目標檢測檢出率，誤檢率，ap，map等評估python代碼

1.deepseek版本

import numpy as np
from collections import defaultdictdef calculate_iou(box1, box2):"""計算兩個邊界框的交并比（IoU）:param box1: [x1, y1, x2, y2]:param box2: [x1, y1, x2, y2]:return: IoU"""# 計算交集區域x1_min, y1_min, x1_max, y1_max = box1x2_min, y2_min, x2_max, y2_max = box2inter_x1 = max(x1_min, x2_min)inter_y1 = max(y1_min, y2_min)inter_x2 = min(x1_max, x2_max)inter_y2 = min(y1_max, y2_max)# 計算交集面積inter_width = max(0, inter_x2 - inter_x1)inter_height = max(0, inter_y2 - inter_y1)inter_area = inter_width * inter_height# 計算并集面積box1_area = (x1_max - x1_min) * (y1_max - y1_min)box2_area = (x2_max - x2_min) * (y2_max - y2_min)union_area = box1_area + box2_area - inter_area# 避免除以零iou = inter_area / union_area if union_area > 0 else 0.0return ioudef evaluate_detection(gt_dict, pred_dict, class_list, iou_threshold=0.5):"""評估目標檢測模型性能:param gt_dict: 真實標注字典 {image_id: {'boxes': [[x1,y1,x2,y2], ...], 'labels': [label1, ...]}}:param pred_dict: 預測結果字典 {image_id: {'boxes': [[x1,y1,x2,y2], ...], 'scores': [score1, ...], 'labels': [label1, ...]}}:param class_list: 所有類別ID列表:param iou_threshold: IoU閾值:return: 評估結果字典"""# 初始化存儲結構results = {'mAP': 0.0,'per_class': {}}# 為每個類別初始化存儲for class_id in class_list:results['per_class'][class_id] = {'AP': 0.0,             # 平均精度'Recall': 0.0,         # 檢出率'FPR': 0.0,            # 誤檢率'Precision': 0.0,      # 精確率'TP': 0,               # 真正例'FP': 0,               # 假正例'FN': 0,               # 假負例'gt_count': 0,         # 真實框總數'pred_count': 0        # 預測框總數}# 存儲每個類別的所有預測信息（用于AP計算）class_preds = {class_id: [] for class_id in class_list}# 第一步：遍歷所有圖像，收集匹配結果all_image_ids = set(gt_dict.keys()) | set(pred_dict.keys())for img_id in all_image_ids:# 獲取當前圖像的標注和預測gt_ann = gt_dict.get(img_id, {'boxes': [], 'labels': []})pred_ann = pred_dict.get(img_id, {'boxes': [], 'scores': [], 'labels': []})# 按類別組織真實框gt_boxes_by_class = {class_id: [] for class_id in class_list}for box, label in zip(gt_ann['boxes'], gt_ann['labels']):if label in class_list:gt_boxes_by_class[label].append(box)results['per_class'][label]['gt_count'] += 1# 按類別組織預測框pred_boxes_by_class = {class_id: [] for class_id in class_list}for box, score, label in zip(pred_ann['boxes'], pred_ann['scores'], pred_ann['labels']):if label in class_list:pred_boxes_by_class[label].append((box, score))results['per_class'][label]['pred_count'] += 1# 對每個類別單獨處理for class_id in class_list:gt_boxes = gt_boxes_by_class[class_id]pred_boxes = pred_boxes_by_class[class_id]# 如果沒有預測框，所有真實框都是FNif len(pred_boxes) == 0:results['per_class'][class_id]['FN'] += len(gt_boxes)continue# 如果沒有真實框，所有預測框都是FPif len(gt_boxes) == 0:results['per_class'][class_id]['FP'] += len(pred_boxes)# 記錄FP用于AP計算for box, score in pred_boxes:class_preds[class_id].append((score, 