- 博客(152)
- 收藏
- 关注
![](https://csdnimg.cn/release/blogv2/dist/pc/img/listFixedTop.png)
原创 保姆级别ps beta版本下载
如果用不了,或者下载不了beta版本,那就是账号的问题,必须是需要美区的账号,如果可以下载,如果用不了,或者下载不了beta版本,那就是账号的问题,必须是需要美区的账号,请求无法完成请求生成错误。(这里内容违规没办法发不出来,需要的关注我公众号,图片里面有我的公众号账号),只看前面部分就好了,或者在重新拿邮箱注册一个,反正注意看图,需要把地区改成美国的,建立一个美区id进行登录。安装好了也要重新登录,登录刚才注册的,或者之前建立的美区账号。注意:,这里需要把正版服务的勾给去掉!
2023-06-04 17:48:44
5013
原创 从零开始:构建基于深度学习的实时跌倒检测系统(UI界面+YOLO代码+数据集)
系统主要由前端UI、后端服务器和YOLO模型组成。用户通过UI上传视频,服务器调用YOLO模型进行检测,并将结果返回给用户。| 前端UI | <----> | 后端API | <----> | YOLO检测模型 |YOLO(You Only Look Once)是一种高效的实时目标检测模型。YOLOv5、YOLOv6、YOLOv7、YOLOv8均为其不同版本,提供不同的性能和速度。
2024-07-22 01:13:40
291
原创 全面解析:构建基于深度学习的安全帽检测系统(UI界面+YOLO代码+数据集)
系统主要由前端UI、后端服务器和YOLO模型组成。用户通过UI上传现场图像,服务器调用YOLO模型进行检测,并将结果返回给用户。| 前端UI | <----> | 后端API | <----> | YOLO检测模型 |YOLO(You Only Look Once)是一种高效的实时目标检测模型。YOLOv5、YOLOv6、YOLOv7、YOLOv8均为其不同版本,提供不同的性能和速度。
2024-07-22 00:59:47
333
原创 打造智能水果品质检测系统:深度学习与YOLO模型的应用实践
系统主要由前端UI、后端服务器和YOLO模型组成。用户通过UI上传水果图像,服务器调用YOLO模型进行检测,并将结果返回给用户。| 前端UI | <----> | 后端API | <----> | YOLO检测模型 |YOLO(You Only Look Once)是一种高效的实时目标检测模型。YOLOv5、YOLOv6、YOLOv7、YOLOv8均为其不同版本,提供不同的性能和速度。
2024-07-20 22:20:02
927
原创 智能水果保鲜度检测:基于YOLO和深度学习的完整实现
该系统包括用户界面,利用YOLO(You Only Look Once)v8/v7/v6/v5模型进行水果新鲜程度检测,并提供了完整的实现步骤和详细代码。本文介绍了一个基于深度学习的水果新鲜程度检测系统,详细描述了从环境搭建、数据收集和标注、模型训练、系统实现到用户界面设计的全过程。通过结合YOLO模型和PyQt5,我们可以实现一个实时、精确的水果新鲜程度检测系统,为水果品质管理提供有力支持。为了训练一个高精度的水果新鲜程度检测模型,我们需要一个包含各种水果及其不同新鲜程度图片的数据集。
2024-07-20 22:04:44
362
原创 基于深度学习的吸烟行为检测系统
该系统包含用户界面,利用YOLO(You Only Look Once)v8/v7/v6/v5模型进行吸烟检测,并提供了完整的实现步骤和详细代码。本文介绍了一个基于深度学习的吸烟检测系统,详细描述了从环境搭建、数据收集和标注、模型训练、系统实现到用户界面设计的全过程。通过结合YOLO模型和PyQt5,我们可以实现一个实时、精确的吸烟检测系统,为公共场所的吸烟行为管理提供有力支持。为了训练一个高精度的吸烟检测模型,我们需要一个包含大量吸烟和非吸烟图片的数据集。为了实现用户界面,本文使用PyQt5。
2024-07-19 23:49:49
297
原创 实时吸烟检测系统:基于深度学习与YOLO模型的完整实现
该系统包含一个用户界面,利用YOLO(You Only Look Once)v8/v7/v6/v5模型进行吸烟检测,并提供了完整的实现步骤和代码。本文介绍了一个基于深度学习的吸烟检测系统,详细描述了从数据收集和标注、模型训练、系统实现到用户界面设计的全过程。通过结合YOLO模型和PyQt5,我们可以实现一个实时、精确的吸烟检测系统,为公共场所的吸烟行为管理提供有力支持。为了训练一个高精度的吸烟检测模型,我们需要一个包含大量吸烟和非吸烟图片的数据集。利用训练好的模型进行吸烟检测,并实现视频流的实时检测。
