基于深度學習YOLOv12的草莓成熟度檢測系統（YOLOv12+YOLO數據集+UI界面+登錄注冊界面+Python項目源碼+模型）https://www.bilibili.com/video/BV1

一、項目介紹

本項目構建了一套基于深度學習 YOLOv12 的草莓成熟度識別檢測系統，旨在實現對草莓在不同成熟階段的高精度、實時檢測與分類。系統采用 YOLO 格式數據集，將草莓分為 3 個類別：生（raw）、半熟（turning）及成熟（ripe），并使用 2939 張訓練集與 774 張驗證集圖片進行模型訓練與驗證。模型在 YOLOv12 框架下結合多尺度特征提取與優化的錨框機制，實現了對不同大小、不同角度草莓的精準識別。
系統前端提供了 UI 圖形界面，支持 實時檢測 與 結果可視化，并集成 用戶登錄與注冊功能，便于權限管理和個性化使用。后端以 Python 為主要開發語言，配合訓練好的 YOLOv12 模型，實現了高效推理與檢測結果輸出。本系統可廣泛應用于草莓采摘自動化、質量分級、智能農業監測等領域，為農業智能化管理提供可靠的技術支撐。

基于深度學習YOLOv12的草莓成熟度檢測系統（YOLOv12+YOLO數據集+UI界面+登錄注冊界面+Python項目源碼+模型）_嗶哩嗶哩_bilibili

基于深度學習YOLOv12的草莓成熟度檢測系統（YOLOv12+YOLO數據集+UI界面+登錄注冊界面+Python項目源碼+模型）

目錄

一、項目介紹

二、項目功能展示

2.1 用戶登錄系統

2.2 檢測功能

2.3 檢測結果顯示

2.4 參數配置

2.5 其他功能

3. 技術特點

4. 系統流程

三、數據集介紹

數據集配置文件

四、項目環境配置

創建虛擬環境

安裝所需要庫

五、模型訓練

訓練代碼

訓練結果

六、核心代碼

🔐登錄注冊驗證

🎯?多重檢測模式

🖼??沉浸式可視化

???參數配置系統

??UI美學設計

🔄?智能工作流

七、項目源碼(視頻簡介)

二、項目功能展示

??用戶登錄注冊：支持密碼檢測和安全性驗證。

??三種檢測模式：基于YOLOv12模型，支持圖片、視頻和實時攝像頭三種檢測，精準識別目標。

??雙畫面對比：同屏顯示原始畫面與檢測結果。

??數據可視化：實時表格展示檢測目標的類別、置信度及坐標。

?智能參數調節：提供置信度滑塊，動態優化檢測精度，適應不同場景需求。

?科幻風交互界面：深色主題搭配動態光效，減少視覺疲勞，提升操作體驗。

?多線程高性能架構：獨立檢測線程保障流暢運行，實時狀態提示，響應迅速無卡頓。

2.1 用戶登錄系統

  • 提供用戶登錄和注冊功能

  • 用戶名和密碼驗證

  • 賬戶信息本地存儲(accounts.json)

  • 密碼長度至少6位的安全要求

2.2 檢測功能

  • 圖片檢測：支持JPG/JPEG/PNG/BMP格式圖片的火焰煙霧檢測

  • 視頻檢測：支持MP4/AVI/MOV格式視頻的逐幀檢測

  • 攝像頭檢測：實時攝像頭流檢測(默認攝像頭0)

  • 檢測結果保存到"results"目錄

2.3 檢測結果顯示

  • 顯示原始圖像和檢測結果圖像

  • 檢測結果表格展示，包含：

    • 檢測到的類別

    • 置信度分數

    • 物體位置坐標(x,y)、

2.4 參數配置

  • 模型選擇

  • 置信度閾值調節(0-1.0)

  • IoU(交并比)閾值調節(0-1.0)

