疲劳驾驶检测和识别2：Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)

疲劳驾驶检测和识别2：Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)

目录

疲劳驾驶检测和识别2：Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)

1.疲劳驾驶检测和识别方法

2.疲劳驾驶数据集

 （1）疲劳驾驶数据集说明

 （2）自定义数据集

3.人脸检测模型

4.疲劳驾驶分类模型训练

（1）项目安装

（2）准备数据

（3）疲劳驾驶识别分类模型训练(Pytorch)

（4） 可视化训练过程

（5） 疲劳驾驶识别效果

（6） 一些优化建议

（7） 一些运行错误处理方法

5.项目源码下载（Python版）

6. C++实现疲劳驾驶检测识别

7. Android实现疲劳驾驶检测识别

这是项目《疲劳驾驶检测和识别》系列之《Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)》；项目基于深度学习框架Pytorch开发一个高精度，可实时疲劳驾驶检测和识别算法；项目源码支持模型有resnet18,resnet34,resnet50, mobilenet_v2以及googlenet等常见的深度学习模型，用户也可以自定义自己的模型进行训练；项目源码配套了完整的训练代码和数据集，配置好开发环境，即可开始训练。

准确率还挺高的，采用轻量级mobilenet_v2模型的疲劳驾驶识别准确率也可以高达97.8682%左右，满足业务性能需求。

模型input sizeTest准确率
mobilenet_v2112×11297.8682
googlenet112×11298.4496
resnet18112×11298.2558

先展示一下，Python版本的疲劳驾驶检测和识别Demo效果

 

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/131834946

更多项目《疲劳驾驶检测和识别》系列文章请参考：

  1. 疲劳驾驶检测和识别1： 疲劳驾驶检测和识别数据集(含下载链接)https://blog.csdn.net/guyuealian/article/details/131718648
  2. 疲劳驾驶检测和识别2：Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)https://blog.csdn.net/guyuealian/article/details/131834946

  3. 疲劳驾驶检测和识别3：Android实现疲劳驾驶检测和识别(含源码，可实时检测)https://blog.csdn.net/guyuealian/article/details/131834970

  4. 疲劳驾驶检测和识别4：C++实现疲劳驾驶检测和识别(含源码，可实时检测)https://panjinquan.blog.csdn.net/article/details/131834980

1.疲劳驾驶检测和识别方法

疲劳驾驶检测和识别方法有多种实现方案，这里采用最常规的方法：基于人脸检测+疲劳驾驶分类识别方法，即先采用通用的人脸检测模型，进行人脸检测定位人体区域，然后按照一定规则裁剪人脸检测区域，再训练一个疲劳驾驶行为识别分类器，完成疲劳驾驶检测和识别任务；

这样做的好处，是可以利用现有的人脸检测模型进行人脸检测，而无需重新标注疲劳驾驶的人脸检测框，可减少人工标注成本低；而疲劳驾驶分类数据相对而言比较容易采集，分类模型可针对性进行优化。

当然，也可以直接基于目标检测的方法直接检测疲劳驾驶和非疲劳驾驶，项目也提供了疲劳驾驶目标检测的数据集

2.疲劳驾驶数据集

 （1）疲劳驾驶数据集说明

在疲劳驾驶检测和识别算法开发中，我们需要定义疲劳驾驶的行为状态，项目将疲劳驾驶状态分为两个状态，分别为：疲劳(drowsy)，不疲劳(undrowsy)，为了便于大家理解，这里给出这两个状态的图示说明

  • 疲劳(drowsy)： 如果驾驶过程中出现闭眼，打哈欠等疲劳困倦等表情动作，则认为是疲劳驾驶(drowsy)
  • 不疲劳(undrowsy)：正常情况下，没有出现闭眼，打哈欠的表情动作，则认为是清醒状态，即非疲劳状态（undrowsy）

关于疲劳驾驶数据集的使用说明请参考我的一篇博客： https://blog.csdn.net/guyuealian/article/details/131718648

项目提供了疲劳驾驶检测数据集和疲劳驾驶分类数据集，由于我们的实现方案采用基于人脸检测+疲劳驾驶分类识别方法，因此模型训练只使用了疲劳驾驶分类数据集：Drowsy-Driving-Cls1，Drowsy-Driving-Cls2；疲劳驾驶检测数据集并未使用。

 （2）自定义数据集

如果需要新增类别数据，或者需要自定数据集进行训练，可参考如下进行处理：

  • 建立Train和Test数据集，要求相同类别的图片，放在同一个文件夹下；且子目录文件夹命名为类别名称，如

​

  • 类别文件：一行一个列表：​class_name.txt​ 
     (最后一行,请多回车一行)
A
B
C
D
  • 修改配置文件的数据路径：configs/​config.yaml​
train_data: # 可添加多个数据集
  - 'data/dataset/train1' 
  - 'data/dataset/train2'
test_data: 'data/dataset/test'
class_name: 'data/dataset/class_name.txt'
...
...

