- 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 - 来自专栏机器学习原理
NLP(6)——命名实体识别
为什么需要实体识别 普通的工具如hanlp，htp，不能识别特定领域的专有名词，所以需要实体识别的算法。下面就以医疗专业为例子来谈一下医疗专业的命名实体识别。 先边界识别 然后进行类别判定 例如医疗需要识别的命名实体的类型有疾病、疾病诊断分类、症状、检查、治疗在这五类以及疾病和症状的修饰信息。 (6)待证实的: 当前不会发生, 但预期会发生。 比如: 手术一周后会有局部瘙痒 多在皮疹出现后1~4周左右出现血尿和 (或) 蛋白尿。
2.3K30发布于 2018-08-27 - 来自专栏iSharkFly
Confluence 6 配置校验和识别 原
识别系统属性 请参考 Recognized System Properties 页面中的内容来找到针对你安装 Confluence 版本可以配置的系统属性参数。 https://www.cwiki.us/display/CONF6ZH/Configuring+System+Properties
46320发布于 2019-01-30 - 来自专栏iSharkFly
Confluence 6 识别慢性能的宏 原
https://www.cwiki.us/display/CONF6ZH/Identifying+Slow+Performing+Macros
53530发布于 2019-01-30 - 来自专栏iSharkFly
Confluence 6 识别系统属性 原
officeconnector.spreadsheet.xlsxmaxsize 4.0.5 2097152 Office Connector 当使用 viewxls 宏的时候，确定 Excel 文件中识别的最大字节 sandbox 将会检查每次请求的时间是否超过了 6 秒钟。 officeconnector.spreadsheet.xlsxmaxsize 4.0.5 2097152 Office Connector 当使用 viewxls 宏的时候，确定 Excel 文件中识别的最大字节 sandbox 将会检查每次请求的时间是否超过了 6 秒钟。 https://www.cwiki.us/display/CONF6ZH/Recognized+System+Properties
1.2K30发布于 2019-01-30 - 来自专栏iSharkFly
Confluence 6 识别慢性能的宏 原
https://www.cwiki.us/display/CONF6ZH/Identifying+Slow+Performing+Macros
38340发布于 2019-01-30 - 来自专栏AI算法与图像处理
附源码 | SeetaFace6Open开源人脸识别引擎库 人脸识别演示
SeetaFace6提供了人脸的11个模型，本体验用到了其中7个。 已用到：人脸检测，关键点检测，人脸识别，性别，年龄，眼睛，活体检测； 未用到：带口罩识别，人脸追踪，人脸姿态，质量评估。 SeetaFace6：https://github.com/SeetaFace6Open/index SeetaFace文档完善，开发方便。支持戴口罩与不带口罩的人脸识别： ? vector<SeetaPointF> points(FL.number()); FL.mark(image, face, points.data()); //----人脸识别 + face.height, frame); } Scalar title_color(0x00, 0x8C, 0xFF); //绘制人脸库 int space = 6; { /* static std::vector<string> labels = { "船名: GOLDEN MONTERREY", "呼号：V7MG6"
6.4K30发布于 2021-01-20 - 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) (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (6) out_features=4096, bias=True) (4): ReLU(inplace=True) (5): Dropout(p=0.5, inplace=False) (6) 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iSharkFly
Confluence 6 找到你的支持识别代码（SEN）
> 基本配置（General Configuration） > 许可证详细（License Details）
44120发布于 2019-01-31 - 来自专栏3D视觉从入门到精通
基于对应点的6D姿态识别
前言 最近读取了一些针对Corresponding-based方法的6D姿态识别paper，在这里分享下思路。 3、Segmentation-driven 6D Object Pose Estimation（CVPR2019） 本文提出了一个分割驱动的6D姿态估计框架，其中对象的每个可见部分以2D关键点位置的形式贡献一个局部姿态预测 4、Estimating 6D Pose From Localizing Designated Surface Keypoints 本文提出了一种基于RGB图像的6D位姿估计的精确而有效的方法。 通过选择置信度最高的关键点来恢复6D姿势，成功地处理了严重的遮挡。 ? ? ? 5、6-DoF Object Pose from Semantic Keypoints（ICRA） 本文提出了一种从单个RGB图像中估计物体连续六自由度（6-DoF）姿态（3D平移和旋转）的新方法。
