现违规行为立即抓拍告警。 YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。 而YOLOv5的Neck网络中，采用借鉴CSPnet设计的CSP2结构，从而加强网络特征融合能力。 下图展示了YOLOv4与YOLOv5的Neck网络的具体细节，通过比较我们可以发现：（1）灰色区域表示第1个不同点，YOLOv5不仅利用CSP2_\1结构代替部分CBL模块，而且去掉了下方的CBL模块； （2）绿色区域表示第2个不同点，YOLOv5不仅将Concat操作之后的CBL模块更换为CSP2_1模块，而且更换了另外一个CBL模块的位置；（3）蓝色区域表示第3个不同点，YOLOv5中将原始的CBL
55000编辑于 2023-05-20 - 来自专栏香菜聊游戏
虚幻5引擎正式发布，网易、B站、鹰角网络捐赠蔬菜支援上海抗疫
网易、B站、鹰角网络捐赠蔬菜支援上海抗疫 清明节后第一天，网易严选表示已经将50吨蔬菜送达上海，而鹰角网络也在政府支持下采购了600余吨蔬菜分批送往上海，到达后捐给地方公益组织。 虚幻5引擎正式发布 虚幻引擎官微宣布正式发布虚幻5引擎，主要功能包括新一代实时渲染；全新开放世界工具集；内置的角色和动画工具；编辑器内建模、UV编辑和烘焙；增强的编辑器用户界面和工作流程；完全程序化的音频引擎等
1.1K20编辑于 2022-05-29 - 来自专栏四楼没电梯
java验证码识别--5
java验证码识别--1 http://blog.csdn.net/problc/article/details/5794460 java验证码识别--2 http://blog.csdn.net/problc /article/details/5797507 java验证码识别--3 http://blog.csdn.net/problc/article/details/5800093 java验证码识别-- 4 http://blog.csdn.net/problc/article/details/5846614 java验证码识别--5 http://blog.csdn.net/problc/article 得到model之后，把要识别的图片同样弄成libsvm的格式，存成predict.txt label indexi:valuei 0 1:0 2:0 3:0 4:0 5:0 6:0 7:0 8:0 9: 因为要识别的图片还不知道是哪个数字，所以其中label可以填成任何数 然后用svmpredict predict.txt data.txt.model output.txt 这样识别结果就在output.txt
39410编辑于 2024-10-12 - 来自专栏White feathe 的博客
H5 图像识别
识别对比 ---- 1、百度识别 发现百度的图片搜索识别率不是特别，下面为测试图片跟测试后的结果： 测试图片： 下面为测试后的结果： 2、采用 tesseract.js 后结果 H5 图像识别 （采用Tesseract.js 进行识别） ---- 简单的文案之类的，识别的还算可以，但是稍微复杂点的，准确率就不是那么好了，在学习中。。。 font-family:"arial, helvetica, sans-serif"}fieldset{margin-bottom:10%;border:1px solid #ddd;border-radius:5px ratio for chucking outlines edges_debug 0 turn on debugging for this module edges_max_children_layers 5 classes matcher_rating_margin 0.1 New template margin (0-1) matcher_sufficient_examples_for_prototyping 5
4.3K30编辑于 2021-12-08 - 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。 VGG16模型包含5个VGG块(features部分)。每个VGG块是一组卷积层，一个非线性激活函数和一个最大化池化函数。它所有的算法参数都是调整好的，可以识别1000个类别。 True) (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (5) 4096, out_features=1000, bias=True) ) ) 在迁移学习中，我们尝试通过冻结模型的大部分层的学习参数来获得算法的学习内容，仅仅微调网络的最后几层，如本例中我们保留5个 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 - 来自专栏Datawhale专栏
用YOLOv5模型识别出表情！
