人脸识别2：Python实现人脸识别Face Recognition(含源码)

news2024/11/26 13:50:29

人脸识别2：Python实现人脸识别Face Recognition(含源码)

目录

人脸识别2：Python实现人脸识别Face Recognition(含源码)

1. 前言

2. 项目安装

3. 人脸识别系统

（1）人脸检测和关键点检测

（2）人脸校准

（3）人脸特征提取

（4）人脸比对(1:1)

（5）人脸搜索(1:N)

 （6）配置文件config

（7）人脸识别优化建议

4. 人脸识别Demo效果

5. 人脸识别C/C++版本源码下载

6. 人脸识别Android版本源码下载

7. 人脸识别Python版本源码下载

1. 前言

这是项目《人脸识别Face Recognition》系列之《Python实现人脸识别Face Recognition》；项目基于开源ArcFace(也称InsightFace)模型搭建一套完整的Python版本人脸识别系统（Face Recognition or Face Identification）；整套人脸识别系统核心算法包含人脸检测和人脸关键点检测，人脸校准，人脸特征提取以及人脸比对(1:1)和人脸搜索(1:N)。本项目人脸识别系统可以达到目前商业级别的人脸识别准确率，在误识率(FAR)0.1%的情况下，可提供99.57%的通过率(TAR)；可以满足人脸比对，人脸签到、人脸门禁、人员信息查询、安防监控等人脸识别应用场景。

Python版本人脸检测和人脸识别效果：

da8f940a0a8f4bc5bd0d2a72e0119597.gif

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/130600472 

更多项目《人脸识别Face Recognition》系列文章请参考：

  1. 人脸识别1：人脸识别数据集https://blog.csdn.net/guyuealian/article/details/130600545
  2. 人脸识别2：Python实现人脸识别Face Recognition(含源码)https://blog.csdn.net/guyuealian/article/details/130600472
  3. 人脸识别3：C/C++实现人脸识别Face Recognition(含源码)https://blog.csdn.net/guyuealian/article/details/130600571
  4. 人脸识别4：Android实现人脸识别Face Recognition(含源码)https://blog.csdn.net/guyuealian/article/details/130600600

ccd0e425827b4cad815f3d05447f37e6.gif

2. 项目安装

项目结构说明

.
├── configs                # 配置文件(设置检测模型，特征提取模型)
├── core
│   ├── alignment          # 人脸校准算法
│   ├── detection          # 人脸检测模型
│   ├── feature            # 人脸特征提取模型
│   ├── face_detector.py   # 人脸检测(支持MTCNN和RFB)
│   ├── face_feature.py    # 人脸特征提取模型
│   ├── face_matcher.py    # 人脸匹配算法
│   ├── face_recognizer.py # 人脸识别 
│   └── face_register.py   # 人脸注册
├── data                   # 人脸识别相关数据
├── face_compare.py        # 1:1人脸比对Demo
├── face_search.py         # 1:N人脸搜索Demo
├── register.py            # 1:N人脸搜索人脸数据库注册Demo
├── README.md              # 说明文档
└── requirements.txt       # 项目依赖文件

Python依赖环境，使用pip安装即可，项目代码都在Ubuntu系统和Windows系统验证正常运行，请放心使用；若出现异常，大概率是相关依赖包版本没有完全对应

numpy==1.16.3
matplotlib==3.1.0
Pillow==6.0.0
easydict==1.9
opencv-contrib-python==4.5.2.52
opencv-python==4.5.1.48
pandas==1.1.5
PyYAML==5.3.1
scikit-image==0.17.2
scikit-learn==0.24.0
scipy==1.5.4
seaborn==0.11.2
tensorboard==2.5.0
tensorboardX==2.1
torch==1.7.1+cu110
torchvision==0.8.2+cu110
tqdm==4.55.1
xmltodict==0.12.0
basetrainer
pybaseutils