  • 實時同步滑塊和數值輸入框

2.5 其他功能

  • 檢測結果保存功能

  • 視頻檢測時自動保存結果視頻

  • 狀態欄顯示系統狀態和最后更新時間

  • 無邊框窗口設計，可拖動和調整大小

3. 技術特點

  • 采用多線程處理檢測任務，避免界面卡頓

  • 精美的UI設計，具有科技感的視覺效果：

    • 發光邊框和按鈕

    • 懸停和按下狀態效果

    • 自定義滑塊、表格和下拉框樣式

  • 檢測結果保存機制

  • 響應式布局，適應不同窗口大小

4. 系統流程

  1. 用戶登錄/注冊

  2. 選擇檢測模式(圖片/視頻/攝像頭)

  3. 調整檢測參數(可選)

  4. 開始檢測并查看結果

  5. 可選擇保存檢測結果

  6. 停止檢測或切換其他模式

三、數據集介紹

本研究所使用的數據集由實地采集與公開數據結合構成，涵蓋了室內溫室種植、戶外果園采摘及市場售賣等多種場景。拍攝設備包括高清單反相機與工業攝像頭，保證了樣本的清晰度與細節表現。同時，為增強模型的泛化能力，數據集中包含了不同光照條件（晴天、陰天、室內補光）、多種拍攝角度（俯視、平視、仰視）以及復雜背景（葉片、果枝、采摘籃等）下的草莓圖片。

類別定義

數據集采用 YOLO 格式標注，共分為三類：

  1. raw（未成熟）：果實表面以綠色為主，糖分積累不足，不適合采摘；

  2. turning（半成熟）：果實顏色由綠向紅過渡，表面呈現部分紅色斑塊，口感略酸；

  3. ripe（成熟）：果實整體呈鮮紅色，糖分充足，適宜采摘與銷售。

?數據標注

標注工作采用 LabelImg 與 Roboflow 工具完成，使用 YOLO 標注格式（class x_center y_center width height），其中坐標與尺寸均進行歸一化處理。每張圖片均由兩名標注員獨立標注，并經第三方審核，以確保標簽的準確性與一致性。

?數據規模與分布

數據集共包含 3713 張圖像，其中：

  • 訓練集：2939 張（占 79.15%）

  • 驗證集：774 張（占 20.85%）

數據集配置文件

數據集采用標準化YOLO格式組織：

train: F:\草莓成熟度檢測數據集\train\images
val: F:\草莓成熟度檢測數據集\val\images
test:nc: 3
names: ["raw", "ripe", "turning"]

四、項目環境配置

創建虛擬環境

首先新建一個Anaconda環境，每個項目用不同的環境，這樣項目中所用的依賴包互不干擾。

終端輸入

conda create -n yolov12 python==3.9

激活虛擬環境

conda activate yolov12

安裝cpu版本pytorch

pip install torch torchvision torchaudio

安裝所需要庫

pip install -r requirements.txt

pycharm中配置anaconda

五、模型訓練

訓練代碼

from ultralytics import YOLOmodel_path = 'yolo12s.pt'
data_path = 'data.yaml'if __name__ == '__main__':model = YOLO(model_path)results = model.train(data=data_path,epochs=100,batch=8,device='0',workers=0,project='runs',name='exp',)
根據實際情況更換模型
# yolov12n.yaml (nano)：輕量化模型，適合嵌入式設備，速度快但精度略低。
# yolov12s.yaml (small)：小模型，適合實時任務。
# yolov12m.yaml (medium)：中等大小模型，兼顧速度和精度。
# yolov12b.yaml (base)：基本版模型，適合大部分應用場景。
# yolov12l.yaml (large)：大型模型，適合對精度要求高的任務。
  • --batch 8：每批次8張圖像。
  • --epochs 100：訓練100輪。
  • --datasets/data.yaml：數據集配置文件。
  • --weights yolov12s.pt：初始化模型權重，yolov12s.pt 是預訓練的輕量級YOLO模型。

