第八篇【传奇开心果短博文系列】Python的OpenCV技术点案例示例：深度学习

news2024/11/18 9:45:57

传奇开心果短博文系列

  • 系列短博文目录
    • Python的OpenCV技术点案例示例系列
  • 短博文目录
    • 一、前言
    • 二、OpenCV深度学习介绍
    • 三、OpenCV常用深度学习算法和实现分别示例代码
    • 四、归纳总结

系列短博文目录

Python的OpenCV技术点案例示例系列

短博文目录

一、前言

在这里插入图片描述OpenCV深度学习：包括卷积神经网络、循环神经网络等多种深度学习算法的实现。

二、OpenCV深度学习介绍

在这里插入图片描述OpenCV是一个开源的计算机视觉库，它提供了丰富的图像处理和计算机视觉算法。深度学习是一种机器学习方法，它模拟人脑神经网络的工作原理，通过多层神经网络来学习和提取数据的特征。

在OpenCV中，可以使用深度学习算法来实现各种任务。下面介绍一些常用的深度学习算法及其在OpenCV中的实现：

  1. 卷积神经网络（Convolutional Neural Network，CNN）：CNN是一种专门用于图像处理的深度学习算法。它通过卷积层、池化层和全连接层等组件来提取图像的特征并进行分类。在OpenCV中，可以使用dnn模块加载预训练的CNN模型，并进行图像分类或目标检测任务。

  2. 循环神经网络（Recurrent Neural Network，RNN）：RNN是一种用于序列数据处理的深度学习算法，适用于自然语言处理、语音识别等任务。在OpenCV中，可以使用dnn模块加载预训练的RNN模型，并进行文本生成、情感分析等任务。

  3. 生成对抗网络（Generative Adversarial Network，GAN）：GAN是一种用于生成新样本的深度学习算法。它由一个生成器网络和一个判别器网络组成，两者通过对抗训练的方式相互竞争，使得生成器能够逐渐生成更逼真的样本。在OpenCV中，可以使用dnn模块加载预训练的GAN模型，并利用生成器生成新样本。

  4. 支持向量机（Support Vector Machine，SVM）：SVM是一种经典的监督学习算法，用于分类和回归任务。它通过在特征空间中找到一个最优的超平面来进行分类或回归。在OpenCV中，可以使用ml模块中的SVM类来实现支持向量机算法，根据训练数据进行模型训练，并用于对新样本进行分类。

  5. 目标检测算法：OpenCV中的dnn模块支持加载预训练的目标检测模型，包括基于CNN的算法（如Faster R-CNN、YOLO、SSD等）和基于RNN的算法（如CTPN用于文本检测）。这些算法可以用于检测图像或视频中的特定目标，并标记出其位置和类别。

  6. 图像分割算法：OpenCV中的dnn模块也支持加载预训练的图像分割模型，如基于CNN的语义分割算法（如FCN、UNet等）。这些算法可以将图像分割为不同的区域，并对每个区域进行分类或标记。

  7. 人脸识别算法：OpenCV中的dnn模块支持加载预训练的人脸识别模型，如基于CNN的算法（如FaceNet、ArcFace等）。这些算法可以用于识别人脸并进行人脸验证或人脸检索任务。

  8. 姿态估计算法：OpenCV中的dnn模块也支持加载预训练的姿态估计模型，如基于CNN的算法（如OpenPose）。这些算法可以用于识别图像或视频中人体的关节点位置，实现人体姿态估计。

三、OpenCV常用深度学习算法和实现分别示例代码

在这里插入图片描述（一） 卷积神经网络示例代码
以下是一个使用OpenCV中的dnn模块实现卷积神经网络（CNN）的示例代码：

import cv2

# 加载预训练的CNN模型
net = cv2.dnn.readNetFromCaffe('deploy.prototxt', 'model.caffemodel')

# 加载测试图像
image = cv2.imread('image.jpg')

# 对图像进行预处理
blob = cv2.dnn.blobFromImage(image, 1.0, (224, 224), (104.0, 177.0, 123.0))

# 将预处理后的图像输入到网络中进行前向传播
net.setInput(blob)
output = net.forward()

# 解析输出结果
classes = ['cat', 'dog']  # 分类类别
confidence = output[0][0]  # 置信度

# 打印结果
class_index = int(output[0][0])
class_label = classes[class_index]
print('Predicted class:', class_label)
print('Confidence:', confidence)