 项目安装教程请参考（初学者入门，麻烦先看完下面教程，配置好开发环境）： 

  • 项目开发使用教程和常见问题和解决方法
  • 视频教程：1 手把手教你安装CUDA和cuDNN(1)
  • 视频教程：2 手把手教你安装CUDA和cuDNN(2)
  • 视频教程：3 如何用Anaconda创建pycharm环境
  • 视频教程：4 如何在pycharm中使用Anaconda创建的python环境

3. 人脸识别系统

人脸识别主要包含人脸比对(1:1)和人脸搜索(1:N)两大功能，涉及的核心算法主要包含：人脸检测和人脸关键点检测，人脸校准，人脸特征提取以及人脸比对(1:1)和人脸搜索(1:N)；当然，实际业务中，可能还会增加人脸质量检测以及活体识别等算法，碍于篇幅，后续再分享活体识别算法。

下图给出本项目人脸识别系统算法实现架构流程图：

11acfa2ee6eb40818544226505ff4a92.png

（1）人脸检测和关键点检测

人脸检测的方法比较多，项目提供两种人脸检测方法：一种是基于MTCNN的通用人脸检测模型，另一种是轻量化的、快速的RFB人脸检测模型；这个两个模型都能实现人脸检测，并同时预测人脸的五个关键点(Landmark)。

模型Paper源码说明
MTCNNPaperLink
  • 支持人脸检测和人脸关键点检测(5个点)
  • 通用场景人脸检测，计算量较大，适合PC服务器部署
RFBPaperLink
  • 支持人脸检测和人脸关键点检测(5个点)
  • 轻量级人脸检测，适合简单场景人脸检测，计算量较小，适合嵌入式，开发板，Android等终端部署
  • MTCNN人脸检测参考项目：GitHub - Sierkinhane/mtcnn-pytorch: A face detection algorithm
  • RFB人脸检测参考项目：GitHub - Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB: 💎1MB lightweight face detection model (1MB轻量级人脸检测模型)

下图是MTCNN模型人脸检测和人脸关键点(Landmark)检测效果  

  •  人脸关键点(Landmark)：共预测五个人脸关键点，分别为：左眼中心点，右眼中心点，鼻尖中心点以及左嘴角和右嘴角
  • 利用Landmark信息，后续可以通过仿射变换，对人脸进行校准，获得相对比较正的人脸。人脸校准可以有效提升人脸识别的效果

 c1856115f6554c299afab37b6f5ce22e.pngfe52664c21004942a898de6856102e95.png

（2）人脸校准

利用Landmark信息，可以通过仿射变换，对人脸进行校准，获得相对比较正的人脸，项目core/alignment模块提供人脸校准算法。

其中实现思路是：

利用OpenCV的estimateAffine2D()函数估计人脸关键点(5个landmark)和参考人脸关键点(reference landmark)的仿射变换矩阵M，再根据仿射变换矩阵M矫正人脸图像

下图给出人脸校准的效果图，其中【image】是原始图像，【ref-Landmark】图像是112×112图像的参考人脸关键点(reference landmark)，而【face_alignment】是最终矫正的人脸效果图。

a56d5617933b4186bee3f0b1610d6358.png

（3）人脸特征提取

项目基于开源的ArcFace(也称InsightFace)训练框架，开发并优化了三个版本的人脸识别模型：mobilenet_v2，IR-18(resnet18优化版)以及IR-50(resnet50优化版)，用于人脸特征提取

ArcFace：GitHub - TreB1eN/InsightFace_Pytorch: Pytorch0.4.1 codes for InsightFace

模型LFWCFP_FFCFP_FPAgeDBCALFWCPLFW
resnet5099.7899.6998.1497.5395.8792.45
resnet1899.5599.6197.7496.5294.6690.01
mobilenet_v299.2399.2790.7493.2293.5788.69

resnet50和resnet18参数量比较大，计算量较大，适合在PC服务器部署 ；而mobilenet_v2

模型计算量较小，适合嵌入式，开发板，Android等终端部署。

（4）人脸比对(1:1)

1:1人脸比对(也称人脸验证，身份验证)，即将两张人脸进行1:1比对，得到人脸相似度，来判断是否是同一个人，一般用作人证比对等场景，比如银行卡/QQ/微信/支付宝等账号登录时人脸身份验证。

