- 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 基于yolov8的水果蔬菜检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv8的水果蔬菜检测系统是一种高效、实时的物体识别解决方案，旨在帮助用户快速准确地识别多种水果和蔬菜。 该系统利用YOLOv8模型的强大性能，能够识别包括苦瓜（Bitter melon）、茄子（Brinjal）、卷心菜（Cabbage）、葫芦（Calabash）、甜椒（Capsicum）、花椰菜（Cauliflower 特别地，该系统还能识别一些非蔬果类物品，如面包、奶酪、巧克力、鸡蛋、牛奶等，以及多种猫和猫的品种，增加了系统的通用性和趣味性。 此外，该系统对于一些特殊或地域性的蔬果，如簇豆（Cluster bean）、咖喱叶（Curry Leaf）、丝瓜（Sponge Gourd）等也有出色的识别能力。 8. 开始训练：使用YOLOv8提供的命令行接口开始训练过程。
48810编辑于 2025-07-16- 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 - 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。 ReLU(inplace=True) (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (8) 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。 test_Accuracy.append(100*correct) print(f"Test Accuracy: {(100*correct):>0.2f}%, Test Avg loss: {test_loss:>8f
1.4K10编辑于 2022-06-07 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【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。 DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-<em>8</em>" /> <meta http-equiv="X-UA-Compatible 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 2026-01-22yolov8-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GreenLeavesIE8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 2018-01-26yolov8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ATYUN订阅号8:1高票通过面部识别禁令，旧金山成为首个禁用面部识别的城市
长期处于技术革命核心的旧金山，采取了反对潜在滥用的立场，禁止警察和其他机构使用面部识别软件。 美国监管委员会以8比1的投票结果通过了这一提议，使旧金山成为美国第一个禁止使用这一工具的主要城市。 在马萨诸塞州，州立法机构的一项法案将暂停面部识别和其他远程生物识别监控系统。 在国会山，上个月提出的一项法案将禁止商业人脸识别技术用户收集和共享数据，以便在未经他们同意的情况下识别或跟踪消费者，尽管它没有解决政府对该技术的使用问题。 面部识别的广泛应用 面部识别已经以这种或那种形式在许多美国机场和大型体育场以及其他一些警察部门中使用。据报道，流行歌星泰勒斯威夫特在她的一个节目中融入了这项技术，用它来帮助识别跟踪者。 这项名为性别阴影的研究报告称，IBM和微软的系统在识别白人男性面部要比识别黑皮肤或女性面部要好得多。 今年的另一项研究报告称亚马逊的技术存在类似问题，称为Rekognition。
93820发布于 2019-05-17来自专栏相约机器人8行代码中的人脸检测，识别和情感检测！
人脸检测和识别可以用来改善访问和安全性，就像最新的Apple Iphone一样，允许在没有物理卡的情况下处理付款 - iphone也这样做！，启用犯罪识别并允许个性化的医疗保健和其他服务。 人脸检测和识别是一个研究很多的话题，网上有大量的资源。已经尝试了多个开源项目，以找到最准确实现的项目。还创建了一个管道，用于在加载图像后只需8行代码就任何输入图像进行检测，识别和情感理解！ 输出是检测到的面的边界框坐标 面部识别 - 将多个面部进行比较以识别哪些面部属于同一个人。 Github上 https://github.com/priya-dwivedi/face_and_emotion_detection 面部识别 面部识别验证两个面是否相同。 面部识别的使用在安全性，生物指标，娱乐，人身安全等方面是巨大的。用于面部检测的相同python库face_recognition也可以用于面部识别。我们的测试显示它具有良好的性能。
1.5K20发布于 2019-06-21来自专栏YOLO大作战基于YOLOv8的老虎姿态（Tiger-Pose）识别
本文解决什么问题：教会你如何用自己的数据集训练Yolov8-pose关键点检测 1.YOLOv8 介绍 YOLOv8目前支持目标检测、实例分割、图像分类、目标跟踪、姿态估计，也许还有更多惊喜在后面。 代码地址：GitHub - ultralytics/ultralytics: NEW - YOLOv8 in PyTorch > ONNX > OpenVINO > CoreML > TFLite 进军工业界标杆 数据集下载地址：Tiger-pose - Ultralytics YOLOv8 Docs 2.Tiger-Pose关键点训练 2.1 新建data/tiger-pose/tiger-pose.yaml yolov8-pose.yaml 修改为21个关键点和一个类别nc:1 # Ultralytics YOLO , AGPL-3.0 license # YOLOv8-pose keypoints/pose 'model=yolov8n-pose.yaml' will call yolov8-pose.yaml with scale 'n' # [depth, width, max_channels]
2K10编辑于 2024-01-16来自专栏CDA数据分析师机器学习实战：8大分类器识别树叶带源码
比如让你去识别另外一个人，一般从脸型，肤色，身高，体重…..这些特征去标记，现在计算机识别树叶可能就从叶子啊，形状啊，宽度啊，有无锯齿啊，这些去识别。这个详细我们暂时不说，下次再说。
1.4K50发布于 2018-02-05
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