js逆向案例-rus4逻辑学习

一、RS4特点
  • 服务器响应状态码202或者412返回第一个cookie_s;然后js混淆生成了第二个cookie_t,只有携带有效的cookie_t才能正确请求页面状态码才是200
    在这里插入图片描述

  • 如何区分是几代版本,看cookie_t的第一个数字,绝大多数通过该数字就可以确定是几代
    在这里插入图片描述

  • cookie_t大致有两种:FSSBBIl1UgzbN7N80TFSSBBIl1UgzbN7N443T,其区别含义443(https)、80(http)其实是服务器的端口号

  • 加载vm的1万多行代码入口特性用正则匹配是:ret=\S{4}\.call\(\S{4},(\S{4})\);
    在这里插入图片描述

二、网站请求流程特点
  • 1、第一次请求:

    • 返回状态码202,与响应cookie_SFSSBBIl1UgzbN7N80S
  • 13
    点赞
  • 35
    收藏
    觉得还不错? 一键收藏
  • 9
    评论
基于YOLOv5和VOC2007-RUS-CHN数据集实现手骨骨龄检测可以按以下步骤进行: 第一步,准备数据集:首先,收集VOC2007-RUS-CHN数据集中与手骨骨龄相关的图像和标注数据。确保每个图像都有对应的手骨骨龄标注,以便训练算法进行检测。 第二步,安装YOLOv5:在计算机上安装YOLOv5,并设置相关的环境依赖。可以从GitHub上的YOLOv5仓库下载代码,并根据文档中的说明进行安装和配置。 第三步,数据预处理:使用数据预处理工具(如OpenCV)对图像进行预处理,例如调整大小、裁剪、归一化等,以便于模型训练。 第四步,标注转换:将VOC2007-RUS-CHN数据集中的标注信息转换为YOLOv5可用的格式。YOLOv5使用txt文件存储每个图像的标注信息,其中包括物体类别、边界框坐标等。 第五步,训练模型:使用YOLOv5的训练脚本对数据集进行训练。根据训练脚本的要求,指定训练数据、模型架构和超参数等,并运行训练命令进行模型训练。 第六步,模型评估:训练完成后,使用YOLOv5进行模型评估,计算模型在测试集上的准确率、召回率等指标,以评估模型的性能。 第七步,推理和检测:使用训练好的模型对新的手骨骨龄图像进行推理和检测。加载训练好的模型,输入待检测的图像,模型会输出检测结果,包括检测到的手骨骨龄和其对应的位置。 最后,根据实际需求,可以根据模型的检测结果进行进一步的分析和处理,例如根据骨龄进行年龄预测和疾病诊断等。以上是基于YOLOv5和VOC2007-RUS-CHN数据集实现手骨骨龄检测的大致步骤。具体的实现细节和调整可以根据实际情况进行进一步优化。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 9
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值