# 显示图像并绘制预测结果
cv2.putText(image, f'{class_label}: {confidence:.2f}', (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 2)
cv2.imshow('Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，需要注意以下几点：

  1. 需要先下载并准备好对应的CNN模型文件（deploy.prototxt和model.caffemodel），这些文件描述了网络的结构和参数。
  2. 使用cv2.dnn.readNetFromCaffe()函数加载预训练的CNN模型。
  3. 使用cv2.dnn.blobFromImage()函数对输入图像进行预处理，包括尺寸调整和颜色归一化等。
  4. 使用net.setInput()函数将预处理后的图像作为网络的输入。
  5. 使用net.forward()函数进行前向传播，获取网络的输出结果。
  6. 解析输出结果，得到最终的分类结果和置信度。
  7. 可以使用OpenCV的绘制函数（如cv2.putText()和cv2.imshow()）来显示图像和绘制预测结果。

请注意，上述示例代码仅用于说明如何使用OpenCV中的dnn模块实现卷积神经网络，具体的模型和数据准备工作需要根据实际情况进行相应的调整。
（二）循环神经网络示例代码
以下是一个使用OpenCV中的dnn模块实现循环神经网络（RNN）的示例代码：

import cv2

# 加载预训练的RNN模型
net = cv2.dnn.readNetFromTensorflow('model.pb')

# 加载测试数据
data = ['Hello', 'World']

# 对输入数据进行预处理
input_data = []
for word in data:
    # 将每个单词转换为向量表示
    vector = [ord(c) for c in word]
    input_data.append(vector)

# 转换为模型所需的输入格式
input_data = cv2.dnn.blobFromImages(input_data, 1.0)

# 将预处理后的数据输入到网络中进行前向传播
net.setInput(input_data)
output = net.forward()

# 解析输出结果
predictions = []
for i in range(len(output)):
    # 将输出结果转换为字符串
    result = ''.join([chr(int(output[i][j])) for j in range(output.shape[1])])
    predictions.append(result)

# 打印预测结果
print('Predictions:', predictions)

在上述代码中，需要注意以下几点：

  1. 需要先下载并准备好对应的RNN模型文件（model.pb），该文件描述了网络的结构和参数。
  2. 使用cv2.dnn.readNetFromTensorflow()函数加载预训练的RNN模型。
  3. 准备测试数据，将每个输入序列转换为相应的向量表示。
  4. 使用cv2.dnn.blobFromImages()函数对输入数据进行预处理，将其转换为模型所需的输入格式。
  5. 使用net.setInput()函数将预处理后的数据作为网络的输入。
  6. 使用net.forward()函数进行前向传播，获取网络的输出结果。
  7. 解析输出结果，将每个输出序列转换为相应的字符串表示。

请注意，上述示例代码仅用于说明如何使用OpenCV中的dnn模块实现循环神经网络，具体的模型和数据准备工作需要根据实际情况进行相应的调整。
（三）生成对抗网络示例代码
以下是一个使用OpenCV中的dnn模块实现生成对抗网络（GAN）的示例代码：

import cv2
import numpy as np

# 加载预训练的生成器模型
generator = cv2.dnn.readNetFromTensorflow('generator.pb')

# 生成随机噪声作为输入
noise = np.random.uniform(-1, 1, size=(1, 100)).astype(np.float32)

# 将噪声输入到生成器中生成图像
generator.setInput(cv2.dnn.blobFromImages(noise))
output = generator.forward()

# 解析生成的图像
generated_image = output[0].transpose((1, 2, 0))
generated_image = (generated_image + 1) * 127.5  # 还原图像的像素值范围
generated_image = generated_image.astype(np.uint8)

# 显示生成的图像
cv2.imshow('Generated Image', generated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，需要注意以下几点：

  1. 需要先下载并准备好对应的生成器模型文件（generator.pb），该文件描述了GAN的生成器结构和参数。
  2. 使用cv2.dnn.readNetFromTensorflow()函数加载预训练的生成器模型。
  3. 生成随机噪声作为输入，噪声大小为(1, 100)。
  4. 使用cv2.dnn.blobFromImages()函数将噪声转换为模型所需的输入格式。
  5. 将预处理后的噪声输入到生成器中，通过调用generator.setInput()和generator.forward()实现图像的生成。
  6. 解析生成的图像，将其转换为可显示的格式，还原像素值的范围。
  7. 使用OpenCV的显示函数（如cv2.imshow()）显示生成的图像。