作者：闫永强，算法工程师，Datawhale成员 本文利用YOLOV5对手势进行训练识别，并识别显示出对应的emoji，如同下图： 本文整体思路如下。 准备手势识别数据集 其中手势数据集已上传至开源数据平台Graviti，包含了完整代码。 在windows平台下ctrl+r cmd命令行窗口输入： onnx2ncnn.exe yolov5-best-sim.onnx yolov5s.param yolov5s.bin 转换的过程中会出现上图所示的 opt = opt; yolov5.register_custom_layer("YoloV5Focus", YoloV5Focus_layer_creator); // init param 识别出手势，然后利用图像ROI融合，把相应的Emoji缩放到80x80大小显示在手势框的旁边，实现根据不同的手势显示相应的Emoji。
1.5K20发布于 2021-09-22 - 来自专栏贾志刚-OpenCV学堂
YOLOv5 实现无人机识别
只要用了Pytorch版本YOLOv5框架，可以毫不夸张的说两个小时就可以学会目标检测。 01 第一步数据准备 想用视觉识别一下空中飞行的无人机，识别对象有： 1：鸟类bird 2：无人机UAV 3：直升机helicopter 想通过自己创建一个数据集，训练yolov5，在调用detect.py 来识别一下效果。 ，也就是uav bird 和helicopter 下面我贴两张图片，这两张图片是我训练了100张图后，测试的标签和测试的预测，基本上框的位置已经很好了，只有左上角的这个直升机helicopter没有被识别出来 第一个箭头： yolov5s.pt，这个是权重文件，用的是s版本，small，yolov5的权重文件不同分为几个不同版本，这里我用的是s版本，这里可以认为是模型的初始权重， 第二个箭头： 这个yolov5s.yaml
1.2K40发布于 2021-07-14 - 来自专栏AI算法与图像处理
YOLOv5 实现无人机识别
只要用了Pytorch版本YOLOv5框架，可以毫不夸张的说两个小时就可以学会目标检测。 01 第一步数据准备 想用视觉识别一下空中飞行的无人机，识别对象有： 1：鸟类bird 2：无人机UAV 3：直升机helicopter 想通过自己创建一个数据集，训练yolov5，在调用detect.py 来识别一下效果。 ，也就是uav bird 和helicopter 下面我贴两张图片，这两张图片是我训练了100张图后，测试的标签和测试的预测，基本上框的位置已经很好了，只有左上角的这个直升机helicopter没有被识别出来 第一个箭头： yolov5s.pt，这个是权重文件，用的是s版本，small，yolov5的权重文件不同分为几个不同版本，这里我用的是s版本，这里可以认为是模型的初始权重， 第二个箭头： 这个yolov5s.yaml
2.1K30发布于 2021-07-13 - 来自专栏Datawhale专栏
我用YOLOv5做情感识别！
这看似简单的应用背后其实是复杂的理论和不断迭代的AI算法，今天笔者就教大家如何快速上手目标检测模型YOLOv5，并将其应用到情感识别中。 2.2 基本原理 看到这里可能会有小伙伴问了：如果我想识别别的图片该怎么改？可以支持视频和摄像头吗？实际应用中应该怎么修改YOLOv5的代码呢？ save_one_box(xyxy, imc, file=save_dir / 'crops' / names[c] / f'{p.stem}.jpg', BGR=True) 其中det是YOLOv5识别出来的结果 这里我用了YOLOv5官方给的推理模型，其中包含很多类别，大家也可以自己训练一个只有“人”这一类别的模型，详细过程可以参考: 在识别出物体坐标后输入emotic模型就可以得到对应的情感，即 pred_cat YOLOv5项目地址：https://github.com/ultralytics/yolov5 Emotic项目地址：https://github.com/Tandon-A/emotic
1.4K30编辑于 2022-02-17 - 来自专栏燧机科技-视频AI智能分析
工人规范操作识别检测 yolov5
工人规范操作识别检测通过yolov5+python网络模型技术，工人规范操作识别检测对工人的操作进行实时监测，当工人规范操作识别系统检测到工人操作不符合规范时，将自动发出警报提示相关人员采取措施。 行为检测合规算法中应用到的YOLOv5中在训练模型阶段仍然使用了Mosaic数据增强方法，该算法是在CutMix数据增强方法的基础上改进而来的。 在YOLO系列算法中，工人规范操作识别检测算法模型针对不同的数据集，都需要设定特定长宽的锚点框。 YOLOv5中将此功能嵌入到代码中，每次训练时，根据数据集的名称自适应的计算出最佳的锚点框，用户可以根据自己的需求将功能关闭或者打开，具体的指令为parser.add_argument(‘–noautoanchor 工人规范操作识别检测应用到的YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。
62820编辑于 2023-09-08 - 来自专栏燧机科技-视频AI智能分析
yolov5 摔倒检测 跌倒识别检测