2024-07-19 23:38:36
541
原创 基于深度学习的植物病害检测系统
植物病害对农业生产的影响不容忽视。随着全球人口的增长和气候变化的影响,农作物病害问题变得更加严峻。传统的植物病害检测方法往往依赖于人工检测,不仅耗时费力,而且对检测者的专业知识要求较高。深度学习技术,尤其是YOLO(You Only Look Once)模型,在图像识别和目标检测领域取得了显著的成果。YOLO模型可以在实时情况下检测并识别图像中的多个目标,为植物病害的快速检测提供了新的途径。YOLO(You Only Look Once)模型是一种基于深度学习的实时目标检测算法。
2024-07-19 01:29:21
834
原创 基于深度学习的车距检测系统
本项目的目标是构建一个基于YOLO模型的车距检测系统,用户可以通过UI界面上传车道图片,系统将自动检测车道中的车辆,并计算车距,返回识别结果。用户通过UI界面上传车道图片系统使用YOLO模型进行车辆检测系统计算车距,并在界面上显示检测结果及车距信息环境准备:安装Python及相关依赖库,安装YOLOv8/v7/v6/v5模型所需的库。数据集准备:下载和预处理车道图像数据集。模型训练:选择YOLOv8/v7/v6/v5模型进行训练,并调整模型参数以获得最佳性能。
2024-07-18 14:58:01
873
原创 基于深度学习的人脸表情识别系统
本项目的目标是构建一个基于YOLO模型的人脸表情识别系统,用户可以通过UI界面上传人脸图片,系统将自动识别图片中的表情并返回识别结果。用户通过UI界面上传人脸图片系统使用YOLO模型进行人脸表情识别系统返回识别结果,并在界面上显示识别出的表情种类及其置信度环境准备:安装Python及相关依赖库,安装YOLOv8/v7/v6/v5模型所需的库。数据集准备:下载和预处理人脸表情数据集。模型训练:选择YOLOv8/v7/v6/v5模型进行训练,并调整模型参数以获得最佳性能。
2024-07-18 14:32:12
1441
原创 基于深度学习的水果识别系统
本项目的目标是构建一个基于YOLO模型的水果识别系统,用户可以通过UI界面上传水果图片,系统将自动识别图片中的水果种类并返回识别结果。项目主要实现以下功能:1. 用户通过UI界面上传水果图片2. 系统使用YOLO模型进行水果识别3. 系统返回识别结果,并在界面上显示识别出的水果种类及其置信度项目实现步骤:1. 环境准备:安装Python及相关依赖库,安装YOLOv8/v7/v6/v5模型所需的库。2. 数据集准备:下载和预处理水果分类数据集。
2024-07-18 14:22:38
1486
原创 告别电脑C盘爆满
电脑长期使用,如果有流氓软件的话,可以跟着上面的教程进行清理,然后如果一开始分盘给C盘分小了,也可以用diskGenius进行C盘扩容。
2024-07-16 22:45:20
162
原创 数据预处理-pandas实验全过程。
这样就完成了第一步,合并了全部的csv文件,然后后面的每个步骤都是对这个新的csv文件进行数据处理。然后新建一个notebook文件进行编写。源码如下,注意文件的获取路径。提前将所需用到的csv数据文件放到 notebook中的一个文件夹。利用Pandas的cut()方法对AQI进行分组,输出分组结果。环境:anaconda 中的 jupyter notebook。最后在notebook中逐一运行输出即可。
2024-07-08 11:54:05
60
原创 安装JAVA和java IDEA并汉化过程
安装 java IDEA 这里博主也是带了软件包资源绑定进行发布,如果没有找到资源的也可以自行到博主主页的资源页进行下载。如果使用 1.5 以上版本的 JDK,不用设置 CLASSPATH 环境变量,也可以正常编译和运行 Java 程序。在桌面右键此电脑然后点击属性——高级系统设置——环境变量——然后进行配置。然后选择对应的版本下载即可,我这里是windows 所以下载这个。最后:再次声明,软件只能用于学习交流用途,不可商用。若已存在则点击"编辑",不存在则点击"新建"。然后正常一步步安装即可。
2024-04-25 19:40:17
673
1
原创 激活IDM下载器并配置百度网盘