訓練結果

六、核心代碼

import sysimport cv2
import numpy as np
from PyQt5.QtWidgets import QApplication, QMessageBox, QFileDialog
from PyQt5.QtCore import QThread, pyqtSignal
from ultralytics import YOLO
from UiMain import UiMainWindow
import time
import os
from PyQt5.QtWidgets import QDialog
from LoginWindow import LoginWindowclass DetectionThread(QThread):frame_received = pyqtSignal(np.ndarray, np.ndarray, list)  # 原始幀, 檢測幀, 檢測結果finished_signal = pyqtSignal()  # 線程完成信號def __init__(self, model, source, conf, iou, parent=None):super().__init__(parent)self.model = modelself.source = sourceself.conf = confself.iou = iouself.running = Truedef run(self):try:if isinstance(self.source, int) or self.source.endswith(('.mp4', '.avi', '.mov')):  # 視頻或攝像頭cap = cv2.VideoCapture(self.source)while self.running and cap.isOpened():ret, frame = cap.read()if not ret:break# 保存原始幀original_frame = frame.copy()# 檢測results = self.model(frame, conf=self.conf, iou=self.iou)annotated_frame = results[0].plot()# 提取檢測結果detections = []for result in results:for box in result.boxes:class_id = int(box.cls)class_name = self.model.names[class_id]confidence = float(box.conf)x, y, w, h = box.xywh[0].tolist()detections.append((class_name, confidence, x, y))# 發送信號self.frame_received.emit(cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),detections)# 控制幀率time.sleep(0.03)  # 約30fpscap.release()else:  # 圖片frame = cv2.imread(self.source)if frame is not None:original_frame = frame.copy()results = self.model(frame, conf=self.conf, iou=self.iou)annotated_frame = results[0].plot()# 提取檢測結果detections = []for result in results:for box in result.boxes:class_id = int(box.cls)class_name = self.model.names[class_id]confidence = float(box.conf)x, y, w, h = box.xywh[0].tolist()detections.append((class_name, confidence, x, y))self.frame_received.emit(cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),detections)except Exception as e:print(f"Detection error: {e}")finally:self.finished_signal.emit()def stop(self):self.running = Falseclass MainWindow(UiMainWindow):def __init__(self):super().__init__()# 初始化模型self.model = Noneself.detection_thread = Noneself.current_image = Noneself.current_result = Noneself.video_writer = Noneself.is_camera_running = Falseself.is_video_running = Falseself.last_detection_result = None  # 新增：保存最后一次檢測結果# 連接按鈕信號self.image_btn.clicked.connect(self.detect_image)self.video_btn.clicked.connect(self.detect_video)self.camera_btn.clicked.connect(self.detect_camera)self.stop_btn.clicked.connect(self.stop_detection)self.save_btn.clicked.connect(self.save_result)# 初始化模型self.load_model()def load_model(self):try:model_name = self.model_combo.currentText()self.model = YOLO(f"{model_name}.pt")  # 自動下載或加載本地模型self.update_status(f"模型 {model_name} 加載成功")except Exception as e:QMessageBox.critical(self, "錯誤", f"模型加載失敗: {str(e)}")self.update_status("模型加載失敗")def detect_image(self):if self.detection_thread and self.detection_thread.isRunning():QMessageBox.warning(self, "警告", "請先停止當前檢測任務")returnfile_path, _ = QFileDialog.getOpenFileName(self, "選擇圖片", "", "圖片文件 (*.jpg *.jpeg *.png *.bmp)")if file_path:self.clear_results()self.current_image = cv2.imread(file_path)self.current_image = cv2.cvtColor(self.current_image, cv2.COLOR_BGR2RGB)self.display_image(self.original_image_label, self.current_image)# 創建檢測線程conf = self.confidence_spinbox.value()iou = self.iou_spinbox.value()self.detection_thread = DetectionThread(self.model, file_path, conf, iou)self.detection_thread.frame_received.connect(self.on_frame_received)self.detection_thread.finished_signal.connect(self.on_detection_finished)self.detection_thread.start()self.update_status(f"正在檢測圖片: {os.path.basename(file_path)}")def detect_video(self):if self.detection_thread and self.detection_thread.isRunning():QMessageBox.warning(self, "警告", "請先停止當前檢測任務")returnfile_path, _ = QFileDialog.getOpenFileName(self, "選擇視頻", "", "視頻文件 (*.mp4 *.avi *.mov)")if file_path:self.clear_results()self.is_video_running = True# 初始化視頻寫入器cap = cv2.VideoCapture(file_path)frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))fps = cap.get(cv2.CAP_PROP_FPS)cap.release()# 創建保存路徑save_dir = "results"os.makedirs(save_dir, exist_ok=True)timestamp = time.strftime("%Y%m%d_%H%M%S")save_path = os.path.join(save_dir, f"result_{timestamp}.mp4")fourcc = cv2.VideoWriter_fourcc(*'mp4v')self.video_writer = cv2.VideoWriter(save_path, fourcc, fps, (frame_width, frame_height))# 創建檢測線程conf = self.confidence_spinbox.value()iou = self.iou_spinbox.value()self.detection_thread = DetectionThread(self.model, file_path, conf, iou)self.detection_thread.frame_received.connect(self.on_frame_received)self.detection_thread.finished_signal.connect(self.on_detection_finished)self.detection_thread.start()self.update_status(f"正在檢測視頻: {os.path.basename(file_path)}")def detect_camera(self):if self.detection_thread and self.detection_thread.isRunning():QMessageBox.warning(self, "警告", "請先停止當前檢測任務")returnself.clear_results()self.is_camera_running = True# 創建檢測線程 (默認使用攝像頭0)conf = self.confidence_spinbox.value()iou = self.iou_spinbox.value()self.detection_thread = DetectionThread(self.model, 0, conf, iou)self.detection_thread.frame_received.connect(self.on_frame_received)self.detection_thread.finished_signal.connect(self.on_detection_finished)self.detection_thread.start()self.update_status("正在從攝像頭檢測...")