3.人脸检测模型

本项目人脸检测训练代码请参考：https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB 

这是一个基于SSD改进且轻量化后人脸检测模型，很slim，整个模型仅仅1.7M左右，在普通Android手机都可以实时检测。人脸检测方法在网上有一大堆现成的方法可以使用，完全可以不局限我这个方法。

当然可以基于YOLOv5训练一个人脸检测模型：人脸检测和行人检测2：YOLOv5实现人脸检测和行人检测(含数据集和训练代码)

4.疲劳驾驶分类模型训练

准备好疲劳驾驶识别数据后，接下来就可以开始训练疲劳驾驶识别分类模型了；项目模型支持resnet18,resnet34,resnet50, mobilenet_v2以及googlenet等常见的深度学习模型，考虑到后续我们需要将疲劳驾驶识别模型部署到Android平台中，因此项目选择计算量比较小的轻量化模型mobilenet_v2；如果不用端上部署，完全可以使用参数量更大的模型，如resnet50等模型。

 整套工程项目基本结构如下：

.
├── classifier                 # 训练模型相关工具
├── configs                    # 训练配置文件
├── data                       # 训练数据
├── libs           
│   ├── convert                # 将模型转换为ONNX工具
│   ├── light_detector         # 人脸检测
│   ├── detector.py            # 人脸检测demo
│   └── README.md               
├── demo.py              # demo
├── README.md            # 项目工程说明文档
├── requirements.txt     # 项目相关依赖包
└── train.py             # 训练文件

（1）项目安装

 项目依赖python包请参考requirements.txt，使用pip安装即可：

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==0.6.5

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

（2）准备数据

下载疲劳驾驶分类数据集：Drowsy-Driving-Cls1，Drowsy-Driving-Cls2，然后解压

 关于疲劳驾驶数据集的使用说明请参考我的一篇博客： https://blog.csdn.net/guyuealian/article/details/131718648

（3）疲劳驾驶识别分类模型训练(Pytorch)

项目在《Pytorch基础训练库Pytorch-Base-Trainer(支持模型剪枝 分布式训练)》基础上实现了疲劳驾驶识别分类模型训练和测试，整套训练代码非常简单操作，用户只需要将相同类别的图片数据放在同一个目录下，并填写好对应的数据路径，即可开始训练了。

训练框架采用Pytorch，整套训练代码支持的内容主要有：

  • 目前支持的backbone有：googlenet,resnet[18,34,50], ,mobilenet_v2等， 其他backbone可以自定义添加
  • 训练参数可以通过(configs/config.yaml)配置文件进行设置

修改配置文件的数据路径：configs/​config.yaml​：

  • train_data和test_data修改为自己的数据路径
  • 注意数据路径分隔符使用【/】,不是【\】
  • 项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！
# 训练数据集，可支持多个数据集(不要出现中文路径)
train_data:
  - 'path/to/Drowsy-Driving-Cls1/trainval'
  - 'path/to/Drowsy-Driving-Cls2/trainval'
# 测试数据集(不要出现中文路径)
test_data:
  - 'path/to/Drowsy-Driving-Cls1/test'

