基于元胞自动机实现交通流附python代码.zip
2024-04-29 15:24:43 6KB python
1
数字图像处理作业python代码.zip 数字图像处理作业python代码.zip 数字图像处理作业python代码.zip数字图像处理作业python代码.zip数字图像处理作业python代码.zip数字图像处理作业python代码.zip数字图像处理作业python代码.zip数字图像处理作业python代码.zip数字图像处理作业python代码.zip数字图像处理作业python代码.zip数字图像处理作业python代码.zip数字图像处理作业python代码.zip数字图像处理作业python代码.zip数字图像处理作业python代码.zip数字图像处理作业python代码.zip数字图像处理作业python代码.zip数字图像处理作业python代码.zip数字图像处理作业python代码.zip
2024-04-25 11:03:00 431KB 图像处理 python
1
前言 Qt Designer是PyQt程序UI界面的实现工具,Qt Designer工具使用简单,可以通过拖拽和点击完成复杂界面设计,并且设计完成的.ui程序可以转换成.py文件供python程序调用。本文主要通过用户登录需求描述Qt Designer工具开发界面的使用方法。 开发工具版本 pyhton3.7.4 + PyQt 5.11.2 Qt Designer工具主界面 打开路径:${python安装目录}/Lib/site-packages/pyqt5_tools/designer.exe。主界面如下: 主界面不同区域介绍: 工具箱 区域:提供Gui界面开发各种基本控件,如单选框、文
2024-04-23 09:57:30 553KB form pyqt
1
本教程的主要目的是教读者利用OpenCV和EAST文本检测器来检测文本。EAST文本检测器需要OpenCV3.4.2或更高版本,有需要的读者可以先安装OpenCV。教程第一部分分析为何在自然场景下进行文本检测的挑战性是如此之高。接下来简要探讨EAST文本检测器,为何使用,算法新在何处,并附上相关论文供读者参考。最后提供Python+OpenCV文本检测实现方式,供读者在自己的应用中使用。由于光照条件、图片质量以及目标非线性排列等因素的限制,自然场景下的文本检测任务难度较大受约束的受控环境中的文本检测任务通常可以使用基于启发式的方法来完成,比如利用梯度信息或文本通常被分成段落呈现,并且字符一般都
2024-04-18 20:46:49 548KB
1
教你如何在PCB板上焊接简单的贴片元件和拖焊IC
2024-04-12 14:21:16 934KB
1
企业ERP实施,企业ERP与企业管理,ERP实施人员的工具书
2024-04-10 17:46:41 26.41MB ERP ERP实施
1
dcdc电源模块安装图解 一般注意事项 v 输入电压范围 产品手册上所标电压输入范围是指保证电源模块各项性能指标下的正常工作电压范围。如果输入电压超出此范围可能会造成电源模块性能不稳定或者损坏,应避免出现此类情况! v 输出功率与散热条件 电源模块的输......
2024-04-02 16:25:56 78KB 技术应用 电子技术基础 技术应用
1
本项目的功能是对YOLO格式的数据实现数据增强,使用本项目代码可以较快的完成扩充数据集快速扩充的工作,会对图像和标注同时处理。但其也存在一定的问题,例如无法保证处理后的数据一定能跑出更好的效果,处理结束后可能会出现一些损坏的图片(原图过大时)。 但本项目处理后出现的坏图,在YOLOv5中会被识别出来并不做训练,其实对训练影响不大,追求完美的同学可以考虑不使用resize系列的函数,手动剔除坏图,使用其他数据增强项目完成工作等。 使用 1. download本项目到本地(建议下载到有图形界面的操作系统中) 2. 打开DataAugOnDetectin.py 修改 image_path, label_path, save_path 三个参数 ``` image_path = "" # 图片的路径 label_path = "" # 标签文件的路径 save_path = "" # 数据增强的结果保存位置路径 ``` 3. 运行,使用pycharm或spyder等软件运行DataAugOnDetectin.py
2024-04-02 13:07:26 897KB python
1
这个项目是一个基于深度学习的图像分类器,旨在实现对玉米叶子的健康状况的准确识别和分类。数据集包含四种类别:blight(病斑)、common rust(锈病)、gray leaf spot(灰斑病)和healthy(健康状态)。通过对数据集进行预处理和增强,使用resnet模型进行特征提取和分类,实现对不同病害的玉米叶子图像的自动分类。在模型训练过程中,采用了交叉验证来避免过拟合,并使用一些优化技术如批量归一化和随机失活来提高模型的泛化能力和准确性。最终,通过对模型的评估和测试,得到了高精度和高可靠性的玉米叶子分类器,可以在农业生产中发挥重要作用。
2024-03-25 11:09:24 312.57MB 图像处理 深度学习 python
1