🔐登錄注冊驗證

對應文件：LoginWindow.py

# 賬戶驗證核心邏輯
def handle_login(self):username = self.username_input.text().strip()password = self.password_input.text().strip()if not username or not password:QMessageBox.warning(self, "警告", "用戶名和密碼不能為空！")returnif username in self.accounts and self.accounts[username] == password:self.accept()  # 驗證通過else:QMessageBox.warning(self, "錯誤", "用戶名或密碼錯誤！")# 密碼強度檢查（注冊時）
def handle_register(self):if len(password) < 6:  # 密碼長度≥6位QMessageBox.warning(self, "警告", "密碼長度至少為6位！")

🎯?多重檢測模式

對應文件：main.py

圖片檢測

def detect_image(self):file_path, _ = QFileDialog.getOpenFileName(self, "選擇圖片", "", "圖片文件 (*.jpg *.jpeg *.png *.bmp)")if file_path:self.detection_thread = DetectionThread(self.model, file_path, conf, iou)self.detection_thread.start()  # 啟動檢測線程

視頻檢測

def detect_video(self):file_path, _ = QFileDialog.getOpenFileName(self, "選擇視頻", "", "視頻文件 (*.mp4 *.avi *.mov)")if file_path:self.video_writer = cv2.VideoWriter()  # 初始化視頻寫入器self.detection_thread = DetectionThread(self.model, file_path, conf, iou)

實時攝像頭

def detect_camera(self):self.detection_thread = DetectionThread(self.model, 0, conf, iou)  # 攝像頭設備號0self.detection_thread.start()

🖼??沉浸式可視化

對應文件：UiMain.py

雙畫面顯示

def display_image(self, label, image):q_img = QImage(image.data, w, h, bytes_per_line, QImage.Format_RGB888)pixmap = QPixmap.fromImage(q_img)label.setPixmap(pixmap.scaled(label.size(), Qt.KeepAspectRatio))  # 自適應縮放

結果表格

def add_detection_result(self, class_name, confidence, x, y):self.results_table.insertRow(row)items = [QTableWidgetItem(class_name),  # 類別列QTableWidgetItem(f"{confidence:.2f}"),  # 置信度QTableWidgetItem(f"{x:.1f}"),  # X坐標QTableWidgetItem(f"{y:.1f}")   # Y坐標]

