- 博客(13)
- 收藏
- 关注
RSS订阅原创 前后端交互
使用 uvicorn 作为 ASGI 服务器来运行 FastAPI 应用，通过命令行参数指定服务器的配置，如端口号和主机地址。这段代码实现了一个基于 FastAPI 框架的服务器应用，用于处理聊天数据并生成响应。定义 /chat-process 路由，用于接收聊天请求数据，处理聊天逻辑，并返回生成的响应。process 函数处理聊天逻辑，包括消息的验证、历史消息的组织、生成响应等。- 特定的逻辑处理如提取城市和模块信息，并根据这些信息生成特定的响应。定义 /config 路由，返回服务的配置信息。
2024-06-23 22:40:49
306
原创 全方位优化yolov5模型
一、修改models/yolov5s.yaml文件这个配置文件定义了一个完整的YoloV5s模型结构，包括其主干网络和检测头。我做出了很多修改，这样的配置允许模型以不同的层次进行特征提取和对象检测，非常适用于本次项目实训所用的人物检测，安全帽识别，高空作业有无系安全绳的三项场景。二、创建数据增强配置文件dataset.yaml数据增强是提高模型泛化能力的关键步骤。对于目标检测任务，尤其是在多样化的环境中（如不同光照、视角），强化数据增强是非常必要的。下列代码是我第一次的代码：这段代码属于基础配置。
2024-06-23 22:30:23
1443
原创 浅析神经网络在安全帽识别中的应用
未来，随着技术的进步，这种应用将更加广泛和精准，为工作场所提供更强大的安全保障。在安全领域，特别是在工业安全管理中，利用神经网络进行安全帽佩戴检测是一种有效的自动化方法，能够帮助保证工地安全，减少人为的监督成本。实现安全帽识别的第一步是构建或获取包含大量佩戴和未佩戴安全帽的人员图片的数据集。训练完成后，必须在独立的测试集上评估模型的表现。一旦模型验证成功，它可以被部署在工地的监控系统中，实时检测工人是否佩戴安全帽。CNN能够有效地识别和分类图像中的对象，如人脸、车辆以及这里的安全帽。6. 模型评估与部署。
2024-05-31 15:33:10
159
原创 浅析Pytorch框架
PyTorch是一个由Facebook的AI研究团队开发的开源机器学习库，广泛用于计算机视觉和自然语言处理等应用。PyTorch以其直观的设计和高灵活性获得了广泛的欢迎，特别是在研究社区中。通过其易于理解的API和广泛的社区支持，PyTorch已经成为了科研和工业界的首选工具之一。这通常涉及到数据加载、损失函数的选择和优化器的设置。模型训练完成后，最后一步是评估模型的性能，并将其应用到实际问题中。此命令将安装PyTorch及其视觉库torchvision，后者包含了许多常用的数据集和模型架构。
2024-05-31 15:28:22
337
原创 yolov5模型的优化
例如，在进行安全帽识别的任务中，可能需要调整模型以更准确地识别不同大小、形状和颜色的安全帽，或者优化模型以更好地处理不同光照和背景条件下的图像。此外，优化模型还可以提高模型的检测速度，减少误检率，使模型更加鲁棒，从而更适应实际应用环境的需求。YOLOv5是一个快速且灵活的对象检测模型，以其出色的实时性能和易于部署的特点著称，适合在性能有限的设备上运行。虽然它在复杂场景和小目标检测方面可能不如某些其他高精度模型，但其在多种配置下的适应性和强大的社区支持使其成为实际应用中非常受欢迎的选择。
2024-05-30 11:11:00
770
原创 整合语音识别、安全帽识别、chatGLM
GLM根据语音识别传出的文字对任务进行分解，然后弄成参数传递到后续的行动库，如果任务分解中识别到一个任务是识别安全帽，打开摄像头，即可调用安全帽识别项目。3. ChatGLM用于数据分析和自动响应：利用转换的文本和图像识别结果，ChatGLM可以分析数据，提供安全建议，自动生成安全报告，或者在检测到安全隐患时触发警报。将这三种技术整合到一起，可以实现一个自动化的、高效的安全监控系统，不仅可以提升安全性，还能通过预防事故来降低成本。print("安全帽识别成功")print("安全帽识别成功")
2024-05-29 16:52:44
1559
原创 语音识别本地测试
2.识别准确率： 识别出的文本与原始语音内容的准确率高。1.部署状态：系统部署成功，无报错信息。c)检查有关本次项目实训用语。b)检查有关电网系统用语。
2024-05-29 16:32:56
113
原创 浅析语音识别技术&在本次项目实训中的应用
随着人工智能的飞速发展，语音识别已经成为我们日常生活中不可或缺的一部分，从智能助手到客户服务，再到自动字幕生成，它的应用范围广泛。- 端到端系统：近年来，端到端系统如 Google 的 WaveNet 和 Baidu 的 Deep Speech 使用单一的神经网络直接从音频数据到文本数据进行转换，简化了传统的多步骤过程。1. 提高效率：语音识别可以快速将口头指令转换为文本或执行相应的操作，减少了手动输入的时间和劳动强度，尤其在需要快速反应的场合（如紧急服务）。1. 语音识别的基本原理。
2024-05-29 16:23:57
224
原创 语音识别的本地部署
运行命令：pip install git+https://github.com/openai/whisper.git。三、下载自己版本的cuda并在虚拟环境安装。下载完成后配置环境变量并重启电脑。二、配置anaconda环境。三、安装whisper。一、安装ffmpeg。
2024-05-29 16:21:38
238
原创 浅谈如何训练一个安全帽识别模型
对于安全帽识别，您需要收集大量的图像数据，包括佩戴安全帽和未佩戴安全帽的人员。重要的是，这些图像应该涵盖不同的环境条件、不同类型的安全帽以及不同角度的人脸和头部。评估完成后，模型可以部署到实际应用中，如安装在工作场所的摄像头上，实时监控安全帽佩戴情况。随着时间的推移，模型可能需要根据新的数据或在新环境中的表现进行调整。持续收集新的数据和反馈，重新训练和优化模型，确保其持续有效。- 增强：为了使模型能够泛化到新的、未见过的图像上，应该对数据集进行增强，包括旋转、缩放、翻转和色彩调整。5. 模型评估与部署。
2024-05-29 16:05:21
126
原创 yolov5本地部署
（anaconda里面）执行python detect.py --weights helmet_head.pt --source 0。执行命令conda create -n yolov5 python=3.10。出现这个图标即可，之后的操作都需要在这个yolov5的虚拟环境下进行操作。执行命令pip install ultralytics。将训练好的安全帽识别文件放置在文件夹里。一、配置Anaconda。二、克隆yolov5仓库。
2024-05-29 15:50:53
224
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人