项目实现了1:1人脸比对功能(face_compare.py)

# -*- coding: utf-8 -*-
import os
import cv2
import argparse
import traceback
from core import face_recognizer
from pybaseutils import image_utils, file_utils


class Example2(face_recognizer.FaceRecognizer):
    def __init__(self, database):
        """
        @param database: 人脸数据库的路径
        """
        super(Example2, self).__init__(database=database)

    def compare_face_task(self, image_file1, image_file2, score_thresh=0.75, vis=True):
        """
        1:1人脸比对,比较两张肖像图是否是同一个人
        @param image_file1 肖像图1
        @param image_file2 肖像图2
        @param score_thresh 相似人脸分数人脸阈值
        """
        # 去读取图片
        image1 = cv2.imread(image_file1)
        image2 = cv2.imread(image_file2)
        face_info1, face_info2, score = self.compare_face(image1, image2)
        if len(face_info1['face']) > 0 and len(face_info2['face']) > 0:
            v1 = face_info1["feature"]
            v2 = face_info2["feature"]
            same_person = score > score_thresh
            print("feature1.shape:{}\nfeature1:{}".format(v1.shape, v1[0, 0:20]))
            print("feature2.shape:{}\nfeature2:{}".format(v2.shape, v2[0, 0:20]))
            print("similarity: {}, same person: {}".format(score, same_person))
            if vis: self.show_result(image1, face_info1, image2, face_info2)
        else:
            print("No face detected")
        return score

    def show_result(self, image1, face_info1, image2, face_info2):
        face1 = face_info1["face"]
        face2 = face_info2["face"]
        if len(face1) > 0: image_utils.cv_show_image("face1", face1[0], delay=1)
        if len(face2) > 0: image_utils.cv_show_image("face2", face2[0], delay=1)
        self.draw_result("image1", image=image1, face_info=face_info1, vis=True, delay=1)
        self.draw_result("image2", image=image2, face_info=face_info2, vis=True, delay=0)


def parse_opt():
    image_file1 = "data/test_image/test1.jpg"
    image_file2 = "data/test_image/test2.jpg"
    parser = argparse.ArgumentParser()
    parser.add_argument('--image_file1', type=str, default=image_file1, help='image_file1')
    parser.add_argument('--image_file2', type=str, default=image_file2, help='image_file1')
    opt = parser.parse_args()
    print(opt)
    return opt


if __name__ == "__main__":
    """1:1人脸比对,可用于人证比对等场景"""
    opt = parse_opt()
    fr = Example2(database="")
    fr.compare_face_task(opt.image_file1, opt.image_file2, vis=True)

测试1:1人脸比对，可在终端运行：

python face_compare.py --image_file1 "data/test_image/test1.jpg" --image_file2 "data/test_image/test2.jpg"

运行结果如下：

  84a4a80f88bb40ea81871c755d6363e6.png8c9d54376e6e447cb50544e104bb9901.png

（5）人脸搜索(1:N)

1:N人脸搜索，将一张人脸和N张人脸进行比对，找出最相似的一张或多张人脸，即1:N人脸搜索。可用作人脸签到、人脸门禁、人员信息查询、安防监控等应用场景。

项目实现了1:N人脸搜索功能，需要提前生成人脸数据库(Face database)，先录入注册人脸数据

项目register.py 实现人脸数据库(database)人脸注册，database人脸图像要求满足以下：

  • 每人一个文件夹(ID名称)，每个文件夹存放一张个人照片，作为人脸识别的底图
  • 个人照片可以是个人证件照，生活照，肖像照片，要求五官清晰且正脸的照片，不能出现多个人脸的情况
  • 尽量不要出现过度美颜，头发遮挡，低头侧脸等问题