0))  # 0表示FPcontinue# 按置信度降序排序預測框pred_boxes_sorted = sorted(pred_boxes, key=lambda x: x[1], reverse=True)# 初始化匹配矩陣gt_matched = [False] * len(gt_boxes)pred_matched = [False] * len(pred_boxes_sorted)# 嘗試匹配每個預測框for pred_idx, (pred_box, score) in enumerate(pred_boxes_sorted):best_iou = 0.0best_gt_idx = -1# 尋找最佳匹配的真實框for gt_idx, gt_box in enumerate(gt_boxes):if gt_matched[gt_idx]:continueiou = calculate_iou(pred_box, gt_box)if iou > best_iou:best_iou = ioubest_gt_idx = gt_idx# 檢查是否超過IoU閾值if best_iou >= iou_threshold:gt_matched[best_gt_idx] = Truepred_matched[pred_idx] = Trueclass_preds[class_id].append((score, 1))  # 1表示TPelse:class_preds[class_id].append((score, 0))  # 0表示FP# 統計當前圖像的結果results['per_class'][class_id]['TP'] += sum(pred_matched)results['per_class'][class_id]['FP'] += len(pred_matched) - sum(pred_matched)results['per_class'][class_id]['FN'] += len(gt_matched) - sum(gt_matched)# 第二步：計算每個類別的指標aps = []for class_id in class_list:class_data = results['per_class'][class_id]tp = class_data['TP']fp = class_data['FP']fn = class_data['FN']gt_count = class_data['gt_count']pred_count = class_data['pred_count']# 計算檢出率（Recall）recall = tp / (tp + fn) if (tp + fn) > 0 else 0.0# 計算誤檢率（FPR）# 注意：在目標檢測中，負樣本是無窮的，這里使用近似計算# FPR = FP / (FP + TN) ≈ FP / (所有非目標區域)# 我們使用每張圖像的平均預測數作為分母的近似num_images = len(all_image_ids)fpr = fp / (fp + num_images * 100)  # 假設每張圖像有100個潛在負樣本區域# 計算精確率（Precision）precision = tp / (tp + fp) if (tp + fp) > 0 else 0.0# 計算AP（Average Precision）ap = 0.0pred_records = class_preds[class_id]if pred_records:# 按置信度降序排序pred_records_sorted = sorted(pred_records, key=lambda x: x[0], reverse=True)# 計算累積TP和FPcum_tp = 0cum_fp = 0precisions = []recalls = []for score, is_tp in pred_records_sorted:cum_tp += is_tpcum_fp += (1 - is_tp)p = cum_tp / (cum_tp + cum_fp) if (cum_tp + cum_fp) > 0 else 0r = cum_tp / gt_count if gt_count > 0 else 0precisions.append(p)recalls.append(r)# 平滑PR曲線（保證單調遞減）for i in range(len(precisions)-2, -1, -1):precisions[i] = max(precisions[i], precisions[i+1])# 計算AP（PR曲線下面積）ap = 0for i in range(1, len(recalls)):if recalls[i] != recalls[i-1]:ap += (recalls[i] - recalls[i-1]) * precisions[i]# 更新結果class_data['Recall'] = recallclass_data['FPR'] = fprclass_data['Precision'] = precisionclass_data['AP'] = apaps.append(ap)# 計算mAP（所有類別AP的平均）results['mAP'] = sum(aps) / len(aps) if aps else 0.0return results# 示例用法
