- 博客(221)
- 资源 (18)
- 收藏
- 关注
RSS订阅
原创 目标检测类项目数据集汇总
目标检测是计算机视觉领域的重要任务，其目标是在图像或视频中识别并定位特定物体的位置。为了训练和评估目标检测算法的性能，研究人员和开发者经常会使用一些广泛应用的数据集。以下是一些常用的十类目标检测数据集，这些数据集提供了丰富的图像资源和相关的标注信息，可以帮助研究人员和开发者进行目标检测算法的训练和测试。
2023-10-27 09:21:01
1166
1
原创 语音合成-TTS文字转语音(专业版)
*使用强大的智能AI语音库，合成独具特色接近真人语音的朗读音频。*使用极具表现力和类似人类的声音，使文本阅读器和已启用语音的助理等方案栩栩如生。*逼真的合成语音：实现与人声的语调和情感匹配的流畅、发音自然的文本转语音。*功能： 不需环境配置，不需电脑配置，下载即用，没有文字限制，变速，变调 ，合成语音自动保存，多个音色角色。*速度：语音合成速度极快。
2024-07-19 17:00:05
230
原创 yolov8 遗留物检测
yolov8遗留物检测（Abandoned Object Detection）是指在视频监控系统中识别和检测那些被放置或遗留在监控区域内且没有被取走的物体。这些物体可能是潜在的安全威胁，例如包裹、行李或其他可疑物品。
2024-07-16 15:31:34
687
原创 道路标志线检测数据集（包括VOC/Yolo格式，包括yolov8训练好的模型）
道路标志线检测是指使用计算机视觉技术来识别和提取道路上的标志线（如车道线、停止线、人行横道线等）的位置和形状。这种检测技术广泛应用于自动驾驶系统、驾驶辅助系统（ADAS）、交通监控系统等领域。本数据集包括：数据集图片和voc/yolo标注 + yolov8m训练的模型 + 说明文档 +测试代码。
2024-07-10 15:13:26
535
原创 图像分割SAM辅助标注工具，可调用SAM等大模型（保姆级教程）
SAM等模型通过先进的深度学习技术，实现了高效、精准的图像自动化标注。这不仅显著降低了人工标注的工作量和成本，提高了标注效率和精度，还为各个领域的研究和应用提供了强大的技术支持。随着SAM等模型的不断完善和应用，自动化标注将在更多领域展现出巨大的潜力和价值。
2024-07-10 10:21:39
297
原创 Windows 玩转大模型第二天：流式输出和角色扮演（提示词）（全部代码和详细部署流程）
是指模型在生成内容时不是一次性输出全部结果，而是逐步、连续地生成输出。这种方式类似于人类在进行口语交流或写作时的思考过程，即边思考边表达。流式输出的优点包括更高的灵活性和交互性，能够在长文本生成中动态调整内容，同时允许用户在生成过程中即时提供反馈或修改指导方向。是提供给模型的输入文本，用于引导模型的输出方向和风格。简单来说，提示词就是告诉模型用户希望得到什么样的信息或回答。提示词的设定对模型的输出结果有决定性影响。通过精心设计的提示词，可以引导模型在特定领域内生成更准确、更符合预期的回答或内容。
2024-07-05 16:58:44
228
原创 Windows 玩转大模型第一天：大模型本地部署，调用大模型API可直接工程化应用（全部代码和详细部署流程）
Ollama 是一个开源框架，专为在本地机器上便捷部署和运行大型语言模型（LLM）而设计。以下是其主要特点和功能概述：1. 简化部署：Ollama 目标在于简化在 Docker 容器中部署大型语言模型的过程，使得非专业用户也能方便地管理和运行这些复杂的模型。2.轻量级与可扩展：作为轻量级框架，Ollama 保持了较小的资源占用，同时具备良好的可扩展性，允许用户根据需要调整配置以适应不同规模的项目和硬件条件。
2024-07-05 16:16:42
429
2
原创 实战whisper第三天：fast whisper 语音识别服务器部署，可远程访问，可商业化部署（全部代码和详细部署步骤）