???參數配置系統

對應文件：UiMain.py

雙閾值聯動控制

# 置信度閾值同步
def update_confidence(self, value):confidence = value / 100.0self.confidence_spinbox.setValue(confidence)  # 滑塊→數值框self.confidence_label.setText(f"置信度閾值: {confidence:.2f}")# IoU閾值同步  
def update_iou(self, value):iou = value / 100.0self.iou_spinbox.setValue(iou)

??UI美學設計

對應文件：UiMain.py

科幻風格按鈕

def create_button(self, text, color):return f"""QPushButton {{border: 1px solid {color};color: {color};border-radius: 6px;}}QPushButton:hover {{background-color: {self.lighten_color(color, 10)};box-shadow: 0 0 10px {color};  # 懸停發光效果}}"""

動態狀態欄

def update_status(self, message):self.status_bar.showMessage(f"狀態: {message} | 最后更新: {time.strftime('%H:%M:%S')}"  # 實時時間戳)

🔄?智能工作流

對應文件：main.py

線程管理

class DetectionThread(QThread):frame_received = pyqtSignal(np.ndarray, np.ndarray, list)  # 信號量通信def run(self):while self.running:  # 多線程檢測循環results = self.model(frame, conf=self.conf, iou=self.iou)self.frame_received.emit(original_frame, result_frame, detections)

七、項目源碼(視頻簡介)

演示與介紹視頻：

基于深度學習YOLOv12的草莓成熟度檢測系統（YOLOv12+YOLO數據集+UI界面+登錄注冊界面+Python項目源碼+模型）_嗶哩嗶哩_bilibili

基于深度學習YOLOv12的草莓成熟度檢測系統（YOLOv12+YOLO數據集+UI界面+登錄注冊界面+Python項目源碼+模型）

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/diannao/95185.shtml
繁體地址，請注明出處：http://hk.pswp.cn/diannao/95185.shtml
英文地址，請注明出處：http://en.pswp.cn/diannao/95185.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

深入理解Android Kotlin Flow：響應式編程的現代實踐

深入理解Android Kotlin Flow：響應式編程的現代實踐

引言在現代Android開發中&#xff0c;處理異步數據流是一個核心需求。Kotlin Flow作為協程庫的一部分&#xff0c;提供了一種聲明式的、可組合的異步數據流處理方式。本文將深入探討Flow的設計理念、核心組件、高級用法以及在實際項目中的最佳實踐。一、Flow基礎概念1.1 什么是…
閱讀更多...
功能測試詳解

功能測試詳解

&#x1f345; 點擊文末小卡片&#xff0c;免費獲取軟件測試全套資料&#xff0c;資料在手&#xff0c;漲薪更快 一、測試項目啟動與研讀需求文檔&#xff08;一&#xff09; 組建測試團隊1、測試團隊中的角色2、測試團隊的基本責任盡早地發現軟件程序、系統或產品中所有的問題…
閱讀更多...
算法73. 矩陣置零

算法73. 矩陣置零

給定一個 m x n 的矩陣&#xff0c;如果一個元素為 0 &#xff0c;則將其所在行和列的所有元素都設為 0 。請使用原地算法。 示例 1&#xff1a;輸入&#xff1a;matrix [[1,1,1],[1,0,1],[1,1,1]] 輸出&#xff1a;[[1,0,1],[0,0,0],[1,0,1]] 示例2&#xff1a; 輸入&#xf…
閱讀更多...
【力扣22】括號生成

【力扣22】括號生成

數字n代表生成括號的對數&#xff0c;請你設計一個函數&#xff0c;用于能夠生成所有可能的并且有效的括號組合。 源代碼&#xff1a; class Solution { public:int n;vector<string> ans;string path;vector<string> generateParenthesis(int n) {this->n n;d…
閱讀更多...
ELK分布式日志采集系統