if __name__ == "__main__":# 示例數據class_list = [0, 1, 2]  # 類別ID列表# 真實標注（模擬數據）gt_dict = {'img1': {'boxes': [[10, 10, 50, 50], [30, 30, 70, 70]], 'labels': [0, 1]},'img2': {'boxes': [], 'labels': []},  # 真實框為空'img3': {'boxes': [[20, 20, 60, 60]], 'labels': [2]},'img4': {'boxes': [[15, 15, 55, 55]], 'labels': [1]}  # 標簽存在但真實框為空的情況已在循環中處理}# 預測結果（模擬數據）pred_dict = {'img1': {'boxes': [[12, 12, 52, 52], [28, 28, 68, 68], [100, 100, 150, 150]], 'scores': [0.9, 0.8, 0.7], 'labels': [0, 1, 1]},'img2': {'boxes': [[40, 40, 80, 80]], 'scores': [0.85], 'labels': [0]},  # 誤檢'img3': {'boxes': [], 'scores': [], 'labels': []},  # 預測框為空'img4': {'boxes': [[15, 15, 55, 55]], 'scores': [0.75], 'labels': [1]}}# 執行評估results = evaluate_detection(gt_dict, pred_dict, class_list)# 打印結果print(f"mAP: {results['mAP']:.4f}")print("\nPer-class metrics:")for class_id, metrics in results['per_class'].items():print(f"Class {class_id}:")print(f"  AP: {metrics['AP']:.4f}")print(f"  Recall: {metrics['Recall']:.4f}")print(f"  FPR: {metrics['FPR']:.4f}")print(f"  Precision: {metrics['Precision']:.4f}")print(f"  TP: {metrics['TP']}, FP: {metrics['FP']}, FN: {metrics['FN']}")print(f"  GT Count: {metrics['gt_count']}, Pred Count: {metrics['pred_count']}")

2.豆包版本

import numpy as np
from collections import defaultdictdef calculate_iou(box1, box2):"""計算兩個邊界框的交并比(IoU)box格式: [x1, y1, x2, y2]"""x1, y1, x2, y2 = box1x1_p, y1_p, x2_p, y2_p = box2# 計算交集區域inter_x1 = max(x1, x1_p)inter_y1 = max(y1, y1_p)inter_x2 = min(x2, x2_p)inter_y2 = min(y2, y2_p)inter_area = max(0, inter_x2 - inter_x1) * max(0, inter_y2 - inter_y1)# 計算每個框的面積area1 = (x2 - x1) * (y2 - y1)area2 = (x2_p - x1_p) * (y2_p - y1_p)# 計算并集面積union_area = area1 + area2 - inter_area# 計算IoUif union_area == 0:return 0return inter_area / union_areadef evaluate_detection(true_boxes_list, pred_boxes_list, iou_threshold=0.5):"""評估目標檢測結果參數:true_boxes_list: 真實框列表，每個元素是一張圖片的真實框，每個真實框格式: {'box': [x1, y1, x2, y2], 'label': 標簽名}pred_boxes_list: 預測框列表，每個元素是一張圖片的預測框，每個預測框格式: {'box': [x1, y1, x2, y2], 'label': 標簽名, 'score': 置信度}iou_threshold: IoU閾值，用于判斷預測框是否與真實框匹配返回:評估結果字典，包含每個標簽的檢出率、誤檢率以及整體mAP"""# 收集所有出現過的標簽all_labels = set()for true_boxes in true_boxes_list:for box in true_boxes:all_labels.add(box['label'])for pred_boxes in pred_boxes_list:for box in pred_boxes:all_labels.add(box['label'])all_labels = sorted(list(all_labels))# 初始化評估指標results = {'per_label': {label: {'tp': 0, 'fp': 0, 'fn': 0, 'precision': [], 'recall': [], 'ap': 0} for label in all_labels},'mAP': 0}# 處理每張圖片for img_idx, (true_boxes, pred_boxes) in enumerate(zip(true_boxes_list, pred_boxes_list)):# 按置信度降序排序預測框pred_boxes_sorted = sorted(pred_boxes, key=lambda x: x['score'], reverse=True)# 跟蹤已匹配的真實框matched_true = set()# 處理預測框for pred in pred_boxes_sorted:pred_label = pred['label']best_iou = 0best_true_idx = -1# 尋找最佳匹配的真實框for true_idx, true in enumerate(true_boxes):if true_idx not in matched_true and true['label'] == pred_label:iou = calculate_iou(true['box'], pred['box'])if iou > best_iou and iou >= iou_threshold:best_iou = ioubest_true_idx = true_idx# 判斷是TP還是FPif best_true_idx != -1:results['per_label'][pred_label]['tp'] += 