Fast Whisper 是对 OpenAI 的 Whisper 模型的一个优化版本，它旨在提高音频转录和语音识别任务的速度和效率。Whisper 是一种强大的多语言和多任务语音模型，可以用于语音识别、语音翻译和语音分类等任务。
2024-07-02 15:29:42
250
1
原创 yolov8实战第十天——pyqt5-yolov8实现数据结构化、yolov8目标跟踪、过线检测计数系统（参考论文（8300+字）+环境配置+完整部署代码+代码使用说明）
随着信息技术和人工智能的快速发展，实时视频监控系统在城市管理、交通监控和公共安全等领域发挥着越来越重要的作用。本文介绍了一个基于PyQt5和YOLOv8的实时图像处理系统，该系统集成了目标检测、目标跟踪、过线检测计数等多项功能，旨在提高视频监控的自动化和智能化水平。系统采用了现代的软件架构设计，通过Qt框架实现跨平台的图形用户界面，使用YOLOv8模型进行快速且准确的目标检测与跟踪。
2024-06-18 17:00:55
260
原创 数字人实战第一天——最新数字人MuseTalk效果展示
最新数字人MuseTalk效果展示，它是一个实时的音频驱动唇部同步模型。该模型能够根据输入的音频信号，自动调整数字人物的面部图像，使其唇形与音频内容高度同步。这样，观众就能看到数字人物口型与声音完美匹配的效果。MuseTalk 特别适用于256 x 256像素的面部区域，且支持中文、英文和日文等多种语言输入。在NVIDIA Tesla V100显卡上，MuseTalk 能够实现超过每秒30帧的实时推理速度。此外，用户还可以通过调整面部区域的中心点，进一步优化生成效果。
2024-06-07 14:29:32
816
原创 最新ChatTTS语音合成项目本地、服务器部署（可远程访问（全部代码和详细部署步骤））
的文本转语音模型。它支持英语和中文。模型经过 100,000+ 小时的中英文训练。HuggingFace 上的开源版本是一个 40,000 小时的预训练模型，没有 SFT。文字转语音:在文本框中输入文字，ChatTTS会生成对应的语音，并自动调整韵律和停顿。实时语音对话:与大语言模型结合，实现实时语音对话功能。调节音色:在“Audio Seed”处可以调节数字指定说话人的音色，或通过摇骰子随机生成一种音色。
2024-06-05 17:05:14
740
原创 yolov8实战第九天——pyqt5-yolov8实现道路病害识别系统（参考论文（6000+字）+环境配置+完整部署代码+代码使用说明+训练好的模型+数据集）
随着城市化的快速发展，道路交通基础设施扮演着至关重要的角色。道路病害，如裂缝、坑洼和龟裂，不仅降低了交通安全性，还增加了维护成本。传统的道路病害检测方法主要依靠人工视觉检查，这种方法不仅耗时、成本高，而且结果的准确性和可重复性差。因此，自动化和智能化的道路病害检测系统显得尤为重要。本研究开发了一个基于PyQt5和YOLOv8的道路病害检测系统，该系统能够自动检测并分类道路病害，以及一些可能与病害混淆的负样本，如井盖和修补过的裂缝。
2024-05-23 17:10:46
338
原创 优质道路病害数据集汇总
标注信息以XML文件格式存储在Annotations文件夹中，每个文件详细记录了图像中各种病害的位置、类型和其他相关属性，这为使用机器学习和深度学习模型进行道路病害识别提供了必要的地面真相数据。道路病害不仅影响道路的平整性和美观，更重要的是会影响车辆行驶的安全性和舒适性，增加行车风险。随着技术的发展，道路病害检测的方法也在不断进步，从人工视觉检查到使用高分辨率图像、无人机、激光扫描技术等现代技术手段，大大提高了检测的效率和准确性。延迟维修可能导致病害恶化，需要更大规模的修复甚至重建，成本显著增加。
2024-05-22 16:43:03
695
原创 yolov8实战第八天——pyqt5-yolov8实现打电话、玩手机识别系统（参考论文（8700+字）+环境配置+完整部署代码+代码使用说明+训练好的模型+数据集）
