- 综合排序
- 最热优先
- 最新优先
- 来自专栏Eureka的技术时光轴
逆向追踪win10 SSDT
ExfUnblockPushLock+0x12c5 (81f92965) 81f82789 c21000 ret 10h nt! sub rsp,10h fffff802`7fd68378 50 push rax fffff802`7fd68379 9c pushfq fffff802`7fd6837a 6a10 push 10h fffff802`7fd6837c 488d05fd600000 lea rax,[nt 4488542420 mov byte ptr [rsp+20h],r10b fffff802`80025d9f e80c000000 call nt! pushfq fffff802`c5fdc57a 6a10 push 10h fffff802`c5fdc57c 488d05fd5e0000 lea rax,[nt
2.3K20发布于 2019-07-24 - 来自专栏大大的小数据
行车数据分析2020.11.11
7、 8、下午上班停车时间波峰尾，2点36，应该提早10分钟。 9、 10、每天开车时间（时分）折线图。 11、上午上班时间8点02分，应该提前到7点55分出发。
53300编辑于 2022-09-21 yolov10+bytetrack+pyqt5实现目标追踪
【简介】 利用YOLOv10、ByteTrack和PyQt5实现目标追踪是一个强大的组合，可以为用户提供一个交互式的实时目标追踪界面。 以下是一个简化版的实现思路描述： 首先，YOLOv10是一个先进的目标检测算法，能够准确识别视频或图像中的目标。ByteTrack则是一个基于检测的多目标追踪方法，可以在连续帧中追踪这些目标。 目标检测：使用YOLOv10在每一帧中检测目标。 目标追踪：将检测到的目标传递给ByteTrack追踪器，并在连续帧中更新目标的轨迹。 虽然这个描述很简短，但它概述了使用YOLOv10、ByteTrack和PyQt5实现目标追踪的基本流程。 【演示视频】 yolov10+bytetrack+pyqt5实现目标追踪结果演示_哔哩哔哩_bilibili这个是使用2024年最新深度学习目标检测框架yolov10结合bytetrack和pyqt5实现追踪算法演示
49910编辑于 2025-07-20yolov10+deepsort+pyqt5实现目标追踪
YOLOv10+DeepSORT+PyQt5实现目标追踪系统 在现代智能监控系统中，目标追踪技术扮演着至关重要的角色。 结合YOLOv10（一种先进的实时目标检测算法）与DeepSORT（一种多目标追踪算法），并通过PyQt5构建用户界面，我们可以开发出一套高效、直观的目标追踪系统。 YOLOv10以其出色的检测速度和准确性，在实时视频流中快速识别出目标物体。而DeepSORT算法则进一步提高了追踪的稳定性和准确性，尤其在目标遮挡或交叉的情况下。 总之，基于YOLOv10+DeepSORT+PyQt5的目标追踪系统结合了先进的算法和友好的用户界面，为智能监控系统的发展提供了有力的支持。 【视频演示】 yolov10+deepsort+pyqt5实现目标追踪结果演示_哔哩哔哩_bilibili这个是使用2024年最新深度学习目标检测框架yolov10结合bytetrack和pyqt5实现追踪算法演示
41210编辑于 2025-07-20- 来自专栏大数据文摘
自行车赛2.0——大数据如何再造环法自行车赛
自行车赛这些年日子不好过。高科技能否拯救它？ 自行车这个运动正在发生一些非同寻常的变化。著名的环法自行车赛将于这周末开始，历时三周。它，正处于这些变化的核心。 新的环法自行车赛中心的门户网站可以(其制造商保证)接收反馈可靠的GPS数据，使粉丝们可以得到非常精确的答案。 在沿途某个地方，环法公司现代化赛事负责人Christian Prudhomme看起来对环法自行车赛以及数据在塑造其未来中所扮演的角色有深刻的领悟。 作为一名自行车运动的发烧友，为全世界最大最好的自行车赛管理一个野心勃勃的大数据项目，这要么是世界上最好的工作，要么是压力山大乏善可陈的。 相比之下，数据导向的比赛则同时追踪每个人。 Foster说，Dimension Data公司去年还是个数家公司的拼凑品，而今年它提升了数据传输距离，现在成为承接所有数据的唯一枢纽。