请注意，上述示例代码仅用于说明如何使用OpenCV中的dnn模块实现生成对抗网络，具体的模型和输入数据准备工作需要根据实际情况进行相应的调整。
（四）支持向量机示例代码
OpenCV确实提供了支持向量机（SVM）算法的实现。以下是一个使用OpenCV库实现支持向量机的示例代码：

import cv2
import numpy as np

# 创建SVM对象
svm = cv2.ml.SVM_create()

# 设置SVM的类型和内核函数
svm.setType(cv2.ml.SVM_C_SVC)
svm.setKernel(cv2.ml.SVM_LINEAR)

# 生成随机分类数据
X, y = np.random.randn(100, 2), np.random.randint(0, 2, (100, 1))

# 将数据转换为32位浮点型
X = np.float32(X)

# 训练SVM模型
svm.train(X, cv2.ml.ROW_SAMPLE, y)

# 创建测试数据
test_data = np.float32([[1, 1], [2, 2]])

# 在测试数据上进行预测
_, result = svm.predict(test_data)

# 打印预测结果
print('Predictions:', result)

在上述代码中，需要注意以下几点：

  1. 使用cv2.ml.SVM_create()函数创建SVM对象。
  2. 使用setType()函数设置SVM的类型，这里使用的是C-Support向量分类器。
  3. 使用setKernel()函数设置SVM的内核函数，这里使用的是线性核函数。
  4. 生成随机的二维分类数据，其中X是特征矩阵，y是标签向量。
  5. 将数据转换为32位浮点型，因为OpenCV的SVM模块要求输入数据为这种类型。
  6. 使用train()函数训练SVM模型，其中cv2.ml.ROW_SAMPLE表示每行是一个样本。
  7. 创建测试数据，并将其转换为32位浮点型。
  8. 使用predict()函数在测试数据上进行预测，获取预测结果。

请注意，上述示例代码使用的是OpenCV中的机器学习模块（cv2.ml），它提供了SVM算法的实现。如果您想在OpenCV中使用支持向量机，请参考上述示例代码。
在这里插入图片描述（五）目标检测算法示例代码
以下是一个使用OpenCV库实现目标检测算法的示例代码，基于OpenCV中的Haar特征级联分类器：

import cv2

# 加载预训练的级联分类器模型
cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# 加载图像
image = cv2.imread('image.jpg')

# 转换为灰度图像
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 目标检测
faces = cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

# 在图像上绘制检测到的目标框
for (x, y, w, h) in faces:
    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)

# 显示结果图像
cv2.imshow('Detected Faces', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，需要注意以下几点：

  1. 需要先下载并准备好对应的级联分类器模型文件（haarcascade_frontalface_default.xml），该文件描述了目标检测算法的特征。
  2. 使用cv2.CascadeClassifier()函数加载预训练的级联分类器模型。
  3. 使用cv2.imread()函数加载待检测的图像。
  4. 使用cv2.cvtColor()函数将图像转换为灰度图像，因为Haar特征级联分类器通常在灰度图像上进行检测。
  5. 使用cascade.detectMultiScale()函数进行目标检测，其中scaleFactor表示每次缩小图像的比例，minNeighbors表示目标候选框的最小邻居数量，minSize表示目标的最小尺寸。
  6. 使用cv2.rectangle()函数在图像上绘制检测到的目标框。
  7. 使用cv2.imshow()函数显示结果图像。

请注意，上述示例代码仅用于说明如何使用OpenCV中的Haar特征级联分类器实现目标检测，具体的模型和输入数据准备工作需要根据实际情况进行相应的调整。同时，OpenCV还提供了其他目标检测算法，如基于深度学习的物体检测器（如SSD、YOLO等），您可以根据需求选择适合的算法进行目标检测。
（六）图像分割算法示例代码
以下是一个使用OpenCV库实现图像分割算法的示例代码，基于GrabCut算法：