在现代社会中，智能手机的普及带来了许多便利，但在某些环境下，打电话和玩手机可能造成干扰或安全问题，如在图书馆、会议室或驾驶时。为了有效管理这些行为，本文介绍了一种基于 PyQt5 和 YOLOv8 模型的打电话和玩手机识别系统。该系统利用 PyQt5 构建前端用户界面，采用 YOLOv8 进行实时行为识别，提供了一个既实时又准确的行为监控解决方案。本系统的核心功能包括实时视频分析和行为识别，结合了手机检测和人物pose姿态检测，能够检测和区分个体是在打电话还是在玩手机。
2024-04-30 17:18:42
510
原创 yolov8实战第七天——pyqt5-yolov8实现车牌识别系统（参考论文（约7000字）+环境配置+完整部署代码+代码使用说明+训练好的模型）
随着智能交通系统的不断发展，车牌识别技术在城市交通管理、自动化停车、公安监控等领域发挥着重要作用。有效的车牌识别系统可以大幅提高交通效率，增强车辆监控和管理的能力。本文介绍了一种基于YOLOv8的车牌识别系统，该系统采用PyQt5构建前端用户界面，实现了高效的车牌检测及颜色识别功能。系统的实现提供了一个实时、准确、用户友好的车牌识别解决方案。本文首先分析了车牌识别技术的发展背景和应用需求，然后详细描述了系统设计和实现过程，包括系统架构、功能模块、开发环境搭建和具体的实现代码。
2024-04-19 10:47:15
844
原创 实战whisper第二天：直播语音转字幕（全部代码和详细部署步骤）
基于Whisper的实时直播语音转录或翻译是一项使用OpenAI的Whisper模型实现的技术，它能够实时将直播中的语音内容转录成文本，甚至翻译成另一种语言。这一过程大致分为三个步骤：捕获直播音频流、语音识别（转录）以及翻译（如果需要）。下面详细解释其原理和意义。
2024-03-21 17:25:07
3819
3
原创 Umi-OCR 部署，并通过postman实现访问（全部代码和详细部署步骤）
OCR是“Optical Character Recognition”（光学字符识别）的缩写。这是一种技术，用于从图像（如扫描的文档、照片中的文本、屏幕截图等）中识别并提取文字。：OCR可以识别印刷体和手写文字，并将其转换为机器编码的文本，例如ASCII或Unicode。：OCR帮助将纸质文档转换成可编辑和可搜索的电子格式，这是数字化办公和档案管理的重要步骤。：通过OCR，可以自动化许多文档处理任务，例如数据入口、文件分类和信息提取。
2024-03-19 10:15:55
6187
原创 TTS语音合成部署服务器，可远程访问（全部代码和详细部署步骤）
TTS（Text-to-Speech，文本转语音）是一种将书面文本转换成口头语言输出的技术。用户输入文本，TTS系统将这些文本“读”出来，通常是通过合成语音的形式。这种技术可以使计算机、智能手机、平板电脑和其他设备通过语音与用户交流。随着技术的发展，TTS的自然度和可理解性在不断提高，使得它在我们日常生活中的应用越来越广泛。
2024-03-19 09:19:24
1188
5
原创 GPT-SoVITS语音合成服务器部署，可远程访问（全部代码和详细部署步骤）
此外，项目还提供了一些集成工具，包括声音伴奏分离，自动训练集分割，中文ASR和文本标签，帮助初学者创建训练数据集和 GPT/SoVITS 模型。Zero-shot TTS 可以让用户输入5秒钟的语音样本并立即体验转换后的语音，而 Few-shot TTS 则可以通过使用仅一分钟的训练数据进行模型微调，从而提高语音相似度和真实性。WebUI 工具：集成工具包括声音伴奏分离，自动训练集分割，中文ASR和文本标签，帮助初学者创建训练数据集和GPT/SoVITS模型。
2024-03-18 10:12:35
2473
原创 实战whisper语音识别第一天，部署服务器，可远程访问，实时语音转文字（全部代码和详细部署步骤）