fcb6509904fb42b1b993fb5dd0e993a2.png实现人脸注册， 可在终端运行（register.py）：

# 默认人脸数据库，图像存放在image_dir='./data/dataset/database'
# 默认人脸数据库，特征文件保存在database='./data/dataset/database-resnet50.json'

python register.py

运行结果如下：

72a3501f086f49509361c0e144e332df.png

如果需要注册新人 ，请参考如下步骤：

  1. 采集一张新人的个人照片，以张三的照片为例子
  2. 在人脸数据库中(data/dataset/database)中，新建一个名称为【张三】的文件夹，并拷贝张三的照片放到人脸数据库中【张三】文件夹中，
  3. 人脸数据库中每人一个文件夹，每人只需要一张照片用于注册人脸，图片名称可任意
  4. 然后运行python register.py，完成人脸数据库的人脸注册

完成人脸注册后，下一步可以进行1:N人脸搜索，实现人脸识别的功能（face_search.py）：

  • 测试图片文件，可在终端运行：
# 待识别人脸图片存放在项目目录data/test_image 
python face_search.py --image_dir "data/test_image"
  • 测试视频文件，可在终端运行：
# 测试视频文件，--video_file填写视频文件的路径
python face_search.py --video_file "data/test-video.mp4"
  • 测试摄像头，可在终端运行：
# 测试摄像头，--video_file填写摄像头ID号，一般默认从0开始
python face_search.py --video_file 0
# -*- coding: utf-8 -*-
import os
import cv2
import argparse
import traceback
from configs import configs
from core import face_recognizer
from pybaseutils import image_utils, file_utils


class Example1(face_recognizer.FaceRecognizer):
    def __init__(self, database):
        """
        @param database: 人脸数据库的路径
        """
        super(Example1, self).__init__(database=database)

    def start_capture(self, video_file, save_video=None, detect_freq=1, vis=True):
        """
        start capture video
        :param video_file: *.avi,*.mp4,...
        :param save_video: *.avi
        :param detect_freq:
        :return:
        """
        video_cap = image_utils.get_video_capture(video_file)
        width, height, numFrames, fps = image_utils.get_video_info(video_cap)
        if save_video:
            self.video_writer = image_utils.get_video_writer(save_video, width, height, fps)
        count = 0
        while True:
            if count % detect_freq == 0:
                # 设置抽帧的位置
                if isinstance(video_file, str): video_cap.set(cv2.CAP_PROP_POS_FRAMES, count)
                isSuccess, frame = video_cap.read()
                if not isSuccess:
                    break
                frame, face_info = self.search_face_task(frame, thickness=4, fontScale=2.0, delay=10, vis=True)
                if save_video:
                    self.video_writer.write(frame)
            count += 1
        video_cap.release()

    def detect_image_dir(self, image_dir, out_dir=None, vis=True):
        """
        @param image_dir:
        @param out_dir:
        @param vis:
        @return:
        """
        image_list = file_utils.get_files_lists(image_dir, postfix=file_utils.IMG_POSTFIX)
        for image_file in image_list:
            try:
                print("image_file:{}\t".format(image_file), end=',', flush=True)
                image = image_utils.read_image_ch(image_file)
                image = image_utils.resize_image(image, size=(None, 640))
                image, face_info = self.search_face_task(image, vis=vis)
                if out_dir:
                    out_file = file_utils.create_dir(out_dir, None, os.path.basename(image_file))
                    print("save result:{}".format(out_file))
                    cv2.imwrite(out_file, image)
            except:
                traceback.print_exc()
                print(image_file, flush=True)

    def search_face_task(self, bgr, thickness=2, fontScale=1.5, delay=0, vis=False):
        """
        1:N人脸搜索任务
        :param bgr: BGR image
        :return:
        """
        face_info = self.detect_search(bgr, max_face=-1, vis=False)
        image = self.draw_result("Recognizer", image=bgr, face_info=face_info,
                                 thickness=thickness, fontScale=fontScale, delay=delay, vis=vis)
        return image, face_info