92030发布于 2018-05-24 - 来自专栏java 微风
springCloud - 第10篇 - 服务间调用追踪 （zipkin 的使用）
springcloud 集成了 zipkin 来实现对于不同服务调用的追踪和统计。 二、具体实现 。 1. Docker 方式安装并运行 zipkin 作为 zipkin 的 server，即服务追踪的服务端。 1.1 安装方式及运行见文章：Docker 方式安装 zipkin （linux 、阿里云ECS上安装） 运行效果如下图，此时，并没有服务调用记录，zipkin 管控中心 未展示任何追踪数据： ? 、 http://localhost:8806/seeName 、http://localhost:8806/seeAge 5.查看 zipkin管控中心 追踪数据。 至此，zipkin 已经正常运行并追踪到服务间调用。
1.2K20发布于 2019-08-14 - 来自专栏猫头虎博客专区
2016年10月4日 Go生态洞察：HTTP追踪介绍
2016年10月4日 Go生态洞察：HTTP追踪介绍 摘要 嗨，猫头虎博主在此！ 今天，我们要探讨Go语言中的一个神奇特性：HTTP追踪。 *httptrace.ClientTrace放入请求的context.Context中，来启用HTTP追踪。 = nil { log.Fatal(err) } 使用http.Client进行追踪 HTTP追踪机制设计用来追踪单个http.Transport.RoundTrip的生命周期事件 false 表格总结 关键特性 描述 HTTP追踪 在HTTP客户端请求的整个生命周期中收集信息 httptrace包 提供用于追踪HTTP事件的钩子 钩子函数 允许对连接创建、DNS查询等事件进行监控 http.RoundTripper 用于报告和追踪HTTP请求的内部事件 多次往返支持 支持在诸如URL重定向等情况下对多次往返进行追踪 总结 HTTP追踪是Go语 言中对于那些对HTTP请求延迟调试和出站流量网络调试工具感兴趣的人来说的一项宝贵增强
35810编辑于 2024-04-08 - 来自专栏疯狂学习GIS
Win10玩《极品飞车3：热力追踪》的方法
本文介绍在Windows 10电脑中运行《极品飞车3：热力追踪》游戏的方法。 《极品飞车3：热力追踪》是一款诞生于1998年的经典赛车游戏，可以说是很多这个年代的人的童年记忆；不过也是因为这款游戏诞生的时代实在太早，导致其无法适配现在主流的、更先进的电脑系统与电脑硬件，因此使得很多想重温童年记忆的玩家无法方便地在自己当前的电脑中直接运行游戏 本文就对如何在当下主流的Windows 10系统电脑中运行《极品飞车3：热力追踪》游戏进行详细介绍。 在国外，一位名叫Evgeny的大佬博主早已完成了对该游戏安装包的修改，从而使得其可以在Windows 10系统中完美运行。 我们从而成功实现了该游戏在Windows 10系统电脑上的完美运行。 至此，大功告成。 欢迎关注（几乎）全网：疯狂学习GIS
73610编辑于 2024-05-13 - 来自专栏嵌入式Linux系统开发
行车记录仪主要方案公司
那么音视频技术应用较多的地方有安防行业、行车记录仪、运动相机等。今天就给大家介绍一下，行车记录仪主要的方案提供商。 但记录仪市场对这种大鳄来说太小了，前期投入力度不大，在经历了14年行车记录大暴发之后，现在正发力行车记录仪市场。 联咏在2013年初直推出1080P解决方案的芯片NT96650行车记录仪方案，挤入1080P俱乐部该芯片一出来就受到了广泛关注，联咏NT96650搭载镁光0330的行车记录仪，测试起来白天画质、细节、细腻度及清晰度非常好 在2014年中，为了弥补自己在前后双路行车记录仪方案便的不足，先后推出了NT96655 NT96660 NT96663主控芯片，目前推出单芯片主控内置DDR更有竞争优势的NT96658行车记录仪方案更迅速占领 80%中高的行车记录仪市场,是行车记录仪品牌客户首选的行车记录仪方案。
3.6K30发布于 2021-05-28 - 来自专栏人工智能快报
瑞士企业发布支持Windows 10脸部识别功能的眼部追踪平台