ELK分布式日志采集系統

* 系統架構&#xff1a;filebeat 采集各服務器日志&#xff1b;Logstash-docker 過濾整理日志&#xff1b; Elasticsearch-docker 存儲和索引數據&#xff1b; Kibana-docker 提供可視化展示和操作。* FileBeat簡介&#xff1a;Filebeat是本地文件的日志數據采集器。* Kafka簡介…
閱讀更多...
Python生產環境部署指南：專業級應用啟動方案

Python生產環境部署指南：專業級應用啟動方案

在生產環境中部署Python應用需要考慮穩定性、性能和安全性。本文將詳細介紹多種專業部署方案，助你構建可靠的生產環境。 一、核心部署架構 標準Python生產環境包含三個核心組件： 應用服務器：運行Python代碼（Gunicorn/uWSGI/Uvicorn） 進程管理器：保障服務持續運行（Supe…
閱讀更多...
C語言：結構體、共用體與枚舉詳解

C語言：結構體、共用體與枚舉詳解

在 C 語言編程中&#xff0c;結構體&#xff08;struct&#xff09;、共用體&#xff08;union&#xff09;與枚舉&#xff08;enum&#xff09;是三種非常重要的用戶自定義數據類型。它們能幫助我們更好地組織、管理和表達復雜的數據結構。本文將結合實例&#xff0c;深入介紹…
閱讀更多...
Linux Web服務器與WordPress部署筆記

Linux Web服務器與WordPress部署筆記

web服務器 nginx 配置基本認證 用戶名和密碼使用plain text發送&#xff0c;所以最好配置SSL/TLS。 # 安裝工具[rootserver ~ 09:21:43]# yum -y install httpd-tools[rootserver ~ 09:28:30]# vim /etc/nginx/conf.d/ssl.confserver {?location /auth-basic/ {auth_basic …
閱讀更多...
貪心----3. 跳躍游戲 II

貪心----3. 跳躍游戲 II

45. 跳躍游戲 II - 力扣&#xff08;LeetCode&#xff09; /** 維護變量: max_reachable,遍歷過的元素的最遠可達位置 end,當前區間終點(隨max_reachable變化) 遍歷過程: 遍歷時迭代遍歷過的元素最遠可達位置,利用end記錄當前區間終點(隨max_reachable變化) 當移動至end即當前…
閱讀更多...
RabbitMQ面試精講 Day 13：HAProxy與負載均衡配置

RabbitMQ面試精講 Day 13：HAProxy與負載均衡配置

【RabbitMQ面試精講 Day 13】HAProxy與負載均衡配置 開篇 歡迎來到"RabbitMQ面試精講"系列的第13天&#xff01;今天我們將聚焦RabbitMQ集群架構中的關鍵組件——HAProxy及其負載均衡配置。在大型分布式系統中&#xff0c;如何實現RabbitMQ集群的高可用和負載均衡是…
閱讀更多...
C# 中常用集合以及使用場景

C# 中常用集合以及使用場景

1. 數組 (Array)??特點?&#xff1a;固定大小、內存連續、訪問速度快?使用場景?&#xff1a;需要高性能的固定大小集合數值計算&#xff08;如矩陣運算&#xff09;存儲已知長度的數據&#xff08;如配置文件參數&#xff09;?2. List<T>??特點?&#xff1a;動態…
閱讀更多...
量化實戰學習 Day 2：雙均線策略實現與回測分析

量化實戰學習 Day 2：雙均線策略實現與回測分析

一、前言在完成第一天的環境搭建和基礎認知后&#xff0c;今天將進入真正的策略開發環節。本文將記錄我從數據處理到第一個量化策略實現的全過程&#xff0c;包含完整的代碼示例和深度思考。二、復習與環境檢查1.1 環境復查首先確認了Day 1搭建的環境運行正常&#xff1a; cond…
閱讀更多...
ubuntu 安裝內核模塊驅動 DKMS 介紹

ubuntu 安裝內核模塊驅動 DKMS 介紹

DKMS&#xff08;Dynamic Kernel Module Support&#xff0c;動態內核模塊支持&#xff09;是一個用于管理 Linux 內核模塊的工具&#xff0c;主要作用是在系統內核更新時&#xff0c;自動重新編譯和安裝依賴于特定內核版本的驅動程序&#xff08;內核模塊&#xff09;&#xf…
閱讀更多...
adb使用指南