Whisper是OpenAI于2022年发布的一个开源深度学习模型，专门用于语音识别任务。它能够将音频转换成文字，支持多种语言的识别，包括但不限于英语、中文、西班牙语等。Whisper模型的特点是它在多种不同的音频条件下（如不同的背景噪声水平、说话者的口音、语速等）都能实现高准确率的语音识别，这得益于它在训练过程中使用的大量多样化的音频数据。
2024-03-18 10:08:05
3424
2
原创 Stable-Diffusion ubuntu服务器部署，报错解决方法（小白教程）
Stable Diffusion是一个深度学习模型，专注于生成高质量的图像。它由CompVis团队与Stability AI合作开发，并在2022年公开发布。这个模型使用文本提示（text prompts）生成详细、逼真的图像，是目前人工智能图像生成领域的一大突破。它属于文本到图像（Text-to-Image）生成模型的范畴，使用了一种称为潜在扩散模型（Latent Diffusion Model, LDM）的技术。
2024-02-28 11:32:40
2113
原创 C++实战Opencv第二天——色彩空间转换函数和opencv中图像对象创建与赋值（从零开始，保姆教学）
OpenCV是一个强大的计算机视觉库，使用C++作为主要编程语言，对于图像处理和计算机视觉领域具有重要意义。其提供了丰富的功能和算法，使得开发者能够快速实现各种图像处理和计算机视觉应用。OpenCV C++为图像处理和计算机视觉领域的开发者提供了一个高效、稳定的工具。通过OpenCV的函数库和模块，可以方便地进行图像读取、保存、调整大小、滤波、边缘检测等常见的图像处理操作。而且，OpenCV还支持各种图像格式，包括JPEG、PNG、BMP等，使得开发者能够处理不同类型的图像数据。
2024-02-04 15:24:31
1217
原创 PaddleOCR封装，在线服务化部署实战（python部署，超新手教程）
OCR，即光学字符识别（Optical Character Recognition），是一种将图像中的文字转换为机器编码文字的技术。这种技术可以识别和转换各种来源的文本，包括扫描文档、照片中的文字、手写笔记等。光学字符识别（OCR）技术在实际应用场景中的作用是多方面的。首先，OCR技术在文档数字化方面扮演着关键角色。通过将纸质文档转换为电子格式，如PDF或Word文档，OCR不仅促进了信息的保存和共享，也极大地提高了数据检索的效率。这一过程对于历史档案的保存尤为重要，同时也在日常办公环境中普遍应用。
2024-01-22 17:23:22
2263
原创 yolov8实战第六天——yolov8 TensorRT C++ 部署——（踩坑，平坑，保姆教程）
TensorRT 通过优化深度学习模型来提高推理速度，减少延迟。这对于实时处理应用（如视频分析、机器人导航等）至关重要。：TensorRT 优化了模型以在GPU上高效运行，这意味着更低的内存占用和更高的吞吐量。对于资源受限的环境或在多任务并行处理的情况下，这是一个显著优势。：C++ 是一种跨平台语言，配合 TensorRT，可以在多种硬件和操作系统上部署深度学习模型，包括嵌入式设备和服务器。：TensorRT 提供了精确的数学和统计方法来减少浮点运算误差，这对于确保深度学习应用的准确性和稳定性至关重要。
2024-01-17 17:42:07
7451
9
原创 C++实战Opencv第一天——win11下配置vs，opencv环境和运行第一个c++代码（从零开始，保姆教学）
（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库，它提供了大量的通用算法和功能，用于处理图像和视频数据。通常提供比 Python，对于需要高性能处理的任务（如C++ 提供更细致的和。这对于优化大型应用或在内存限制较大的环境（如）中运行非常重要。：包括滤波、色彩空间转换、图像阈值设定、边缘检测、几何变换（如旋转、缩放）等。：使用特定算法（如哈尔特征级联分类器）来识别和追踪视频中的人脸。