def parse_opt():
    database = configs.database  # 存储人脸数据库特征路径database
    # image_dir = 'data/dataset/test'  # 测试图片的目录
    image_dir = 'data/test_image'  # 测试图片的目录
    out_dir = "output/"  # 保存检测结果
    video_file = None  # video_file is None表示进行图片测试
    # video_file = "data/test-video.mp4"  # 视频文件测试
    # video_file = "0"  # 摄像头测试
    parser = argparse.ArgumentParser()
    parser.add_argument('--database', type=str, default=database, help='存储人脸数据库特征路径database')
    parser.add_argument('--image_dir', type=str, default=image_dir, help='image_dir')
    parser.add_argument('--video_file', type=str, default=video_file, help='camera id or video file')
    parser.add_argument('--out_dir', type=str, default=out_dir, help='save result')
    opt = parser.parse_args()
    print(opt)
    return opt


if __name__ == "__main__":
    """1:N人脸搜索,可用于人脸签到、人脸门禁、人员信息查询、安防监控等应用场景"""
    opt = parse_opt()
    fr = Example1(database=opt.database)
    if isinstance(opt.video_file, str) or isinstance(opt.video_file, int):
        opt.video_file = str(opt.video_file)
        if len(opt.video_file) == 1: opt.video_file = int(opt.video_file)
        save_video = os.path.join(opt.out_dir, "result.avi") if opt.out_dir else None
        fr.start_capture(opt.video_file, save_video, detect_freq=1, vis=True)
    else:
        fr.detect_image_dir(opt.image_dir, opt.out_dir, vis=True)

 （6）配置文件config

项目配置文件configs/configs.py，用于设置人脸检测模型，特征提取模型，可以根据自己的需要选择

  • 人脸检测模型,目前支持RFB和MTCNN人脸检测
  • 人脸识别(特征提取)模型，目前支持resnet50,resnet18和mobilenet_v2模型

人脸识别特征提取模型，提供resnet50,resnet18和mobilenet_v2 ，其测试准确率，参考如下:

模型LFWCFP_FFCFP_FPAgeDBCALFWCPLFW
resnet5099.7899.6998.1497.5395.8792.45
resnet1899.5599.6197.7496.5294.6690.01
mobilenet_v299.2399.2790.7493.2293.5788.69

resnet50和resnet18参数量比较大，计算量较大，适合在PC服务器部署 ；而mobilenet_v2

模型计算量较小，适合嵌入式，开发板，Android等终端部署。

# -*-coding: utf-8 -*-
import torch
import os

root = os.path.dirname(os.path.dirname(__file__))

det_thresh = 0.5  # 人脸检测阈值，小于该阈值的检测框会被剔除
rec_thresh = 0.5  # 人脸识别阈值，小于该阈值的人脸识别结果为unknown，表示未知
# 人脸检测模型,目前支持RFB和MTCNN人脸检测
DETECTOR = {
    # "net_name": "RFB",
    "net_name": "MTCNN",
}

# 人脸识别(特征提取)模型配置文件，目前支持resnet50,resnet18和mobilenet_v2模型
FEATURE = {
    "net_name": "resnet50",
    # "net_name": "resnet18",
    # "net_name": "mobilenet_v2",
    "input_size": (112, 112),
    "embedding_size": 512
}

# 人脸数据库图像路径,用于注册人脸
database_image = "./data/dataset/database"
# 人脸数据库特征路径database(注册人脸后生成的特征文件)
database = os.path.join(os.path.dirname(database_image), "database-{}.json".format(FEATURE['net_name']))