import cv2
import numpy as np

# 加载图像
image = cv2.imread('image.jpg')

# 创建与图像相同大小的掩码
mask = np.zeros(image.shape[:2], np.uint8)

# 定义背景和前景模型
bgdModel = np.zeros((1, 65), np.float64)
fgdModel = np.zeros((1, 65), np.float64)

# 定义矩形区域，包含待分割的目标
rect = (50, 50, 200, 300)

# 运行GrabCut算法进行图像分割
cv2.grabCut(image, mask, rect, bgdModel, fgdModel, 5, cv2.GC_INIT_WITH_RECT)

# 根据分割结果生成新的掩码，将前景设置为可能的前景（3）或确定的前景（1）
mask2 = np.where((mask == 2) | (mask == 0), 0, 1).astype('uint8')

# 将原始图像与新的掩码进行按位与操作，提取前景目标
segmented_image = image * mask2[:, :, np.newaxis]

# 显示结果图像
cv2.imshow('Segmented Image', segmented_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，需要注意以下几点：

  1. 使用cv2.imread()函数加载待分割的图像。
  2. 创建与图像大小相同的掩码，初始值全为0。
  3. 定义背景和前景模型，用于GrabCut算法的迭代优化。
  4. 定义矩形区域，包含待分割的目标，这里使用的是矩形框选方式。
  5. 使用cv2.grabCut()函数运行GrabCut算法进行图像分割，其中传入原始图像、掩码、矩形区域以及背景和前景模型。
  6. 根据分割结果生成新的掩码，将前景设置为可能的前景（3）或确定的前景（1），背景和不确定区域设置为0。
  7. 将原始图像与新的掩码进行按位与操作，提取前景目标。
  8. 使用cv2.imshow()函数显示分割结果图像。

请注意，上述示例代码仅用于说明如何使用OpenCV中的GrabCut算法实现图像分割，具体的输入数据准备和参数调整需要根据实际情况进行相应的调整。同时，OpenCV还提供了其他图像分割算法，如基于深度学习的语义分割模型（如Mask R-CNN、DeepLab等），您可以根据需求选择适合的算法进行图像分割。
（七）人脸识别算法示例代码
以下是一个使用OpenCV库实现人脸识别算法的示例代码，基于Haar特征级联分类器：

import cv2

# 加载预训练的级联分类器模型
face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

# 加载图像
image = cv2.imread('image.jpg')

# 转换为灰度图像
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 人脸检测
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

# 在图像上绘制检测到的人脸框
for (x, y, w, h) in faces:
    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)

# 显示结果图像
cv2.imshow('Detected Faces', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，需要注意以下几点：

  1. 需要先下载并准备好对应的级联分类器模型文件（haarcascade_frontalface_default.xml），该文件描述了人脸识别算法的特征。
  2. 使用cv2.CascadeClassifier()函数加载预训练的级联分类器模型。
  3. 使用cv2.imread()函数加载待识别的图像。
  4. 使用cv2.cvtColor()函数将图像转换为灰度图像，因为Haar特征级联分类器通常在灰度图像上进行检测。
  5. 使用face_cascade.detectMultiScale()函数进行人脸检测，其中scaleFactor表示每次缩小图像的比例，minNeighbors表示目标候选框的最小邻居数量，minSize表示人脸的最小尺寸。
  6. 使用cv2.rectangle()函数在图像上绘制检测到的人脸框。
  7. 使用cv2.imshow()函数显示结果图像。

请注意，上述示例代码仅用于说明如何使用OpenCV中的Haar特征级联分类器实现人脸识别，具体的模型和输入数据准备工作需要根据实际情况进行相应的调整。同时，OpenCV还提供了其他人脸识别算法，如基于深度学习的人脸检测器（如MTCNN、Dlib等），您可以根据需求选择适合的算法进行人脸识别。
（八）姿态估计算法示例代码
以下是一个使用OpenCV库实现姿态估计算法的示例代码，基于Dlib库和68个关键点：

import cv2
import dlib

# 加载预训练的人脸检测器和关键点检测器模型
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')

# 加载图像
image = cv2.imread('image.jpg')

# 转换为灰度图像
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 人脸检测
faces = detector(gray)

# 对每张人脸进行关键点检测和姿态估计
for face in faces:
    # 关键点检测
    landmarks = predictor(gray, face)
    
    # 获取关键点坐标
    shape = []
    for i in range(68):
        x = landmarks.part(i).x
        y = landmarks.part(i).y
        shape.append((x, y))
        