2024-01-16 10:57:54
1731
1
原创 yolov8实战第五天——yolov8+ffmpeg实时视频流检测并进行实时推流——（推流，保姆教学）
YOLOv8是YOLO目标检测算法的一个变种。它在YOLOv4的基础上进行了一些改进，如使用更大的图像尺寸、更深的网络结构、更多的训练数据等，从而获得更好的检测精度和更快的检测速度。实时视频流目标检测是一种非常有用的应用场景。例如，在视频监控系统中，我们需要对视频流进行实时分析和检测，以便及时发现异常事件和行为。另外，实时视频流目标检测也可以用于自动驾驶、无人机等领域。
2024-01-05 11:10:33
12372
15
原创 yolov8实战第四天——yolov8图像分类 && ResNet50图像分类（保姆式教程）
图像分类是指将输入的图像自动分类为不同的类别。它是计算机视觉领域的一个重要应用，可以用于人脸识别、物体识别、场景分类等任务。在实际应用中，可以使用各种深度学习框架（例如 TensorFlow、PyTorch、Keras 等）来构建图像分类模型，并使用各种数据增强技术（例如旋转、缩放、裁剪等）来增加数据集的多样性和数量。如果你想学习如何使用深度学习框架来构建图像分类模型，可以参考一些在线教程、书籍或者 MOOC。
2023-12-29 18:00:52
11480
15
原创 yolov8实战第三天——yolov8TensorRT部署（python推理）（保姆教学）
TensorRT是一种，可以为深度学习应用提供的部署推理。TensorRT可用于对超大规模数据中心、嵌入式平台或自动驾驶平台进行推理加速。TensorRT现已能支持TensorFlow、Caffe、Mxnet、Pytorch等几乎所有的深度学习框架，将TensorRT和NVIDIA的GPU结合起来，能在几乎所有的框架中进行快速和高效的部署推理。一般的深度学习项目，训练时为了加快速度，会使用多GPU分布式训练。
2023-12-26 17:13:42
9288
27
原创 算法工程师-机器学习面试题总结(8)
PCA（Principal Component Analysis，主成分分析）是一种常用的数据降维技术，其主要思想是通过线性变换将原始数据映射到一个新的坐标系中，使得映射后的数据在新的坐标系下具有最大的方差，从而实现数据的降维和特征提取。在PCA中，主成分（Principal Component）是指数据在新的坐标系中的方向。第一个主成分是原始数据方差最大的方向；第二个主成分是与第一个主成分正交且方差次大的方向；以此类推，第n个主成分是与前n-1个主成分正交且方差第n大的方向。
2023-12-16 13:54:26
178
原创 算法工程师-机器学习面试题总结(7)
k-means算法的损失函数被称为“平方误差和”，通常用于衡量聚类的效果。具体定义如下：假设有n个样本点和k个聚类中心。令x_i表示第i个样本点，c_j表示第j个聚类中心。那么每个样本点x_i到其所属聚类中心c_j的距离可以用欧氏距离表示为通过聚类中心与各个样本点的距离，我们可以定义平方误差和（SSE）为：其中，w_{ij}为样本点x_i与聚类中心c_j之间的隶属度权重，表示样本点x_i对聚类中心c_j的归属程度。
2023-12-16 13:53:50
405
原创 yolov8实战第二天——yolov8训练过程、结果分析（保姆式解读）
以逻辑回归举例，逻辑回归的输出是一个 0 到 1 之间的概率数字，因此，如果我们想要根据这个概率判断用户好坏的话，我们就必须定义一个阈值。因此，对于阈值为 0.5 的情况下，我们可以得到相应的一对查准率和查全率。选取合适的阈值点要根据实际需求，比如我们想要高的查全率，那么我们就会牺牲一些查准率，在保证查全率最高的情况下，查准率也不那么低。因此，为了找到一个最合适的阈值满足我们的要求，我们就必须遍历 0 到 1 之间所有的阈值，而每个阈值下都对应着一对查准率和查全率，从而我们就得到了 PR 曲线。