# 类别文件
class_name: 'data/class_name.txt'
train_transform: "train"       # 训练使用的数据增强方法
test_transform: "val"          # 测试使用的数据增强方法
work_dir: "work_space/"        # 保存输出模型的目录
net_type: "mobilenet_v2"       # 骨干网络,支持：resnet18/50,mobilenet_v2,googlenet,inception_v3
width_mult: 1.0                # 模型宽度因子
input_size: [ 112,112 ]        # 模型输入大小
rgb_mean: [ 0.5, 0.5, 0.5 ]    # for normalize inputs to [-1, 1],Sequence of means for each channel.
rgb_std: [ 0.5, 0.5, 0.5 ]     # for normalize,Sequence of standard deviations for each channel.
batch_size: 128                # batch_size
lr: 0.01                       # 初始学习率
optim_type: "SGD"              # 选择优化器，SGD,Adam
loss_type: "CrossEntropyLoss"  # 选择损失函数：支持CrossEntropyLoss,LabelSmooth
momentum: 0.9                  # SGD momentum
num_epochs: 120                # 训练循环次数
num_warn_up: 0                 # warn-up次数
num_workers: 8                 # 加载数据工作进程数
weight_decay: 0.0005           # weight_decay，默认5e-4
scheduler: "multi-step"        # 学习率调整策略
milestones: [ 30,60,100 ]       # 下调学习率方式
gpu_id: [ 2 ]                  # GPU ID
log_freq: 50                   # LOG打印频率
progress: True                 # 是否显示进度条
pretrained: True               # 是否使用pretrained模型
finetune: False                # 是否进行finetune

开始训练，在终端输入： 

python train.py -c configs/config.yaml

​​

训练完成后，训练集的Accuracy在98.0%以上，测试集的Accuracy在97.5%左右

（4） 可视化训练过程

训练过程可视化工具是使用Tensorboard，在终端(Terminal)输入命令：

使用教程，请参考：项目开发使用教程和常见问题和解决方法

# 需要安装tensorboard==2.5.0和tensorboardX==2.1
# 基本方法
tensorboard --logdir=path/to/log/
# 例如
tensorboard --logdir=tensorboard --logdir=data/pretrained/mobilenet_v2_1.0_112_112_CrossEntropyLoss_20230720174004/log

可视化效果 

​​​​

 ​​  

（5） 疲劳驾驶识别效果

训练完成后，训练集的Accuracy在99%以上，测试集的Accuracy在97.5%左右，下表给出已经训练好的三个模型，其中mobilenet_v2的测试集准确率可以达到97.8682%，googlenet的准确率可以达到98.4496%，resnet18的准确率可以达到98.2558%

模型input sizeTest准确率
mobilenet_v2112×11297.8682
googlenet112×11298.4496
resnet18112×11298.2558
  • 测试图片文件
# 测试图片（Linux系统）
image_dir='data/test_image' # 测试图片的目录
model_file="data/pretrained/mobilenet_v2_1.0_112_112_CrossEntropyLoss_20230720174004/model/best_model_095_97.8682.pth" # 模型文件
out_dir="output/" # 保存检测结果
python demo.py --image_dir $image_dir --model_file $model_file --out_dir $out_dir

Windows系统，请将$image_dir， $model_file ，$out_dir等变量代替为对应的变量值即可，如

# 测试图片（Windows系统）
python demo.py --image_dir data/test_image --model_file data/pretrained/mobilenet_v2_1.0_112_112_CrossEntropyLoss_20230720174004/model/best_model_095_97.8682.pth --out_dir output/


  • 测试视频文件
# 测试视频文件（Linux系统）
video_file="data/video-test.mp4" # 测试视频文件，如*.mp4,*.avi等
model_file="data/pretrained/mobilenet_v2_1.0_112_112_CrossEntropyLoss_20230720174004/model/best_model_095_97.8682.pth" # 模型文件
out_dir="output/" # 保存检测结果
python demo.py --video_file $video_file --model_file $model_file --out_dir $out_dir

# 测试视频文件（Windows系统）
python demo.py --video_file data/video-test.mp4 --model_file data/pretrained/mobilenet_v2_1.0_112_112_CrossEntropyLoss_20230720174004/model/best_model_095_97.8682.pth --out_dir output/


  • 测试摄像头
# 测试摄像头（Linux系统）
video_file=0 # 测试摄像头ID
model_file="data/pretrained/mobilenet_v2_1.0_112_112_CrossEntropyLoss_20230720174004/model/best_model_095_97.8682.pth" # 模型文件
out_dir="output/" # 保存检测结果
python demo.py --video_file $video_file --model_file $model_file --out_dir $out_dir

# 测试摄像头（Windows系统）
python demo.py --video_file 0 --model_file data/pretrained/mobilenet_v2_1.0_112_112_CrossEntropyLoss_20230720174004/model/best_model_095_97.8682.pth  --out_dir output/

下面是疲劳驾驶检测和识别的效果展示：

 