# 运行设备
# device = "cpu"
device = "cuda:0" if torch.cuda.is_available() else "cpu"

（7）人脸识别优化建议

  1. 人脸识别依赖人脸检测，一个高精度的人脸检测模型算法，可以有效提高人脸识别的准确率
  2. 人脸校准算法可以矫正人脸倾斜等问题，可以极大提高人脸识别效果；需要依赖人脸关键点检测(Landmark)，本项目使用的RFB和MTCNN模型都可预测人脸关键点
  3. 人脸识别中，待识别人脸图片，如果存在低头侧脸，或者人脸存在遮挡等情况，人脸识别准确率较低(可能被识别为unknown)，实际使用过程中，需要用户配合，正对着摄像头，以提高人脸识别准确率的效果。
  4. 1:N人脸搜索中，要求注册底库的人脸数据库是高质量的个人照片；建议每人需要提供一张高清的、不模糊的、少美颜的，五官清晰可见的，正脸的，不低头不侧脸的个人自拍照(生活照、证件照)，以便可以生成高质量的人脸特征
  5. 1:N人脸搜索中，当N属于百万级别以上海量人脸数据时，人脸识别会比较慢，毕竟需要遍历人脸进行特征匹配，性能较差；解决方法是可以采用人脸特征聚类，分而治之的思路；目前已有很多开源框架，感兴趣的可以参考Faiss 、milvus等库。
  6. 目前，项目暂不支持人脸真伪鉴别(活体识别)，后续计划开发基于RGB的活体识别功能，敬请期待哈

4. 人脸识别Demo效果

下图是Python版本的人脸识别Demo效果，图中绘制了绿色框，框上面文本是人脸识别结果和匹配相似度(置信度)；当置信度小于rec_thresh=0.5时，人脸识别结果为unknown，表示未知。

ccd0e425827b4cad815f3d05447f37e6.gifda8f940a0a8f4bc5bd0d2a72e0119597.gif 

79601040fc5c4c3b99d8ffdc74868250.jpegc69ffc595aa44661926ce2de36faf604.jpegd15da5a97fe84984b1ec5cb1c7f8afc6.jpeg172fdf0d87084c8f8fb77f4bf6831363.jpeg

5. 人脸识别C/C++版本源码下载

参考文章 《人脸检测和人脸识别3：C/C++实现人脸检测和人脸识别》https://blog.csdn.net/guyuealian/article/details/130600571

6. 人脸识别Android版本源码下载

 参考文章 《人脸检测和人脸识别4：Android实现人脸检测和人脸识别》https://blog.csdn.net/guyuealian/article/details/130600600

7. 人脸识别Python版本源码下载

人脸识别Python版本源码下载：人脸识别2：Python实现人脸识别Face Recognition(含源码)

项目源码包含内容：

  1. 提供两种人脸检测方法：一种是基于MTCNN的通用人脸检测模型，另一种是轻量化的、快速的RFB人脸检测模型；这个两个模型都能实现人脸检测，并同时预测人脸的五个关键点(Landmark)。
  2. 提供三个人脸识别特征提取模型：mobilenet_v2，IR-18(resnet18优化版)以及IR-50(resnet50优化版)，用于人脸特征提取
  3. 提供1:1人脸比对：face_compare.py，可用于人证比对等场景
  4. 提供人脸注册功能：register.py，项目自带人脸识别测试数据，可用于验证人脸识别效果
  5. 提供1:N人脸搜索：face_search.py，可用于人脸签到、人脸门禁、人员信息查询、安防监控等应用场景
  6. 项目1:N人脸搜索：face_search.py，支持图片，视频和摄像头测试

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/529408.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

【数据结构与算法】布隆(Bloom Filter)过滤器

【数据结构与算法】布隆(Bloom Filter)过滤器

文章目录 1、什么是布隆过滤器2、布隆过滤器的使用场景3、布隆过滤器的原理3.1 数据结构3.2 空间计算3.3 增加元素3.4 查询元素3.5 修改元素3.6 删除元素 4、Redis集成布隆过滤器4.1 版本要求4.2 安装&编译4.2.1 下载插件压缩包4.2.2 解压4.2.3 编译插件 4.3 Redis集成4.3.…
阅读更多...
《硅谷钢铁侠：埃隆·马斯克的冒险人生》成就21世纪的史诗

《硅谷钢铁侠：埃隆·马斯克的冒险人生》成就21世纪的史诗

《硅谷钢铁侠：埃隆马斯克的冒险人生》成就21世纪的史诗 阿什利万斯（Ashlee Vance）：美国商业专栏作家、资深科技记者。 文章目录 《硅谷钢铁侠：埃隆马斯克的冒险人生》成就21世纪的史诗马斯克的超级公司摘录感悟梦 马斯…
阅读更多...
免费SSL：阿里云SSL证书免费申请入口及流程开启HTTPS