        # 在图像上绘制关键点
        cv2.circle(image, (x, y), 3, (0, 255, 0), -1)
    
    # 姿态估计
    image_points = np.array(shape, dtype='double')
    model_points = np.array([
        (6.825897, 6.760612, 4.402142),     # 左眼角
        (1.330353, 7.122144, 6.903745),     # 右眼角
        (-1.330353, 7.122144, 6.903745),    # 鼻尖
        (-6.825897, 6.760612, 4.402142),    # 左嘴角
        (6.825897, 6.760612, 4.402142)      # 右嘴角
    ])
    focal_length = image.shape[1]
    center = (image.shape[1] / 2, image.shape[0] / 2)
    camera_matrix = np.array([[focal_length, 0, center[0]], [0, focal_length, center[1]], [0, 0, 1]], dtype='double')
    dist_coeffs = np.zeros((4, 1))
    (success, rotation_vector, translation_vector) = cv2.solvePnP(model_points, image_points, camera_matrix, dist_coeffs)
    
    # 投影姿态估计结果
    (nose_end_point2D, jacobian) = cv2.projectPoints(np.array([(0.0, 0.0, 1000.0)]), rotation_vector, translation_vector, camera_matrix, dist_coeffs)
    p1 = (int(image_points[2][0]), int(image_points[2][1]))
    p2 = (int(nose_end_point2D[0][0][0]), int(nose_end_point2D[0][0][1]))
    cv2.line(image, p1, p2, (255, 0, 0), 2)

# 显示结果图像
cv2.imshow('Pose Estimation', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，需要注意以下几点：

  1. 需要先下载并准备好对应的人脸检测器模型（shape_predictor_68_face_landmarks.dat），该模型用于人脸关键点检测。
  2. 使用dlib.get_frontal_face_detector()函数加载预训练的人脸检测器模型。
  3. 使用dlib.shape_predictor()函数加载预训练的关键点检测器模型。
  4. 使用cv2.imread()函数加载待识别的图像。
  5. 使用cv2.cvtColor()函数将图像转换为灰度图像，因为人脸检测和关键点检测通常在灰度图像上进行。
  6. 使用人脸检测器模型检测图像中的人脸。
  7. 对每张人脸使用关键点检测器模型获取关键点坐标，并在图像上绘制关键点。
  8. 使用姿态估计算法（cv2.solvePnP()函数）估计人脸的姿态。
  9. 将姿态估计结果投影到图像上，绘制一个从鼻尖到图像外围的线段，以显示人脸的朝向。
  10. 使用cv2.imshow()函数显示结果图像。

请注意，上述示例代码仅用于说明如何使用OpenCV和Dlib库实现姿态估计算法，具体的模型和输入数据准备工作需要根据实际情况进行相应的调整。同时，还有其他姿态估计算法和模型可供选择，如基于深度学习的3D人脸姿态估计模型（如PRNet、3DDFA等），您可以根据需求选择适合的算法进行姿态估计。

四、归纳总结

在这里插入图片描述OpenCV是一个功能强大的计算机视觉库，它不仅支持传统的计算机视觉算法，还提供了对深度学习模型的集成和支持。下面是关于OpenCV深度学习的一些归纳总结：

  1. 深度学习模块：OpenCV通过"DNN"（Deep Neural Networks）模块提供对深度学习模型的支持。该模块可以加载和运行训练好的深度学习模型，包括各种网络架构和预训练模型，如Caffe、TensorFlow、Torch等。

  2. 模型加载与推理：OpenCV可以加载各种深度学习模型的权重和配置文件，并进行推理。它提供了函数来加载模型、设置输入数据、运行前向传播，并获取输出结果。通过这些函数，可以轻松地将深度学习模型集成到OpenCV的计算机视觉流程中。

  3. 预训练模型支持：OpenCV支持许多常用的预训练深度学习模型，如图像分类（如AlexNet、VGG、ResNet）、目标检测（如SSD、YOLO）和语义分割（如DeepLab），这些模型在大规模数据集上进行了训练，并具有强大的性能。

  4. 模型优化：OpenCV提供了一些优化技术，如模型量化（Model Quantization）和模型压缩（Model Compression），以减小深度学习模型的体积和推理时的计算量，从而提高模型在嵌入式设备上的性能和效率。

  5. 模型部署：OpenCV支持将训练好的深度学习模型部署到各种平台和设备上，包括桌面、移动设备和嵌入式系统。这使得开发者可以方便地将深度学习模型应用于各种实际场景中。在这里插入图片描述

总之，OpenCV的深度学习模块为开发者提供了方便且高效的工具，使他们能够在计算机视觉任务中充分利用深度学习的优势。通过OpenCV，开发者可以轻松加载、运行和部署深度学习模型，从而加速开发过程并实现更高水平的计算机视觉应用。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1417776.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