2023-12-15 17:05:31
28647
39
原创 yolov8实战第一天——yolov8部署并训练自己的数据集（保姆式教程）
YOLOv8是一种基于深度神经网络的目标检测算法，它是YOLO（You Only Look Once）系列目标检测算法的最新版本。YOLOv8的主要改进包括：更高的检测精度：通过引入更深的卷积神经网络和更多的特征层，YOLOv8可以在保持实时性的同时提高检测精度。更快的检测速度：通过对模型进行优化，YOLOv8可以在不降低检测精度的情况下提高检测速度。支持更多的检测任务：除了传统的物体检测任务之外，YOLOv8还支持人脸检测、车辆检测等更多的检测任务。
2023-12-15 16:29:21
15595
11
原创 算法工程师-机器学习面试题总结(6)
Boosting的基分类器是通过迭代训练得到的，每个基分类器都会在前一个基分类器的基础上进行学习。1. Bagging：Bagging是通过对训练集进行有放回的重采样，产生多个子样本，然后分别用这些子样本训练多个独立的分类器，再通过投票或平均的方式来得到最终的预测结果。Bagging是Bootstrap Aggregating的缩写，它的思想是通过对训练集进行有放回的采样，产生多个子样本，然后分别用这些子样本训练多个独立的分类器，最终通过对这些分类器的结果进行投票或平均，得到最终的预测结果。
2023-12-08 09:50:18
252
原创 算法工程师-机器学习面试题总结(5)
场感知分解机器（Field-aware Factorization Machine，以下简称FFM）是对因子分解机（Factorization Machine，以下简称FM）的改进和扩展。FM是一种基于线性模型和因子分解的机器学习模型，用于解决稀疏数据和高维特征的问题。它通过对特征间的交互进行建模，可以捕捉到特征之间的非线性关系。而FFM在FM的基础上，对特征之间的交互进行了更细粒度的建模。
2023-12-08 09:49:19
344
原创 算法工程师-机器学习面试题总结(4)
Kd树（K-dimensional tree）是一种用于对k维空间中的数据进行分割和组织的数据结构。它在很多应用中被用来进行高效的最近邻搜索。建立Kd树的过程如下：1. 选择一个数据点作为根节点。2. 根据当前维度选择一个切分超平面，将数据集分割成两个子集。3. 递归地在每个子集中构建子树，直到子集只包含一个数据点。4. 根据当前维度和切分超平面的位置，将该节点标记为左子节点或右子节点。在Kd树中搜索最近节点的过程如下：1. 从根节点开始，找到目标点所属区域的子树。
2023-12-06 09:25:56
319
原创 算法工程师-机器学习面试题总结(3)
广义线性模型（Generalized Linear Model，GLM）是一种统计学习方法，可以用于建立描述响应变量和预测变量之间关系的模型。与传统的线性回归模型相比，广义线性模型拓展了线性模型的适用范围，可以处理更广泛的数据类型和响应变量的分布特性。在广义线性模型中，响应变量不再局限于连续的数值型数据，也可以是二元数据、计数数据、多分类数据等。同时，广义线性模型引入了称为“联系函数”（Link Function）的函数来建立预测变量和响应变量之间的关系。
2023-12-06 09:15:23
280
原创 算法工程师-机器学习面试题总结(2)
序号编码（Ordinal Encoding）是一种将类别型数据转换为整数序列的编码方式。每个类别被赋予一个唯一的整数值，这些整数值是按照类别的自然顺序进行分配的。序号编码通常适用于具有内在有序性的类别型特征，例如衣服尺寸（小、中、大）、教育程度（小学、初中、高中、大学）等。One-Hot编码是一种将类别型数据编码为二进制向量的方法。每个类别被表示为一个长度为类别总数的向量，其中只有一个位置为1，其他位置为0。这种编码方式适用于没有内在顺序的类别型特征，如颜色（红、绿、蓝）、国家（中国、美国、英国）等。