免费SSL：阿里云SSL证书免费申请入口及流程开启HTTPS

阿里云SSL免费证书在哪申请？一个阿里云账号一年可以申请20张免费SSL证书，很多同学找不到免费SSL的入口，阿小云来详细说下阿里云SSL证书免费申请入口链接以及免费SSL证书申请流程，有同学反馈阿里云免费SSL证书没有了？错…
阅读更多...
【Python共享文件】——Python快速搭建HTTP web服务实现文件共享并公网远程访问

【Python共享文件】——Python快速搭建HTTP web服务实现文件共享并公网远程访问

文章目录 1. 前言2. 视频教程3. 本地文件服务器搭建3.1 python的安装和设置3.2 cpolar的安装和注册 4. 本地文件服务器的发布4.1 Cpolar云端设置4.2 Cpolar本地设置 5. 公网访问测试6. 结语 1. 前言 数据共享作为和连接作为互联网的基础应用，不仅在商业和办公场景有…
阅读更多...
[离散数学]图论

[离散数学]图论

图基本概念 点相同 边相同 $$ 有向图 无向图 邻接点 ：两个结点有一条有(无)向边相关联 邻接边:关联与同一个结点 孤立结点: 不予任何结点相邻接的结点 握手定理 度数边的两倍 有向图的 出度和入度和边数 n个节点无向完全图边数 C n 2 1 2 n ( n − 1 ) C_n^2…
阅读更多...
14JS05——流程控制-分支

14JS05——流程控制-分支

目标： 1、流程控制 2、顺序流程控制 3、分支流程控制if语句 4、三元表达式 5、分支流程控制switch语句 一、流程控制 在一个程序执行的过程中，各条代码的执行顺序对程序的结果是有直接影响的。很多时候我们要通过控制代码 的执行顺序来实现我们要完成的…
阅读更多...
Science | 人体可以依靠饥饿感来延缓衰老

Science | 人体可以依靠饥饿感来延缓衰老

作为一种高级动物，人体需要六种营养物质来维持基本的生理需求：糖类、油脂、蛋白质、无机盐、水、和维生素。对营养物质的生理需求促使人和动物去追寻食物。而饮食对人和动物的行为和寿命又有着显著影响。 近年来，越来越多的研究表明&#xf…
阅读更多...
计算机网络 二 (物理层)

计算机网络 二 (物理层)

物理层 概念 物理层为数据链路层屏蔽了各种传输媒体的差异，使数据链路层只需要考虑如何完成本层的协议和服务，而不必考虑网络具体的传输媒体是什么。 对于物理层有很多很多的协议，不过都不怎么重要，对于物理层我们知道物理层协议…
阅读更多...
国产仪器仪表 1466C-V/1466D-V/1466E-V/1466G-V/1466H-V/1466L-V系列信号发生器

国产仪器仪表 1466C-V/1466D-V/1466E-V/1466G-V/1466H-V/1466L-V系列信号发生器

国产Ceyear 1466-V系列信号发生器是一款面向微波毫米波尖端测试的通用测试仪器，频率范围覆盖宽、射频调制带宽大、信号频谱纯度高，具有高准确度和大动态范围的功率输出，以及出色的矢量调制精度和ACPR性能，搭配单机双射频通道和多机…
阅读更多...
21天学会Linux----Day1：Linux环境搭建

21天学会Linux----Day1：Linux环境搭建

CSDN的uu们，大家好。这里是Linux的第一讲。 座右铭：前路坎坷，披荆斩棘，扶摇直上。 博客主页： 姬如祎 收录专栏：Linux保姆级教程 目录 1. Linux环境搭建的三种方式 2. 阿里云学生认证白嫖七个月云服务器…
阅读更多...
十四、Zuul网关