降压模块LM2596S的操作使用

降压模块LM2596S的操作使用

一、技术参数 二、使用说明 1.引脚说明： IN输入正极 IN-输入负极 OUT输出正极 OUT-输出负极 2.输入电压范围：直流3.2V 至 46V (输入的电压必须比要输出的电压高1.5V以上。不能升压) 3.输出电压范围：直流 1.25V至 35V 电压连续可调&#…
阅读更多...
激光雷达，角力「降本增效」

激光雷达，角力「降本增效」

高工智能汽车研究院最新发布的数据显示，2023年1-11月，中国市场（不含进出口）乘用车前装标配激光雷达搭载量为46.48万颗，同比增长372.35%，继续保持高增长态势。 随着激光雷达在中国市场完成规模化上量的节点&…
阅读更多...
C++(16)——vector的模拟实现

C++(16)——vector的模拟实现

前面的文章中，给出了对于的模拟实现，本篇文章将给出关于的模拟实现。 目录 1.基本框架： 2. 返回值与迭代器： 2.1 返回值capacity与size: 2.2 两种迭代器iterator和const_iterator: 3. 扩容与push_back与pop_back&#xff1a…
阅读更多...
好友管理系统----Python实例练习

好友管理系统----Python实例练习

题目描述 如今的社交软件层出不穷，虽然功能千变万化，但都具有好友管理系统的基本功能，包括添加好友，删除好友，备注好友，展示好友等。次案例要求用Python中的列表知识实现。 程序代码 print("欢迎使…
阅读更多...
你还在使用websocket实现实时消息推送吗？

你还在使用websocket实现实时消息推送吗？

前言 在日常的开发中，我们经常能碰见服务端需要主动推送给客户端数据的业务场景，比如数据大屏的实时数据，比如消息中心的未读消息，比如聊天功能等等。 本文主要介绍SSE的使用场景和如何使用SSE。 服务端向客户端推送数据的实现…
阅读更多...
LabVIEW扫频阻抗测试系统

LabVIEW扫频阻抗测试系统

实现扫频阻抗法用于检测变压器绕组变形，结合了短路阻抗法和频响法的优点，但受限于硬件精度，尤其是50 Hz短路阻抗测试存在稳定性和准确性的问题。通过LabVIEW编程，控制宽频带信号发生器和高速采集卡，提高测试结果的稳定…
阅读更多...
【大数据】Flink 架构（二）：数据传输

【大数据】Flink 架构（二）：数据传输

《Flink 架构》系列（已完结），共包含以下 6 篇文章： Flink 架构（一）：系统架构Flink 架构（二）：数据传输Flink 架构（三）：事件…
阅读更多...
（2）(2.9) Holybro Microhard P900无线电遥测设备

（2）(2.9) Holybro Microhard P900无线电遥测设备

文章目录 前言 1 特点 2 规格 3 包装内包括 前言 Holybro Microhard Radio 集成了 microhard Pico 系列射频模块，能够在强大的拓扑结构中提供高性能无线串行通信，如点对点、点对多点和安全 Mesh（P840 不提供 Mesh）。 它采用跳…
阅读更多...
翻译: GPT-4 Vision静态图表转换为动态数据可视化 升级Streamlit 三

翻译: GPT-4 Vision静态图表转换为动态数据可视化 升级Streamlit 三

GPT-4 Vision 系列: 翻译: GPT-4 with Vision 升级 Streamlit 应用程序的 7 种方式一翻译: GPT-4 with Vision 升级 Streamlit 应用程序的 7 种方式二 1. 将任何静态图表转换为动态数据可视化 ChatGPT Vision 不仅可以将涂鸦变成功能齐全的 Streamlit 应用程序，还…
阅读更多...
关机恶搞小程序

关机恶搞小程序

1. system("shutdown")的介绍 当system函数的参数是"shutdown"时，它将会执行系统的关机命令。 具体来说，system("shutdown")的功能是向操作系统发送一个关机信号，请求关闭计算机。这将触发操作系统执行一系列…
阅读更多...
Java项目：基于SSM框架实现的企业员工岗前培训管理系统（ssm+B/S架构+源码+数据库+毕业论文）

