学习网络 算法fasterrcnn深度
nest.js学习笔记(七) --知识点拾遗
1、nestjs中引用esm插件 nestjs是使用commonjs规范进行开发,但是目前市场上很多插件是使用module的形式进行开发,所以遇到引用问题时,建议开发都绕过去,使用功能差不多的插件,但是如果遇到绕不过去的情况,那可以使用以下的方法进行引用 import { ConfigService ......
javascript 学习笔记2
参考资料:https://developer.mozilla.org/zh-CN/docs/Learn/JavaScript/Building_blocks 条件语句: if (choice 'sunny') { para.textContent = '阳光明媚。穿上短裤吧!去海滩,或公园,吃个冰淇 ......
javascript 学习笔记
参考资料:https://developer.mozilla.org/zh-CN/docs/Web/JavaScript https://developer.mozilla.org/zh-CN/docs/Learn/JavaScript JavaScript 调试器: https://develop ......
docker找不到网络终极解决方案
解决方案 用下面的命令解决: docker system prune systemctl restart docker.service 参考 https://stackoverflow.com/questions/39640963/error-response-from-daemon-network ......
HTML学习
HTML Hyper Text Markup Language超文本标记语言 W3C万维网联盟World Wide Web W3C标准包括: 结构化标准语言(HTML,XML) 表现标准语言(CSS) 行为标准(DOM,ECMAScript) 网页基本信息 Ctrl+/注释<!-- --> <!-- ......
学习数据mining算法收集(1)聚类算法:DBSCAN算法
——————————非原创,来自知乎https://zhuanlan.zhihu.com/p/77043965———————————————————————————— 1.定义 DBSCAN将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚 ......
Go语言:利用 TDD 驱动开发测试 学习结构体、方法和接口
环境安装: (新手向)在Linux中使用VScode编写 "Hello,world"程序,并编写测试-Ubuntu20.4 上一篇相关随笔: Go语言:利用 TDD 测试驱动开发帮助理解数组与动态数组(切片)的区别 正文👇 先来点简单的: 假设我们需要编程计算一个给定高和宽的长方形的周长。我们可以 ......
基于深度学习的瓶盖检测系统(Python+YOLOv5深度学习模型+清新界面)
基于深度学习的瓶盖检测系统用于传送带或日常场景中瓶盖检测识别,提供实时瓶盖检测定位和计数,辅助瓶盖生产加工过程的自动化识别。本文详细介绍基于深度学习的瓶盖检测系统,在介绍算法原理的同时,给出Python的实现代码、训练数据集,以及PyQt的UI界面。基于YOLOv5算法实现对图像中存在的多目标进行识... ......
交通信号标志识别软件(Python+YOLOv5深度学习模型+清新界面)
交通信号标志识别软件用于交通信号标志的检测和识别,利用机器视觉和深度学习智能识别交通标志并可视化记录,以辅助无人驾驶等。本文详细介绍交通信号标志识别软件,在介绍算法原理的同时,给出Python的实现代码以及PyQt的UI界面。在界面中可以选择各种图片、视频进行检测识别;可对图像中存在的多目标进行识别... ......
机场航拍图像检测软件(Python+YOLOv5深度学习模型+清新界面)
机场航拍图像检测软件使用深度学习技术检测机场航拍图像中的飞机目标等,识别航拍目标等结果并记录和保存,辅助机场智能管理运行。在介绍算法原理的同时,给出Python的实现代码、训练数据集,以及PyQt的UI界面。机场航拍检测系统主要检测飞机的数目、位置、预测置信度等;连接摄像头设备可开启实时检测功能,另... ......
基于深度学习的海洋动物检测系统(Python+YOLOv5+清新界面)
基于深度学习的海洋动物检测系统使用深度学习技术检测常见海洋动物,识别图片、视频和实时视频中的海洋动物,方便记录、展示和保存结果。本文详细介绍海洋动物检测系统,在介绍算法原理的同时,给出Python的实现代码、训练数据集,以及PyQt的UI界面。基于YOLOv5实现对图像中存在的多个目标进行识别分类,... ......
智能扑克牌识别软件(Python+YOLOv5深度学习模型+清新界面)
智能扑克牌识别软件利用视觉方法检测和识别日常扑克牌具体花色与数字,快速识别牌型并标注结果,帮助计算机完成扑克牌对战的前期识别步骤。本文详细介绍基于深度学习的智能扑克牌识别软件,在介绍算法原理的同时,给出Python的实现代码、训练数据集,以及PyQt的UI界面。基于YOLOv5对图像中存在的多目标进... ......
智能火焰与烟雾检测系统(Python+YOLOv5深度学习模型+清新界面)
智能火焰与烟雾检测系统用于智能日常火灾检测报警,利用摄像头画面实时识别火焰与烟雾,另外支持图片、视频火焰检测并进行结果可视化。本文详细介绍基于智能火焰与烟雾检测系统,在介绍算法原理的同时,给出Python的实现代码以及PyQt的UI界面。在界面中可以选择各种图片、视频进行检测识别;可对图像中存在的多... ......
基于深度学习的花卉检测与识别系统(YOLOv5清新界面版,Python代码)
基于深度学习的花卉检测与识别系统用于常见花卉识别计数,智能检测花卉种类并记录和保存结果,对各种花卉检测结果可视化,更加方便准确辨认花卉。本文详细介绍花卉检测与识别系统,在介绍算法原理的同时,给出Python的实现代码、训练数据集,以及PyQt的UI界面。基于YOLOv5目标检测算法,在界面中可以选择... ......