十四、Zuul网关

目录 一、API网关作用： 二、网关主要功能： 2.1、统一服务入口 2.2、接口鉴权 2.3、智能路由 2.4、API接口进行统一管理 2.5、限流保护 三、 新建一个项目作为网关服务器 3.1、项目中引入Zuul网关依赖 3.2、在项目application.yml中配置网关路由…
阅读更多...
mmdetection 中 Mask Rcnn检测结果可视化（DICE计算、PR曲线绘制等）

mmdetection 中 Mask Rcnn检测结果可视化（DICE计算、PR曲线绘制等）

mmdetection中的Mask Rcnn是一个很不错的检测网络，既可以实现目标检测，也可以实现语义分割。官方也有很详细的doc指导，但是对新手来说并不友好，刚好之前笔者写的mmlab系列里面关于可视化都还没有一个详细的文档，也在此…
阅读更多...
JAVA常用API - Runtime和System

JAVA常用API - Runtime和System

文章目录 前言 大家好,我是最爱吃兽奶,今天给大家带来JAVA常用API中的Runtime类和System类 那么就让我们一起去看看吧! 一、Rubtime 1.Rubtime是什么? 2.Runtime常用方法 Runtime提供了很多方法,在这里演示两个 public static Runtime getRuntime(): 返回当前运行时环境的…
阅读更多...
ChatSQL - 文本生成SQL【LLM】

ChatSQL - 文本生成SQL【LLM】

ChatSQL将用户提供的纯文本转换为 mysql 查询，基于ChatGPT实现。 推荐：用 NSDT设计器 快速搭建可编程3D场景。 1、ChatSQL简介 我们需要从一开始就指定一些关于我们数据库的信息，以便 Chatgpt 了解我们的数据库。 info.json 文件可用于此过程…
阅读更多...
什么是胆汁酸，其与肠道微生物互作如何影响人体健康

什么是胆汁酸，其与肠道微生物互作如何影响人体健康

谷禾健康 胆汁酸是一种代谢胆固醇的物质，它具有两个亲和性不同的区域，即一部分能够与水分子相互作用（亲水），而另一部分则不能与水分子相互作用（疏水）。 由于拥有这种两亲性质，胆汁酸…
阅读更多...
开悟和悟道的一点看法

开悟和悟道的一点看法

今天看到一个老师的在讲何为开悟，就做了一下笔记： 开悟就是明心见性，去除了见惑，见解方面，思想方面的迷惑，包含：身见（我和身体关系，我是谁），边见…
阅读更多...
Vue3-黑马（十二）

Vue3-黑马（十二）

目录： （1）vue3-router-图标的二次封装-jxl组件 （2）vue3-进阶-动态路由 （3）vue3-进阶-动态路由2 （1）vue3-router-图标的二次封装-jxl组件 以.vue结尾结尾的单文件组件…
阅读更多...
谈谈OPCUA 聚合服务器（aggregation-server）

谈谈OPCUA 聚合服务器（aggregation-server）

OPC UA 作为一种以信息模型为基础的工业自动化通信协议，如同它的名字一样正在朝着“统一架构”的方向飞速地发展，从传感器，PLC ，传感器到云端应用都正在向OPCUA 迁移。它将成为开放型系统，数字孪生，仿真系统…
阅读更多...
Ubuntu20.04 -- 小白系列4 之小笔记

Ubuntu20.04 -- 小白系列4 之小笔记

1、clash for linux Releases Dreamacro/clash GitHub 下载，建议这圈中的第一个。 解压后可执行文件改为clash 打开终端（打开你的suying,并复制自己的） wget -O config.yml https://s&log-levelinfo config.yml 复制并修改文件名为…
阅读更多...
百度地图JavaScript API添加自定义Marker

百度地图JavaScript API添加自定义Marker

百度地图JavaScript API添加自定义Marker 官网指导添加自定义Marker 实际使用中发现无法显示图标，找了一些博客 百度地图开发自定义图标无法显示的问题 百度地图自定义图标不显示问题解决方案 关于百度地图开放平台api覆盖物“自定义Marker图标”不能正常显示的解决…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023