Java项目：基于SSM框架实现的企业员工岗前培训管理系统（ssm+B/S架构+源码+数据库+毕业论文）

一、项目简介 本项目是一套ssm821基于ssm框架实现的企业员工岗前培训管理系统，主要针对计算机相关专业的正在做毕设的学生与需要项目实战练习的Java学习者。 包含：项目源码、数据库脚本等，该项目附带全部源码可作为毕设使用。 项目都经过严格…
阅读更多...
w24文件上传之PHP伪协议

w24文件上传之PHP伪协议

PHP支持的伪协议 file:// - 访问本地文件系统 http:// - 访问网址 ftp:// - 访问文件 php:// -访问各个输入/输出流 zlib:// -压缩流 data:// - 数据 glob:// -查找匹配的文件路径模式 phar:// - php归档 ssh2:// - Secure shell 2 rar:// - RAR ogg:// - 音频流 expect:// - …
阅读更多...
【Python从入门到进阶】48、当当网Scrapy项目实战（一）

【Python从入门到进阶】48、当当网Scrapy项目实战（一）

接上篇《47、Scrapy Shell的了解与应用》 上一篇我们学习了Scrapy终端命令行工具Scrapy Shell，并了解了它是如何帮助我们更好的调试爬虫程序的。本篇我们将正式开启一个Scrapy爬虫项目的实战，对当当网进行剖析和抓取。 一、当当网介绍 当当网成立于199…
阅读更多...
字符串函数(1)

字符串函数(1)

目录 大小写转换 首字母大写 计算字符串的长度 Oracle从入门到总裁:https://blog.csdn.net/weixin_67859959/article/details/135209645 字符串函数可以对字符串数据进行处理，在 Oracle 中此类函数主要有如下几种： UPPER()、LOWER()、INITCAP()、REP…
阅读更多...
PMP五大过程组：项目成功的金钥匙

PMP五大过程组：项目成功的金钥匙

在项目管理领域，PMP（项目管理专业）一直被视为权威的标准。PMP认证的项目管理方法论，即五大过程组和十大知识领域，为项目管理提供了一套完整、系统的方法论。五大过程组作为PMP的核心，涵盖了项目从开始到结束…
阅读更多...
bert新闻标题分类

bert新闻标题分类

使用 bert 完成文本分类任务，数据有 20w，来自https://github.com/649453932/Bert-Chinese-Text-Classification-Pytorch/tree/master/THUCNews 下载即可： 模型使用 bert-base-chinese 下载参考：bert预训练模型下载-CSDN博客 实现了…
阅读更多...
无人机在三维空间中的转动问题

无人机在三维空间中的转动问题

前提 这篇博客是对最近一个有关无人机拍摄图像项目中所学到的新知识的一个总结，比较杂乱，没有固定的写作顺序。 无人机坐标系旋转问题 上图是无人机坐标系，绕x轴是翻滚(Roll)，绕y轴是俯仰(Pitch)，绕z轴是偏航(Yaw)。…
阅读更多...
微信小程序（二十三）获取页面栈及当前页面实例

微信小程序（二十三）获取页面栈及当前页面实例

注释很详细，直接上代码 上一篇 新增内容： 1.页面栈的定义 2.获取当前页面实例 页面栈 当我们从A页面跳到B页面再跳到C页面时，页面栈则是由三个页面的实例组成的数组，A在下标为0的数组中，C在下标为2的数组中 当然&#…
阅读更多...
【JaveWeb教程】（30）SpringBootWeb案例之《智能学习辅助系统》的详细实现步骤与代码示例（3）员工管理的实现

【JaveWeb教程】（30）SpringBootWeb案例之《智能学习辅助系统》的详细实现步骤与代码示例（3）员工管理的实现

目录 SpringBootWeb案例033. 员工管理3.1 分页查询3.1.1 基础分页3.1.1.1 需求分析3.1.1.2 接口文档3.1.1.3 思路分析3.1.1.4 功能开发3.1.1.5 功能测试3.1.1.6 前后端联调 3.1.2 分页插件3.1.2.1 介绍3.1.2.2 代码实现3.1.2.3 测试 3.2 分页查询(带条件)3.2.1 需求3.2.2 思路分…
阅读更多...
[答疑]张学友和Neal Ford的区别

[答疑]张学友和Neal Ford的区别

DDD领域驱动设计批评文集 做强化自测题获得“软件方法建模师”称号 《软件方法》各章合集 albert 2024-1-22 16:43 如果base合适，不出差也可以演讲。比如base北京，每周在北京讲3到4场，一年150到200,十五二十年就累积够了。 我看新闻&…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023