1.2K10发布于 2020-12-11 - 来自专栏决策智能与机器学习
算法基础（6）| 语音识别DTW算法小讲
语音识别概况 时至今日，语音识别已经有了突破性进展。 2017年8月20日,微软语音识别系统错误率由5.9%降低到5.1%，可达到专业速记员的水平；国内语音识别行业的佼佼者科大讯飞的语音听写准确率则达到了95%，表现强悍。 语音识别基本原理 声音的本质是震动，它可以由波形表示，识别则需要对波进行分帧，多个帧构成一个状态，三个状态构成一个音素。 另外，在识别过程中，自学习系统会归纳用户的使用习惯和识别方式，然后将数据归纳到数据库，从而让识别系统对该用户来说更智能。 所以在孤立词语音识别中，DTW算法仍得到广泛的应用。 ? 在训练和识别阶段，首先采用端点检测算法确定语音的起点和终点。
2.2K10发布于 2020-08-04 - 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。 使用线性渐变设置背景图像，并设置背景图像的大小为 6x6 像素。 .box 样式： display: flex;：将 .box 元素设置为弹性容器。 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3D视觉从入门到精通基于点云方式的6D姿态识别
前言 除了对应点方式，还可以将点云将与整个形状对齐，获得6D姿态。通常，首先进行粗配准以提供初始对准，然后进行密集配准方法，如迭代最近点（ICP），以获得最终的6D姿态。
88910发布于 2020-12-11来自专栏计算机视觉工坊基于点云方式的6D姿态识别
前言 除了对应点方式，还可以将点云将与整个形状对齐，获得6D姿态。通常，首先进行粗配准以提供初始对准，然后进行密集配准方法，如迭代最近点（ICP），以获得最终的6D姿态。
1.8K20发布于 2020-11-11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。 【1】主控芯片：STM32F103ZET6 主控芯片使用STM32F103ZET6，它是一款高性能的ARM Cortex-M3内核微控制器，具有丰富的外设资源和强大的处理能力。 【6】用户交互：通过按键输入或其他方式，实现用户与系统的交互。设置土壤湿度阈值、调节温度范围等。 四、总结 本项目基于STM32微控制器实现了一个蔬菜大棚温湿度智能控制系统。系统的主控芯片采用了STM32F103ZET6，用于控制和协调各个硬件模块的工作。
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
2962 cat-Abyssinian 框数 = 101 cat-Bengal 框数 = 102 cat-Birman 框数 = 1 cauliflower 框数 = 108 charger 框数 = 6
66020编辑于 2025-07-17来自专栏老张的求知思考世界全链路压测(6)：确认范围和识别风险
全链路压测是个复杂的跨团队协作的技术工程，所以在实施之前，需要明确项目的范围边界和尽可能提前识别可能存在的风险。这篇文章，就来聊聊落地过程中，如何确定范围边界和识别存在的风险。 3、识别核心链路 目前互联网行业大多是微服务这种分布式系统架构，服务之间的内部互相调用关系很复杂，一般会借用链路追踪工具来识别他们的调用关系以及调用频次，以此来判断哪些是核心链路，以及他们的强弱依赖关系 4、识别核心接口 知道了核心应用以及核心的链路，那么核心的接口基本就可以梳理出来了。梳理出来的核心接口，一般也是我们在做全链路压测时候的接口。 识别风险 除了确认压测范围之外，提前识别风险也是很重要的一项工作。常见的风险有如下几种： 1、交付风险 交付风险常见的有：拆分的细项任务无法按期完成，比如核心链路梳理，强弱依赖梳理。 上面的内容就是在全链路压测实施过程中，需要考虑的确定范围以及风险识别相关的内容，仅供参考。下一篇，我会和大家聊聊，关于核心链路梳理相关的一些技术细节，敬请期待。
1.2K10编辑于 2022-04-01来自专栏深度学习和计算机视觉模式识别考点总结（第1-6个ppt）
① 第一章 模式识别绪论 模式识别系统组成 ? 设计系统时根据临界点进行考察，临界点多则不可分 ? 模式识别系统设计过程 ? ? ② 第二章 贝叶斯决策理论 基于最小错误率的贝叶斯决策 ?
85420发布于 2019-10-24来自专栏袁某人Thinkphp6自动识别二级域名
Thinkphp6自动识别二级域名 本文最后更新时间超过30天，内容可能已经失效。 首先配置好伪静态，只需要把所有域名指向public/index.php入口文件即可。
1.7K20编辑于 2021-12-28来自专栏DotNet NB && CloudNative.NET 6+WPF+MVVM调用摄像头进行识别
一、简介 机缘巧合下写的一个工程，本来是作为商家视觉识别上位机的替代品，但是最后没用上，因此只开发了一半(厂家升级了摄像头和软件) 该工程基于 WPF 的.NET 6 + MVVM 调用摄像头进行识别 千万别用nuget上的Yolov5Net包，会覆盖你的dll文件，运行模型不匹配后程序直接崩 四、代码 代码中加载模型 在MainViewModel中调用RegisterYoloModel函数即可 代码中识别
1K30编辑于 2023-10-30
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