瑞士公司Tobii宣布，其开发的眼部追踪平台支持Windows Hello的脸部识别功能，为计算机和外围设备提供了Windows 10生物特征身份验证与眼部追踪功能，所有这些功能均可通过同一传感器实现。 这些算法被集成到Windows 10中，其功能是验证用户身份，确保登录Windows设备时的安全性。Tobii公司表示，其技术可使Windows Hello能够在各种照明条件下工作，包括黑暗环境。 有了Windows Hello，用户登录时无需再记住密码，微软将Windows Hello与Tobii眼部追踪设备相结合改善了客户的Windows体验。 Tobii是目前唯一一家为Windows Hello提供眼部追踪验证服务的公司。
1.2K90发布于 2018-03-13 - 来自专栏PyQt5
python3GUI--基于YOLOv8的行车追踪与可视化分析系统 By:PyQt5（详细分享、配套文档）
一．前言本篇将详细地向大家展示我开发的“基于YOLOv8的行车追踪与可视化分析系统”，这个系统包含了目标检测、目标分割、数据可视化等功能，是您学习、应用的不二之选！ 6.车辆追踪与统计通过对用户上传上来的视频文件里面运动的物体进行追踪，动态标记出目标物体的轨迹，分析结束后会产生一份分析结果数据，包括：track ID、X坐标、Y坐标、目标物体ID，我们可以将这份数据导出到本地支持 当用户选择“车辆追踪与统计”侧边栏后，能够跳转到车辆轨迹识别页面。 10.操作日志查看11.关于“关于”页面包括四个子选项，分别是关于软件、关于作者、关于YOLOv8、关于QT，这里不做赘述。 五．总结本次和大家分享了我使用PyQt5开发的一款基于YOLOv8的行车追踪与可视化分析系统，写这篇博客用了一个多小时，因为我的读者的能力水平参差不一，我要照顾到所有水平的读者，本篇写的由浅入深，有简单的基础知识
56210编辑于 2025-07-23 - 来自专栏深度学习和计算机视觉
基于Python使用OpenCV进行车牌检测
character contours sizes of cropped license plates dimensions = [LP_WIDTH/6, LP_WIDTH/2, LP_HEIGHT/10 最后，我们将添加两个密集层，一个是输出空间的维数为128，激活函数为'relu'，另一个是我们的最后一个层，有36个输出，用于对26个字母（A-Z）+10个数字（0-9）进行分类，激活函数为'softmax
2.3K20编辑于 2022-02-14 - 来自专栏数据科学和人工智能
数据集 | 自行车租赁数据集
下载数据集请登录爱数科(www.idatascience.cn) 自行车出租计划是主要城市减少污染和碳排放的一种方式，同时鼓励锻炼。 该数据集记录了华盛顿特区的一个自行车出租计划两年来每天每小时的数据。每小时都记录了天气状况，以及临时用户和注册用户租用自行车的数量。 1. 字段描述 2. 数据预览 3.
1K10编辑于 2022-03-30 - 来自专栏高速公路那点事儿
解决方案 | 雾天行车安全难题多，智能行车安全诱导系统能破局吗？
据公安部统计，每年雨雪雾等不利天气条件下发生的道路交通事故在10％以上；约50%的交通事故和事故伤亡人数是发生在能见度小于200m的环境下；大雾天气已成为高速公路上连环追尾多车相撞重特大交通事故的主要致因 随着技术创新与行业应用发展，2016年交通运输部发布了《雾天公路行车安全诱导装置》（JTT 1032）交通行业标准，极大得促进了公路雾区行车安全智能诱导及防撞预警系统（以下简称：行车安全智能诱导系统）的发展 行车安全智能诱导系统利用设置在公路两侧的行车安全智能诱导设施（也称为智能诱导边缘标）为在途车辆提供安全引导，在控制系统的集中智能控制下，行车安全智能诱导设施会根据不同的能见度与车流情况，采用不同的发光亮度 3.可变限速标志设定限速提示，10km/h。 4.情报板提示“前方进入雾区，谨慎驾驶"雾区限速10km/h"。 照度：可以设定照度为系统开启的触发条件，照度可在10Lux～1000Lux之间进行设定。 湿度：可以设定湿度为系统开启的触发条件，可在0～100%之间进行设定。
76500编辑于 2025-07-03 - 来自专栏大大的小数据
采集行车记录GPS轨迹并推送邮件2020.11.13
1、登录行车PGS记录页面。 2、跳转到轨迹页面。 3、把轨迹页面截图。 4、把截图发送到邮箱。
1K20编辑于 2022-09-22 - 来自专栏云深之无迹
眼动追踪中的坐标+追踪原理