（6） 一些优化建议

 如果想进一步提高模型的性能，可以尝试：

  1. ​ 增加训练的样本数据： 建议根据自己的业务场景，采集相关数据，比如采集多个人的疲劳驾驶的数据，提高模型泛化能力；
  2. 使用参数量更大的模型： 本教程使用的是mobilenet_v2模型，属于比较轻量级的分类模型，采用更大的模型（如resnet50），理论上其精度更高，但推理速度也较慢。
  3. 尝试不同数据增强的组合进行训练
  4. 增加数据增强： 已经支持： 随机裁剪，随机翻转，随机旋转，颜色变换等数据增强方式，可以尝试诸如mixup，CutMix等更复杂的数据增强方式
  5. 样本均衡： 原始数据疲劳驾驶识别类别数据并不均衡，类别notsmoking的样本数据偏多，而smoking数据偏少，这会导致训练的模型会偏向于样本数较多的类别。建议进行样本均衡处理。
  6. 清洗数据集：原始数据已经进行人工清洗了，但依然存在一些模糊的，低质的，模棱两可的样本；建议你，在训练前，再次清洗数据集，不然会影响模型的识别的准确率。
  7. 调超参： 比如学习率调整策略，优化器（SGD,Adam等）
  8. 损失函数： 目前训练代码已经支持：交叉熵，LabelSmoothing，可以尝试FocalLoss等损失函数

（7） 一些运行错误处理方法

  • 项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！！！！！！！！

  • cannot import name 'load_state_dict_from_url' 

由于一些版本升级，会导致部分接口函数不能使用，请确保版本对应

torch==1.7.1

torchvision==0.8.2

或者将对应python文件将

from torchvision.models.resnet import model_urls, load_state_dict_from_url

修改为：

from torch.hub import load_state_dict_from_url
model_urls = {
    'mobilenet_v2': 'https://download.pytorch.org/models/mobilenet_v2-b0353104.pth',
    'resnet18': 'https://download.pytorch.org/models/resnet18-5c106cde.pth',
    'resnet34': 'https://download.pytorch.org/models/resnet34-333f7ec4.pth',
    'resnet50': 'https://download.pytorch.org/models/resnet50-19c8e357.pth',
    'resnet101': 'https://download.pytorch.org/models/resnet101-5d3b4d8f.pth',
    'resnet152': 'https://download.pytorch.org/models/resnet152-b121ed2d.pth',
    'resnext50_32x4d': 'https://download.pytorch.org/models/resnext50_32x4d-7cdf4587.pth',
    'resnext101_32x8d': 'https://download.pytorch.org/models/resnext101_32x8d-8ba56ff5.pth',
    'wide_resnet50_2': 'https://download.pytorch.org/models/wide_resnet50_2-95faca4d.pth',
    'wide_resnet101_2': 'https://download.pytorch.org/models/wide_resnet101_2-32ee1156.pth',
}

5.项目源码下载（Python版）

项目源码下载地址：疲劳驾驶检测和识别2：Pytorch实现疲劳驾驶检测和识别(含疲劳驾驶数据集和训练代码)

整套项目源码内容包含：

  1. 提供疲劳驾驶检测数据集：包含Drowsy-Driving-Det1和Drowsy-Driving-Det1，总共13000+张图片；标注格式统一转换为VOC数据格式，其中人脸框标注了的两个状态：drowsy(疲劳)，undrowsy(非疲劳)，可用于深度学习疲劳驾驶目标检测模型算法开发。（本项目并未使用这个两个数据集）

  2. 提供疲劳驾驶分类数据集：包含Drowsy-Driving-Cls1，Drowsy-Driving-Cls2和Drowsy-Driving-Cls3，总共50000+张图片；所有人脸图片，都已经按照其所属类别存放于各自的文件夹下，可用于深度学习疲劳驾驶分类识别模型算法开发。（本项目主要使用Drowsy-Driving-Cls1，Drowsy-Driving-Cls2两个数据集）

  3. 提供疲劳驾驶分类模型训练代码：train.py
  4. 提供疲劳驾驶分类模型测试代码：demo.py
  5. Demo支持图片，视频和摄像头测试
  6. 支持自定义数据集进行训练
  7. 项目支持模型：resnet18,resnet34,resnet50, mobilenet_v2以及googlenet等常见的深度学习模型
  8. 项目源码自带训练好的模型文件，无需重新训练，可直接运行测试: python demo.py
  9. 在普通电脑CPU/GPU上可以实时检测和识别

6. C++实现疲劳驾驶检测识别

参考文章：疲劳驾驶检测和识别4：C++实现疲劳驾驶检测和识别(含源码，可实时检测)https://panjinquan.blog.csdn.net/article/details/131834980