然后本篇 主要讲的是如果添加百度网盘的拓展,我这里用的是edge的浏览器,如果你安装成功了idm就它的拓展会自动添加到你的浏览器,而我们要下载的是另一个脚本,我这里已经下载好了,没下载好的可以点击浏览器右上角的拓展然后点击获取 ms edge拓展。简单折腾一下,直接省了一个百度网盘的会员,但是其实不只是可以下载百度网盘的文件,idm几乎可以揽下整个浏览器的下载任务,例如视频,图片,文档等等,简单折腾一下,方便以后下载东西,一劳永逸,但是还是呼吁大家支持正版。然后找一下百度网盘的链接下载试一下,
2024-04-25 18:56:13
2044
2
原创 安装mysql到免费DataGrip保姆级教程
由于本教程是全过程,齐全到每一步都有,所以更多的是图片,所以只需要根据图片每一步操作即可,篇幅有点长,见谅
2024-03-15 01:04:06
3306
6
原创 PyCharm自动化环境部署
Playwright 支持当前所有主流浏览器,包括 Chrome 和 Edge(基于Chromium)、Firefox、Safari(基于 WebKit) ,提供完善的自动化控制的 API。Playwright支持移动端页面测试,使用设备模拟技术可以使我们在移动 Web 浏览器中测试响应式 Web 应用程序。Playwright支持所有浏览器的 Headless 模式和非 Headless 模式的测试。
2024-01-06 15:25:17
763
1
原创 c语言数据结构第四章实验算法
1、设计一个算法统计在输入字符串中各个不同字符出现的频度并将结果存入文件(输入字符范围:A~Z这26个字母和0~9这10个数字)。2、设计一个递归算法来实现字符串逆序存储,要求不另设串存储空间。3、设计算法,实现下面函数的功能。函数void insert(char*s, char*t, int pos)将字符串t插入到字符串s中,插入位置为pos。假设分配给字符串s的空间足够让字符串t插入。(说明:不得使用任何库函数)
2023-11-12 14:39:39
742
原创 专栏介绍《机器智造:AI与实战学习》
目前已更新进88篇文章,到100篇将会恢复至19.9,后续每增加50篇加价10元。本专栏的目标是帮助大学生和初级研究者掌握人工智能(AI)和机器学习的基础知识,并为您提供探索这个领域更深层的理论和实践资源。这个专栏旨在探索人工智能和机器学习在各个领域的实践应用,无处不在的AI正在改变我们的世界。通过深入了解算法、模型和数据处理技术,我们将一起探讨如何将这些技术应用于实际场景中,并探索其中的挑战和机遇。在这个专栏中,将分享最新的研究成果、工业界的实践案例以及学术界的前沿知识。
2023-07-12 23:14:57
384
原创 强化学习模型
强化学习是机器学习的一个重要分支,它关注的是智能体(agent)如何在与环境的互动中通过试错(trial-and-error)的方式,逐步学习到一个最优的策略,使得自己从长期看来能够获得最大的回报。:在DQN中,神经网络的权重就是我们的模型参数。通过学习强化学习,我们可以理解如何让机器通过与环境的交互来学习和决策,这对于很多复杂的问题,例如游戏、机器人控制、自动驾驶等都有着重要的应用。以上内容仅是一个简单的介绍,实际的自动驾驶问题需要考虑更多的因素,例如汽车的动态性能,各种不确定性,不同的交通规则等。
2023-07-12 04:15:00
233
原创 神经网络与深度学习模型
简单的说,神经网络由许多处理单元(也就是"神经元")组成,这些神经元分层排列,每一层的神经元都与上一层的所有神经元相连,这种结构让神经网络有能力学习和表达复杂的模式。例如,对于图像识别任务,浅层的神经网络可能只能识别出简单的边缘和纹理,而深度神经网络可以识别出更为复杂的特征,如物体的部分和整体。举个例子,如果我们的任务是识别猫和狗的图片,那么在前向传播过程中,神经网络会接收到一张图片,然后通过一系列神经元的计算,最后输出一个预测结果,比如“这是一只猫”。训练过程中,我们不仅监控训练误差,也会监控验证误差。
2023-07-10 00:31:38
437
原创 支持向量机(SVM)
在SVM中,支持向量指的是最接近决策边界的数据点,即这些数据点对决策边界产生直接影响。换句话说,如果移除这些支持向量,那么决策边界(超平面)将会改变。这也说明了“支持向量机”的名字的由来,因为这些向量“支持”着决策的边界。在这个案例中,我们将使用支持向量机(SVM)来处理一个常见的机器学习任务:文本分类。具体来说,我们将使用20 Newsgroups数据集,这是一个用于文本分类、文本挖掘和信息检索研究的国际标准数据集。数据集包含约20000篇新闻,分布在20个不同的新闻组中。