摔倒检测跌倒识别检测基于YOLOv5技术来实现的图像识别，是计算机视觉的基础算法，例如VGG，GoogLeNet，ResNet等，这类算法主要是判断图片中目标的种类。 目标检测算法和图像识别算法类似，但是目标检测算法不仅要识别出图像中的物体，还需要获得图像中物体的大小和位置，使用坐标的形式表示出来。 也很难对人群进行大规模的关键点检测和判断，因此关键点检测常用于智能运动检测等小规模人群场景，图上所示是先使用yolo进行预判断图片openpose和其他关键点检测模型只是给出人体各个器官的点位坐标，而具体需要识别什么
1.5K00编辑于 2022-12-05 - 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 DOCTYPE html>：声明文档类型为 HTML5。 <html lang="en">：设置文档语言为英语。 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来自专栏开源技术小栈工具系列 | H5如何实现人脸识别
识别工具 百度人脸识别库 1、分析图片中人脸的遮挡度、模糊度、光照强度、姿态角度、完整度、大小等特征，基于输出的符合质量标准的图片，返回准确的相似度评分 2、比对图片中两张人脸的相似度，并返回相似度分值 你可以通过Python引用或者命令行的形式使用它，来管理和识别人脸。 该软件包使用dlib中最先进的人脸识别深度学习算法，使得识别准确率在《Labled Faces in the world》测试基准下达到了99.38%。 前端通过h5页面的getUserMedia方法调用摄像头获取视频流。 通过canvas抓取一帧视频转化为图片（base64），使用http或websocket发送到后台。 否则返回人脸识别失败的信息。 流程图 ? 时序图 ?
4.3K10发布于 2020-07-23来自专栏Soul Joy HubTensorFlow实战——CNN（LeNet5）——MNIST数字识别
TensorFlowinAction/blob/master/InActionB1/chapter6/mnist_inference_6_4_1.py train train部分和《TensorFlow实战——DNN——MNIST数字识别 layer5 layer3和layer4前面的类似，我们跳过它们来看layer5： pool_shape = pool2.get_shape().as_list() nodes = pool_shape pool_shape[3] reshaped = tf.reshape(pool2,[pool_shape[0],nodes]) with tf.variable_scope('layer5- 其余部分就是全连接神经网络了，layer6也和layer5类似。
64120发布于 2019-02-13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。 【4】通风风机：5V小风扇+继电器 为了实现通风控制，选择5V小风扇作为通风装置，并通过继电器控制其开关状态。 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来自专栏云云众生s识别和解决事件响应差距的5个步骤
译自 5 Steps to Identify and Address Incident Response Gaps，作者 Debora Cambe。 5. 进行事故后审查以推动持续改进 拥有成熟的数字运营和事件响应方法的组织将始终从以往的事件中吸取教训。这是不断增强弹性和改进流程的最佳方法。
20810编辑于 2024-09-20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。 获取运行结果 // 5. 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来自专栏燧机科技-视频AI智能分析河道水面垃圾识别检测算法 yolov5
河道水面垃圾识别检测系统采用yolov5忘了模型计算机视觉技术，水面垃圾识别检测算法通过在河道的摄像头，对水面垃圾进行实时监测自动识别。近几年来，目标检测算法取得了很大的突破。 对于一个目标检测算法而言，我们通常可以将其划分为4个通用的模块，具体包括：输入端、基准网络、Neck网络与Head输出端，YOLOv5算法具有4个版本，具体包括：YOLOv5s、YOLOv5m、YOLOv5l 、YOLOv5x四种，本文重点讲解YOLOv5s，其它的版本都在该版本的基础上对网络进行加深与加宽。 在网络训练阶段，YOLOv5使用Mosaic数据增强操作提升模型的训练速度和网络的精度；并提出了一种自适应锚框计算与自适应图片缩放方法。 虽然YOLOv5同样用到了SPP模块、FPN+PAN模块，但是实现的细节有些不同。Head输出端-Head用来完成目标检测结果的输出。
84110编辑于 2023-09-05
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