7. Android实现疲劳驾驶检测识别

参考文章：疲劳驾驶检测和识别3：Android实现疲劳驾驶检测和识别(含源码，可实时检测)https://blog.csdn.net/guyuealian/article/details/131834970

   

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：/a/43870.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

系统架构设计师-软件架构设计（2）

系统架构设计师-软件架构设计（2）

目录 一、基于架构的软件开发方法（ABSD） 1、架构需求 1.1 需求获取 1.2 标识构件 1.3 架构需求评审 2、架构设计 2.1 提出架构模型 2.2 映射构件 2.3 分析构件的相互作用 2.4 产生架构 2.5 设计评审 3、架构文档化 4、架构复审 5、架构实现 5.1 分析与…
阅读更多...
探寻智能化未来：AI与Web3共创金融领域巨大潜力

探寻智能化未来：AI与Web3共创金融领域巨大潜力

人工智能（AI）和Web3技术的迅猛发展为我们带来了许多新的机遇和影响。在数字经济和社会的浪潮中，结合了AI的智能化能力和Web3的去中心化与区块链技术，我们将进入一个智能化的Web3时代。人工智能和Web3技术是开拓生产力极限和重新定…
阅读更多...
LabVIEW使用支持向量机对脑磁共振成像进行图像分类

LabVIEW使用支持向量机对脑磁共振成像进行图像分类

LabVIEW使用支持向量机对脑磁共振成像进行图像分类 医学成像是用于创建人体解剖学图像以进行临床研究、诊断和治疗的技术和过程。它现在是医疗技术发展最快的领域之一。通常用于获得医学图像的方式是X射线，计算机断层扫描（CT），磁…
阅读更多...
记录安装stable diffusion webui时，出现的gfpgan安装卡住的问题

记录安装stable diffusion webui时，出现的gfpgan安装卡住的问题

参考链接：(145条消息) 使用stable diffusion webui时，安装gfpgan失败的解决方案（windows下的操作）_新时代原始人的博客-CSDN博客
阅读更多...
【Seata】微服务集成seata

【Seata】微服务集成seata

文章目录 1、Seata介绍2、Seata架构3、部署TC服务4、微服务集成seata 1、Seata介绍 Seata是 2019 年 1 月份蚂蚁金服和阿里巴巴共同开源的分布式事务解决方案。 官网http://seata.io/ 2、Seata架构 Seata事务管理有三个角色： TC (Transaction Coordinator) - 事务…
阅读更多...
UI 自动化的 PageObject 设计模式

UI 自动化的 PageObject 设计模式

目录 前言： 什么是 PageObject 模型？ 为什么使用 PageObject 模型？ PO 模式优点 PageObject 实践 前言： UI 自动化是一种软件测试方法，它主要用于检查应用程序的用户界面是否符合预期。PageObject 是 UI 自动化中…
阅读更多...
信息安全与网络空间安全 - 保障您的在线安全

信息安全与网络空间安全 - 保障您的在线安全

数据参考：CISP官方 目录： 信息与信息安全 信息安全属性 网络安全发展阶段 网络空间安全保障 一、信息与信息安全 1、什么是信息？ 定义：信息是通过传递和处理的方式，用于传达知识、事实、数据或观点的内容。形…
阅读更多...
华为盘古大模型：能源领域的颠覆性突破

华为盘古大模型：能源领域的颠覆性突破

近日，华为盘古大模型在能源领域横空出世，引发了广泛关注和期待。作为一项具有颠覆性影响的技术创新，华为盘古大模型在能源行业中展现出巨大的潜力和前景。其优质的计算能力和智能优化算法，将为能源产业带来翻天覆地的变革。 盘古大…
阅读更多...
List集合类详解（附加思维导图）

List集合类详解（附加思维导图）

目录 一、List集合思维导图 二、List集合类的常见方法 2.1、ArrayList集合常用方法 2.2、LinkedList集合常用方法 一、List集合思维导图 二、List集合类的常见方法 2.1、ArrayList集合常用方法 ①.add(Object element) 向列表的尾部添加指定的元素。 ②.size() 返回列表中…
阅读更多...
Flink CEP （一）原理及概念