2023-07-10 00:19:34
403
原创 掌握随机森林:基于决策树的集成模型
随机森林是一个非常强大和灵活的机器学习模型,它能处理各种类型的数据,且不需要精细的特征工程或者复杂的参数调优。因此,它在实际应用中非常受欢迎。然而,随机森林也有其局限性,比如在处理非常大的数据集,或者需要高精度预测的任务时,它可能不是最优选择。
2023-07-05 11:25:39
1142
原创 揭开决策树模型的神秘面纱
我们现在已经学习并实践了决策树,这是一种非常直观和可解释的机器学习模型。它的工作原理与我们人类做决策的方式非常相似,所以非常直观。通过构建决策树,我们可以清晰地看到哪些特征在预测中起到了关键的作用,以及它们是如何组合在一起来做出最终的预测的。这种透明度是决策树模型非常重要的一个优点,特别是在需要向非专业人士解释模型的情况下。然而,正如我们在文章中所讨论的,决策树模型也存在一些局限性。例如,它们往往容易过拟合,特别是当决策树过于复杂时。此外,决策树对于连续特征的处理也不如一些其他类型的模型优秀。
2023-07-04 02:00:00
130
原创 逻辑回归模型
最常用的方法是独热编码(One-Hot Encoding),例如,特征“颜色”有“红色”,“蓝色”,“绿色”三种取值,我们可以将这个特征转化为三个二元特征:“颜色_红色”,“颜色_蓝色”,“颜色_绿色”,取值为0或1。例如,我们可以创建多个不同的模型,然后比较它们的交叉验证得分,选择得分最高的模型。β0, β1, ..., βp 是模型的参数,我们的目标是学习这些参数,使得模型的预测概率尽可能接近真实的类别。在训练模型的过程中,我们需要定义一个损失函数,来衡量模型的预测概率与真实类别之间的差距。
2023-07-03 15:15:24
203
原创 实战线性回归模型
你可以收集一些数据,例如你的同学们的学习时间和GPA,然后用线性回归模型去拟合这些数据,看看学习时间是否对GPA有显著的影响,以及影响的程度如何。梯度下降的思想是,先随机初始化模型参数,然后计算损失函数在当前参数下的梯度(即损失函数对每个参数的偏导数),然后将模型参数沿着梯度的负方向更新一小步,这样就可以使损失函数的值下降。例如,线性回归模型虽然是一个线性模型,但是我们可以通过引入非线性特征(如原始特征的平方项、立方项等)或者交互项(不同特征相乘)来拓展它的能力,使其可以拟合非线性的数据关系。
2023-07-03 03:15:00
149
原创 个性化推荐系统中的深度模型:理论、实践与挑战
此外,由于推荐系统的性能可能会受到许多因素的影响,如用户的情绪,时间,商品的变化等,在线评估的结果也可能存在一定的不确定性。GNN在推荐系统中的应用是一个新兴的研究方向,有许多有趣的问题待解决,如如何设计更有效的图的传播机制,如何处理大规模图数据等。然而,深度学习也给推荐系统带来了一些新的挑战,如如何处理稀疏的数据,如何提高模型的可解释性,以及如何在实时推荐中使用深度模型等。例如,一个视频推荐系统可能会根据视频的类型,导演,演员等特征来描述视频,然后根据用户过去观看过的视频的特征,推荐给用户类似的视频。
2023-07-02 16:17:00
247
原创 处理异常值:详细教程与实例分析
处理异常值是数据预处理中不可或缺的一部分,正确处理异常值能够帮助我们建立更健壮的模型,获取更准确的分析结果。希望本篇文章能帮助你在遇到异常值时有所作为,更好地处理你的数据。
2023-07-02 07:45:00
623
原创 处理缺失数据:详细教程与实例分析
在现实生活中获取的数据中,数据缺失是一个常见的问题。缺失数据不仅影响我们对数据的理解,还可能影响我们的分析结果,因此,处理缺失数据是数据预处理中非常重要的一步。本文将详细讲解如何处理缺失数据,包括了解数据缺失的类型,以及缺失数据的处理方法。
2023-07-02 07:15:00
492
原创 机器学习基础
机器学习是人工智能的一个子集,它使用统计方法使计算机系统能从数据中“学习”,并不断改进其表现,而无需显式编程。换句话说,机器学习是让机器能够从经验中学习。
2023-07-02 01:04:44
310
C语言数据结构第四章实验报告
2023-11-12
基于线性表的图书信息管理实验(c语言版)
2023-09-24
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人