目前的追踪方案都是基于CV的，使用红外灯光打亮眼底，使用高帧率的相机来捕获光源在角膜上面的位置。 开源眼动pupil 开源眼动追踪：GazeTracking（上：效果） 开源眼动追踪：GazeTracking（下：实现） 眼动书籍免费看！ 追踪区域和前面的眼动有些不一样 HMD Tracking Area 是一个标准化的二维坐标系，其原点 (0, 0) 在右上角（从佩戴者的角度来看），而 (1, 1) 在左下角。 在眼动追踪会话期间记录瞳孔大小的变化。瞳孔直径数据分别为左眼和右眼提供，是对瞳孔大小的估计，以毫米为单位。 眼睛张开度定义为上下眼睑之间可以安装的最大球体的直径（以毫米为单位）。 结合上面的一些坐标空间的概念就可以看到这个东西的意思啦 我之前写过一个pupill的眼动仪，这个是单眼追踪的方案 （A）当以球形坐标表示地面真实注视方向dgt时，可以将其可视化为球体上的一个点（参见上下面板中的蓝色圆盘
3K50编辑于 2022-11-29 - 来自专栏燧机科技-视频AI智能分析
行车作业区域人员闯入检测系统
： 行车轨道沿线：立杆安装（高度6-8m，俯角30°），覆盖“轨道两侧5m警戒区”，支持ROI动态聚焦（当人员进入警戒区时自动放大跟踪）； 行车驾驶室视角盲区：壁装补盲摄像机（广角120°），结合激光测距模块 三、关键技术突破 （一）复杂工业场景适应性优化 粉尘/强光干扰抑制：采用自适应直方图均衡化（CLAHE）+ 偏振成像（实验室数据：强光（照度＞10^5 Lux）下识别率从62%提升至90%）； 小目标检测增强 引入特征金字塔网络（FPN）（实测数据：50m外人员（像素＜32×32）检出率从58%提升至85%）； 多目标重叠分离：基于DeepSORT算法（结合外观特征与运动模型），实测数据：5人重叠场景闯入目标追踪准确率 ，实现对人体检测分析识别，实时预警行车作业区域内人员闯入事件。 当有人员进入行车作业监测范围内可对其自动识别联动语音告警器报警和输出开关量信号联动行车停止工作，也可以对其抓拍并将当时图像传输到管理中心，在管理中心管理软件输出报警弹窗和语音提示。
50110编辑于 2026-01-15 - 来自专栏机器学习AI算法工程
行车环境实时语义分割与深度估计
本项目旨在实现车辆前方行车环境的实时解析。具体通过对行车记录仪的图像、视频数据的语义分割和深度估计实现。要实现的目标如下图所示： ? 2. 模型 本项目在实现行车环境场景语义分割和深度估计实时解析的过程中，尝试使用了不同的模型，有复现文献中提出的网络框架TRL、也有在语义分割ICNet的基础上增加深度分支，最后自己搭建了一个轻量化的模型。 AI项目体验地址 https://loveai.tech 训练 环境：我自己使用的环境是 Ubuntu 16.4 Pytorch 1.0 cuda 10 显卡 2080ti 数据准备：数据集到Cityscapes
97720发布于 2019-10-28 - 来自专栏数控编程社区
如何对不同材质的工件进行车削
数控编程、车铣复合、普车加工、Mastercam、行业前沿、机械视频，生产工艺、加工中心、模具、数控等前沿资讯在这里等你哦
1.8K10编辑于 2024-06-12 - 来自专栏深度学习入门与实践
【深度学习】用PaddlePaddle进行车牌识别（二）
G.genPlateString(-1,-1) 8 print plateStr,plate 9 img = G.generate(plateStr); 10 reador.reader_creator(X_val,Y_val),buf_size=200), 9 batch_size=16) 10 self.Y_train = Y_train 7 self.X_val = X_val 8 self.Y_val = Y_val 9 10 if isinstance(event, paddle.event.EndIteration): 89 if event.batch_id % 10 传统的方法需要对图片灰度化，字符进行切分等，需要很多数据预处理的过程，端到端的方法可以直接将原始的图片灌进去进行训练，最后出来预测的车牌字符的结果，这个方法在构建了两层卷积-池化网络结构后，并行训练了7个全连接层来进行车牌的字符识别
1.8K80发布于 2018-04-04
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