Flink CEP （一）原理及概念

目录 1.Flink CEP 原理 2.Flink API开发 2.1 模式 pattern 2.2 模式 pattern属性 2.3 模式间的关系 1.Flink CEP 原理 Flink CEP内部是用NFA（非确定有限自动机）来实现的，由点和边组成的一个状态图，以一个初始状态作为起点&am…
阅读更多...
PHP注册/登录/发邮件--【强撸项目】

PHP注册/登录/发邮件--【强撸项目】

强撸项目系列总目录在000集 PHP要怎么学–【思维导图知识范围】 文章目录 本系列校训本项目使用技术 上效果图phpStudy 设置导数据库程序基本流程项目目录如图：注册zhuce.html配套资源作业： 本系列校训 用免费公开视频，卷飞培训班哈人&…
阅读更多...
C# Modbus通信从入门到精通（21）——Modbus TCP协议原理

C# Modbus通信从入门到精通（21）——Modbus TCP协议原理

Modbus TCP是走网口的，也可以在同一时间内有多个从站访问主站，并且通过Modbus事务处理标识来区分同一时刻的不同Modbus事务，这是区别于Modbus ASCII和Modbus RTU的地方。 1、访问模式： Modbus客户端通常输入Modbus服务器的IP地址…
阅读更多...
两个小封装电机驱动芯片：MLX813XX、A4950

两个小封装电机驱动芯片：MLX813XX、A4950

一．MLX813XX MELEXIS的微型电机驱动MLX813XX系列芯片集成MCU、预驱动以及功率模块等能够满足10W以下的电机驱动。 相对于普通分离器件的解决方案，MLX813XX系列电机驱动芯片是一款高集成度的驱动控制芯片，可以满足汽车系统高品质和低成本的要…
阅读更多...
flutter开发实战-Stagger Animation实现水波纹动画

flutter开发实战-Stagger Animation实现水波纹动画

flutter开发实战-实现水波纹动画，使用到了交织动画，实现三个圆逐渐放大与渐变的过程。 一、效果图 二、实现水波纹效果 实现水波纹动画，使用到了交织动画，实现三个圆逐渐放大与渐变的过程。 交织动画 有些时候我们可能会需要一些…
阅读更多...
珠海市黄杨山之旅游

珠海市黄杨山之旅游

西湾村 早上6点半出门，买点五人份的早餐 A点 第一个点，冲 C点 D岛 到d点休息 B点 高度：229米 到这里有人吐了，建议早餐不要吃超过三个包子（他吃了四个包子，1个鸡蛋，1个火腿） 记…
阅读更多...
pytest 第三方插件

pytest 第三方插件

目录 前言： 顺序执行：pytest-ordering 失败重试：pytest-rerunfailures 并行执行：pytest-xdist 前言： pytest 是一个广泛使用的 Python 测试框架。它具有强大的测试运行器、测试驱动开发和测试结果可视化等功能。除…
阅读更多...
什么是神经网络？

什么是神经网络？

我们常常使用深度学习来指训练神经网络的过程。 在这里举一个房屋价格预测的例子：假设有一个数据集，它包含了六栋房子的信息。所以，你知道房屋的面积是多少平方米，并且知道这个房屋的价格。这是，你想要拟合一个根据房屋…
阅读更多...
vue3项目，vite和vue-cli，开发和生产环境。index.html里面设置项目图标

vue3项目，vite和vue-cli，开发和生产环境。index.html里面设置项目图标

可以在vite的根文件夹中创建public文件夹，vite默认把这个文件夹当作静态资源文件夹，会把里面的文件复制到根文件夹里面，所以你在index.html文件中导入public文件夹里面的文件时，可以直接写/xxx。在根文件夹中找复制的文件 注意&a…
阅读更多...
Visual Studio 2022 cmake配置opencv开发环境

Visual Studio 2022 cmake配置opencv开发环境

1. 环境与说明 这里我用的是 widnows 10 64位，Visual Studio 用的 Visual Studio Community 2022 (社区版) 对于Android开发工程师来说，为什么要使用Visual Studio 呢 ? 因为在Visual Studio中开发调试OpenCV方便，可以开发调试好后&#xf…
阅读更多...
微服务Day4——Docker

微服务Day4——Docker

一、什么是Docker 微服务虽然具备各种各样的优势，但服务的拆分通用给部署带来了很大的麻烦。 分布式系统中，依赖的组件非常多，不同组件之间部署时往往会产生一些冲突。在数百上千台服务中重复部署，环境不一定一致，会…
阅读更多...
最新文章

Copyright @ 2022~2023