Snap＆Eat（原深139）
深度学习Hackathon 48h-Cotidiano（第一个项目= D ）
我们认为营养跟踪应该像拍照一样简单。
Snap＆Eat是一个Web应用程序，可通过图片跟踪用户的食物摄入量。 我们使用最先进的深度学习技术来识别菜肴，并根据用户的餐食进行即时营养估算。
该应用程序还根据用户的收入来建议用餐，并能够显示附近提供这些菜肴的地方。
该系统是使用在Pytorch中实现的，它依赖Jupyter Notebook进行原型制作。 对于Web应用程序，我们使用Flask和Node.js。
演示版
我们的模型
我们使用-ResNeXt-101，具有101层，在
2021-09-27 22:45:13
18.23MB
1
烧瓶socketio视频流
这是尝试使用 getUserMedia() 捕获视频流，使用 websockets 将其发送到服务器，然后在视频控件中播放。
它几乎不起作用，帧速率非常慢。
试试看：
virtualenv env --no-site-packages
source env/bin/activate
pip install -r requirements.txt
gunicorn --worker-class socketio.sgunicorn.GeventSocketIOWorker -b 0.0.0.0:4000 livestream:app
然后，指向
2021-09-26 11:16:47
33KB
1
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
2021-09-26 09:38:53
14KB
1
1. 效果：
视频链接：
最终效果：
源码已经上传 Github：
2. YOLOv5模型训练：
训练自己的数据集可以看我这篇博客：
这里演示的话我就用官方训练好的 yolov5m.pt 模型。
3. YOLOv5模型预测：
预测接口：
import torch
import numpy as np
from models.experimental import attempt_load
from utils.general import non_max_suppression, scale_coords, letterbox
from utils.torch_utils import select_device
import cv2
from random import randint
class Detector(object):
def __init__(self):
2021-09-23 14:55:53
39.76MB
1
烧瓶伏特加
Flask-Todolist是一个简单的“任务清单” Web应用程序，具有大多数Web应用程序的最基本功能，即帐户/登录，API和（某种程度上）交互式UI。
CSS | JS |
我还在Django中构建了一个非常相似的应用程序： :
探索
试试看！
码头工人
使用docker-compose可以简单地运行：
docker-compose build
docker-compose up
该应用程序将在
（它使用您将用于部署的为应用程序提供服务，而不仅仅是运行flask run 。）
手动地
如果您希望直接在本地计算机上运行它，建议使用 。
pip install -r
2021-09-22 20:54:34
43KB
1
待办事项清单
使用Flask的待办事项（网站的Python框架）
2021-09-22 11:39:08
7KB
1
标签
一个Vue.js项目
构建设置
# install dependencies
npm install
# serve with hot reload at localhost:8080
npm run dev
# build for production with minification
npm run build
# build for production and view the bundle analyzer report
npm run build --report
# run unit tests
npm run unit
# run e2e tests
npm run e
2021-09-22 10:49:44
25.49MB
1