吸烟行为检测系统(Python+YOLOv5深度学习模型+清新界面)
吸烟行为检测软件用于日常场景下吸烟行为监测,快速准确识别和定位吸烟位置、记录并显示检测结果,辅助公共场所吸烟安全报警等。本文详细介绍吸烟行为检测系统,在介绍算法原理的同时,给出Python的实现代码、训练数据集以及PyQt的UI界面。在界面中可以选择各种图片、视频进行检测识别,基于YOLOv5算法实... ......
基于深度学习的动物识别系统(YOLOv5清新界面版,Python代码)
动物识别系统用于识别和统计常见动物数量,通过深度学习技术检测日常几种动物图像识别,支持图片、视频和摄像头画面等形式。在介绍算法原理的同时,给出Python的实现代码、训练数据集以及PyQt的UI界面。动物识别系统主要用于常见动物的识别,检测几种动物的数目、位置、预测置信度等;检测模型可选择切换,识别... ......
智能零售柜商品检测软件(Python+YOLOv5深度学习模型+清新界面)
智能零售柜商品检测软件用于识别零售柜常见商品,检测商品名和位置以了解销售情况,为零售柜商品智能检测和自动销售提供检测功能。本文详细智能零售柜商品检测软件,在介绍算法原理的同时,给出Python的实现代码、训练数据集、以及PyQt的UI界面。在界面中可以选择各种图片、视频进行检测识别;可对图像中存在的... ......
算法笔记的笔记——第6章 C++标准模板库(STL)
vector 变长数组 长度根据需要而自动改变的数组 可以用来以邻接表的方式储存图 使用 头文件:#include <vector> 命名空间:using namespace std; 定义 vector<typename> name; 相当于一维数组name[SIZE],但长度可变。typenam ......
PyQt5学习 (1)
![image](https://img2023.cnblogs.com/blog/2646598/202303/2646598-20230322205437849-985949491.png) ......
面试笔记——计算机网络
原文链接:javaguide 常见面试题 OSI 和 TCP/IP 网络分层模型 OSI 七层模型 OSI 七层模型 是国际标准化组织提出一个网络分层模型,其大体结构以及每一层提供的功能如下图所示: 每一层都专注做一件事情,并且每一层都需要使用下一层提供的功能比如传输层需要使用网络层提供的路由和寻址 ......
20201226马瑞婕《网络对抗》Exp2后门原理与实践
#1 实验基础 ##1.1 基础知识 ###1.1.1 后门的概念 后门就是不经过正常认证流程而访问系统的通道。后门可能出现在编译器中、操作系统中,最常见的是应用程序中的后门,还可能是潜伏于操作系统中或伪装成特定应用的专用后门程序。 #常用后门工具 NC和Netcat 底层工具,进行基本的TCP、U ......
第四章 网络层
第四章 网络层 1. 概述 网络层提供的服务是最大努力交付,也就是不可靠交付,存在 丢失 乱序 重复的问题 网络层向运输层提供的两种服务: 虚电路服务(面向连接的) 数据包服务(面向无连接的) 2. 网络层协议 网际协议IP 地址解析协议 ARP (Address Resolution Protoc ......
雪花算法(SnowFlake)
简介 现在的服务基本是分布式、微服务形式的,而且大数据量也导致分库分表的产生,对于水平分表就需要保证表中 id 的全局唯一性。 对于 MySQL 而言,一个表中的主键 id 一般使用自增的方式,但是如果进行水平分表之后,多个表中会生成重复的 id 值。那么如何保证水平分表后的多张表中的 id 是全局 ......
低代码开发,一场深度的IT效率革命
尽管IT技术已经有了前所未有的飞跃,但是软件开发效率却还是达到了一定的瓶颈。码农们一边喊着996、一边重复造轮子。正因为如此,低代码领域发展迅速。今天,你低代码了吗? 软件形态发展 从整个行业发展情况来看,自2019年低代码成为行业热词至今,资本市场一直动作频频。从需求端来看,低代码的出现集中反映了 ......
「ACM 算法实践」[解题报告]麦田
分析 首先,前缀和的思路是很显然的。然后我们很容易想到暴力枚举矩形的左上角和右下角,然而 $\mathcal{O}(n^4)$ 的算法过不去,哪怕把最后一维用二分,倒数第二维加一点剪枝也还是会 T 两个点。 这时候应该考虑将多行/列压缩为一行/列,然后再使用双指针枚举列/行。详细来说就是将 $i$ ......
「ACM 算法实践」[解题报告]组队
分析 因为时间不多了,我一开始只考虑了 $a_i$ 互不相等的情况,没想到居然拿到了 60 昏( 正确解法是贪心 + 优先队列。~~而不是从「使得人数最少的队伍人数最多」中得到的二分~~ 首先肯定要将 a 数组排序,要使人数最少的队伍人数最多,我们优先将当前的数 $a[i]$ 放到以 $a[i]-1 ......
「ACM 算法实践」[解题报告]时间管理大师
分析 一开始想着应该要分情况讨论,如果每台电脑的耗电量都小于 $e$ ,那么可以知道小 Q 是可以一直学习下去的,如果存在电脑的耗电量大于等于 $e$ ,贪心的想法是将每台电脑能用的时间从小到大排序,然后丢进优先队列里,再考虑给谁充电,这样一来情况就非常复杂了。 正确的做法是二分答案 $t$ ,计算 ......
Python学习笔记:Pandas处理时间类型之dt模块
Pandas.Series 对象和 DataFrame 的列数据提供了 cat、dt、str 三种属性接口(accessors),分别对应分类数据、日期时间数据和字符串数据。 通过这几个接口可以快速实现特定的功能,十分便捷。 今天先针对 dt 接口对时间模块进行学习。 一、构建测试数据集 # 创建测 ......