adb使用指南

adb使用指南一、介紹二、連接一、有線連接方式二、無線連接方式**Android 10及以下版本****Android 11及以上版本**三、指令1、設備連接管理2、應用調試3、文件傳輸4、系統控制6、日志分析7、其他速查表總結python腳本實例&#xff1a;提示&#xff1a;以下是本篇文章正文內容&…
閱讀更多...
C語言實戰：二級指針與文件操作的完美邂逅——動態管理文件數據

C語言實戰：二級指針與文件操作的完美邂逅——動態管理文件數據

資料合集下載鏈接： ?https://pan.quark.cn/s/472bbdfcd014? 在上一篇文章中，我們探討了二級指針作為函數“輸出特性”的強大功能。今天，我們將更進一步，通過一個完整的實戰項目，將二級指針與文件I/O操作結合起來，學習如何動態、高效地讀取和管理文件內容。 這個項目…
閱讀更多...
低代碼開發實戰案例，如何通過表單配置實現數據輸入、數據存儲和數據展示？

低代碼開發實戰案例，如何通過表單配置實現數據輸入、數據存儲和數據展示？

JVS低代碼輕應用快速開發采用所見即所得的配置思路&#xff0c;表單是低代碼中最基礎的業務配置引擎之一&#xff0c;快速的通過表單配置實現數據輸入、數據存儲&#xff0c;數據展示。那么在輕應用下直接點開菜單打開的表單&#xff0c;錄入數據提交到數據模型&#xff0c;后續…
閱讀更多...
數字孿生系統讓汽車工廠虛實聯動預測維護少停機

數字孿生系統讓汽車工廠虛實聯動預測維護少停機

在汽車制造行業&#xff0c;設備突發停機往往會引發連鎖反應&#xff0c;導致生產中斷、成本飆升。傳統運維模式依賴人工巡檢與事后維修&#xff0c;難以應對復雜生產場景下的設備管理需求。如今&#xff0c;數字孿生系統憑借虛實聯動的核心能力&#xff0c;為汽車工廠打造預測…
閱讀更多...
iceberg1.2.0 修改表與覆蓋寫

iceberg1.2.0 修改表與覆蓋寫

版本iceberg 1.2.0修改表只支持HiveCatalog表修改表屬性&#xff0c;Iceberg表屬性和Hive表屬性存儲在HMS中是同步的修改外部表刪表時是否刪除數據的表屬性&#xff0c;這里是修改為刪除表時不刪除數據alter table iceberg_test1 set TBLPROPERTIES(external.table.purgeFALSE)…
閱讀更多...
Mini-Omni: Language Models Can Hear, Talk While Thinking in Streaming

Mini-Omni: Language Models Can Hear, Talk While Thinking in Streaming

2024.8tsinghuamethodwhisper encoder: whisper smallLLM Qwen0.5b init預測方式&#xff1a;text 7*audio token&#xff0c; parallel generation的方式預測&#xff0c;delay-step1----先預測文本token&#xff0c;再預測SNAC 第一級碼本&#xff0c;然后序列化的逐漸預測后…
閱讀更多...
【MATLAB例程】基于UKF的IMM例程，模型使用CA（勻加速）和CT（協調轉彎）雙模型，二維環境下的軌跡定位。附代碼下載鏈接

【MATLAB例程】基于UKF的IMM例程，模型使用CA（勻加速）和CT（協調轉彎）雙模型，二維環境下的軌跡定位。附代碼下載鏈接

本文介紹的MATLAB程序可以實現&#xff1a;基于交互式多模型&#xff08;IMM&#xff09;的無跡卡爾曼濾波&#xff08;UKF&#xff09;方法&#xff0c;用于二維平面中目標的運動狀態估計。該算法結合了兩個運動模型&#xff1a;勻速直線模型&#xff08;CV&#xff09;和勻速…
閱讀更多...
最新文章

Copyright @ 2022~2023