HOG+SVM 使用说明： 上面的hog_svm.py是用于训练的，通过提取图片的hog特征，然后通过SVM进行训练得到model，最后通过model进行预测,将结果写入result.txt文件之中。 代码不难，大家根据需要自己改改。 不要将hog的参数设置的太复杂。不然提取的特征会非常大，然后训练的时候会占满内存，导致机器死机。

MHR_v1.0 2019年上海市高校智能物流机器人选拔赛所用的运动和定位的代码 本项目基于STM32和openmv,用于完成比赛. 竞赛命题 自主设计并制作一款能执行物料搬运任务的智能物流机器人（简称：机器人）。该机器人能够在规定场地内自主行走、寻找等，通过扫描二维码领取任务，自主按任务要求将其物料搬运至指定地点，并按照要求的位置和方向精准摆放。 本项目参赛所要求的实物和文件均由参赛学生自主完成。 竞赛项目要求 项目要求包括机器人功能、控制、机械结构与外形尺寸等，同时还包括竞赛场地设置、搬运物料及任务编码等环境设置要求。 2.1 机器人功能要求 机器人应具有自主定位、自主移动、自主避障、二维码读取、物料位置、颜色及形状识别、物料抓取与搬运、路径规划等功能；竞赛过程由机器人自主运行，不允许使用遥控等人机交互手段及除机器人本体之外的任何辅助装置。 2.2 机器人电控及驱动要求 机器人所用

本项目是自然语言处理NLP在中文文本上的一些简单应用，如文本分类、情感分析、命名实体识别等。 文本分类 数据集用的是头条的标题和对应文章分类数据。数据集来自这里： 文本分类的例子对应zh_article_classify_bilstm_attention.ipynb，这里构建的是BiLSTM+Attention的模型结构。 具体模型搭建如下： def create_classify_model(max_len, vocab_size, embedding_size, hidden_size, attention_size, class_nums): # 输入层 inputs = Input(shape=(max_len,), dtype='int32') # Embedding层 x = Embedding(vocab_size, embedding_size)(

Tesseract.js离线 该存储库是一个展示案例，展示了如何使用tesseract.js而不从远程下载任何文件。 安装 $ npm install 用法 浏览器 对于浏览器版本，请执行以下命令以启动服务器 $ npm run start 访问 ，然后按F12键检查控制台日志。 Node.js 对于Node.js版本，只需运行此命令 $ node ./node/index.js 您将在终端中看到结果 常问问题 在哪里可以下载其他语言的* .traineddata.gz？ 您可以从下载

H5S VUE 在VUE中以低延迟播放RTSP视频 构建设置 通过本指南在本地主机中设置h5stream # install dependencies npm install # serve with hot reload at localhost:6080 npm run dev # build for production with minification npm run build

上下文编码器：通过绘画进行特征学习 这是的Pytorch实现 1）语义修复演示 安装PyTorch 克隆存储库 git clone https://github.com/BoyuanJiang/context_encoder_pytorch.git 演示版 从或下载Paris Streetview上的预训练模型 cp netG_streetview.pth context_encoder_pytorch/model/ cd context_encoder_pytorch/model/ # Inpainting a batch iamges python test.py --netG model/netG_streetview.pth --dataroot dataset/val --batchSize 100 # Inpainting one image python test_o

nb-iot at指令状态机

后台管理系统 ├─.idea ├─src --------主目录 │ ├─main │ │ ├─java │ │ │ ├─com │ │ │ │ └─blog │ │ │ │ └─manager │ │ │ │ ├─common ---- 存放工具类 │ │ │ │ │ └─utils │ │ │ │ ├─config ---- 配置 │ │ │ │ ├─controller --- controller控制器 │ │ │ │ │ └─system │ │ │ │ ├─dao ---- dao层 │ │ │ │ ├─dto ----个人理解算是包装

DBSCAN

TensorFlow_Flask 在Python中使用Flask部署TensorFlow模型 开发环境： Ubuntu 18.04 的Python 3.6.8 Tensorflow 1.14.0 首先，确保TensorFlow对象检测API正常工作。（ ） 让我们从官方的对象检测演示Jupyter Notebook（模型/研究/object_detection/object_detection_tutorial.ipynb）的调整版本开始。 我将此文件另存为run_original.py（models / research / object_detection / run_original.ipynb）。 转到您喜欢的浏览器，然后输入您的 您可以上传图片并对其进行检测。 网址= 您会看到“你好” run_web_return_pic.py 您将在浏览器中看到图片