2023-12-04 11:11:14
159
原创 算法工程师-机器学习面试题总结(1)
损失函数是在机器学习和优化算法中使用的一种衡量模型预测结果与真实值之间差异的函数。其目标是最小化模型的预测误差，从而提高模型的性能。定义合理的损失函数需要考虑以下几个因素：任务类型：不同的任务（如回归、分类、聚类等）需要选择不同类型的损失函数。比如，在回归问题中，常用的损失函数有均方误差（Mean Squared Error）和平均绝对误差（Mean Absolute Error）；在分类问题中，交叉熵损失函数（Cross-Entropy Loss）常被使用。模型目标：损失函数应该与模型的目标一致。
2023-12-04 11:04:59
510
原创 机器学习入门（第六天）——支持向量机（升维打击）
SVM使用间隔最大化思想构造最优超平面。构造出来的超平面使得其与最近的点的距离最大。SVM也可划分非线性数据集。它通过高维中的线性超平面再低维中的投影来完成非线性的划分。因此从直观上来讲，我们的模型必定有一个升维的操作。这是总体的概念。SummarySVM首先从最大间隔出发，设计了可构造最优超平面的线性模型。考虑到存在噪音或有部分点让人很为难，添加了软间隔。变成了具有软间隔功能的线性模型。通过对数据的升维，使得模型变成了非线性。可以用于非线性数据集。
2023-11-30 16:48:11
1035
基于微信的高校教务管理系统设计与实现springboot后端毕业源码案例设计.zip
2024-07-02
基于BS模式的学生实习与就业管理系统设计与实现springboot后端毕业源码案例设计（高分项目）.zip
2024-07-02
基于java的餐厅点餐系统微信微信小程序ssm后端毕业源码案例设计.zip
2024-07-02
基于springboot汽车维修管理系统微信小程序springboot后端毕业源码案例设计（高分毕业设计）.zip
2024-07-02
基于微信小程序的教学质量评价系统ssm后端毕业源码案例设计（高分毕业设计）.zip
2024-07-02
基于微信小程序的家政服务预约系统的设计与实现+php后端毕业源码案例设计（高分毕业设计）.zip
2024-07-02
基于微信小程序的购物系统+php后端毕业源码案例设计.zip
2024-07-02
基于Python旅游景点推荐系统带vue前后端分离毕业源码案例设计.zip
2024-07-26
基于Python推荐算法的电影推荐系统带vue前后端分离毕业源码案例设计（高分项目）.zip
2024-07-26
基于Python贫困生资助管理系统带vue前后端分离毕业源码案例设计（源码+数据库）.zip
2024-07-26
基于Python兴趣班预约管理系统带vue前后端分离毕业源码案例设计.zip
2024-07-26
基于Python疫情居家办公系统带vue前后端分离毕业源码案例设计（高分毕业设计）.zip
2024-07-26
基于Python医疗机构药品及耗材信息管理系统带vue前后端分离毕业源码案例设计（95分以上）.zip
2024-07-26
基于Python协同过滤商品推荐系统设计带vue前后端分离毕业源码案例设计（源码+数据库）.zip
2024-07-26
基于Python线上购物系统的设计与实现带vue前后端分离毕业源码案例设计.zip
2024-07-26
基于Python协同过滤算法的电影推荐系统带vue前后端分离毕业源码案例设计.zip
2024-07-26
语音合成-TTS文字转语音(专业版)
2024-07-19
yolov8遗留物检测.zip
2024-07-16
道路标志线检测数据集（包括VOC/Yolo格式，包括yolov8训练好的模型）
2024-07-10
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人