1matched_true.add(best_true_idx)else:results['per_label'][pred_label]['fp'] += 1# 計算未匹配的真實框作為FNfor true_idx, true in enumerate(true_boxes):if true_idx not in matched_true:results['per_label'][true['label']]['fn'] += 1# 計算每個標簽的檢出率、誤檢率和APaps = []for label in all_labels:stats = results['per_label'][label]tp = stats['tp']fp = stats['fp']fn = stats['fn']# 計算檢出率 (召回率)if tp + fn == 0:detection_rate = 0.0  # 真實框為空的情況else:detection_rate = tp / (tp + fn)# 計算誤檢率if tp + fp == 0:false_detection_rate = 0.0  # 預測框為空的情況else:false_detection_rate = fp / (tp + fp)# 存儲計算結果results['per_label'][label]['detection_rate'] = detection_rateresults['per_label'][label]['false_detection_rate'] = false_detection_rate# 這里簡化了AP計算，實際應用中應根據置信度閾值計算PR曲線并求面積# 對于本示例，我們使用簡單的P-R計算if tp + fp == 0:precision = 0.0else:precision = tp / (tp + fp)if tp + fn == 0:recall = 0.0else:recall = tp / (tp + fn)results['per_label'][label]['precision'].append(precision)results['per_label'][label]['recall'].append(recall)# 簡單AP計算（實際應用中應使用更精確的方法）results['per_label'][label]['ap'] = precision * recallaps.append(results['per_label'][label]['ap'])# 計算mAPif len(aps) > 0:results['mAP'] = sum(aps) / len(aps)else:results['mAP'] = 0.0return resultsdef print_evaluation_results(results):"""打印評估結果"""print("目標檢測模型評估結果:")print("======================")# 打印每個標簽的結果for label, stats in results['per_label'].items():print(f"\n標簽: {label}")print(f"  檢出率: {stats['detection_rate']:.4f}")print(f"  誤檢率: {stats['false_detection_rate']:.4f}")print(f"  精確率: {stats['precision'][0]:.4f}" if stats['precision'] else "  精確率: N/A")print(f"  召回率: {stats['recall'][0]:.4f}" if stats['recall'] else "  召回率: N/A")print(f"  AP: {stats['ap']:.4f}")print(f"  TP: {stats['tp']}, FP: {stats['fp']}, FN: {stats['fn']}")# 打印mAPprint("\n======================")print(f"mAP: {results['mAP']:.4f}")# 示例用法
if __name__ == "__main__":# 示例1: 正常情況 - 有真實框和預測框true_boxes1 = [{'box': [10, 10, 50, 50], 'label': 'car'},{'box': [60, 60, 100, 100], 'label': 'person'}]pred_boxes1 = [{'box': [12, 12, 52, 52], 'label': 'car', 'score': 0.9},{'box': [65, 65, 105, 105], 'label': 'person', 'score': 0.85},{'box': [120, 120, 150, 150], 'label': 'bike', 'score': 0.7}  # 誤檢]# 示例2: 真實框為空的情況true_boxes2 = []pred_boxes2 = [{'box': [20, 20, 40, 40], 'label': 'car', 'score': 0.6}  # 誤檢]# 示例3: 預測框為空的情況true_boxes3 = [{'box': [30, 30, 70, 70], 'label': 'car'}]pred_boxes3 = []  # 漏檢# 示例4: 標簽存在但真實框為空的情況true_boxes4 = [{'box': [80, 80, 120, 120], 'label': 'person'}]pred_boxes4 = [{'box': [100, 100, 140, 140], 'label': 'bike', 'score': 0.5}  # 對于bike標簽，真實框為空]# 組合所有示例true_boxes_list = [true_boxes1, true_boxes2, true_boxes3, true_boxes4]pred_boxes_list = [pred_boxes1, pred_boxes2, pred_boxes3, pred_boxes4]# 評估evaluation_results = evaluate_detection(true_boxes_list, pred_boxes_list, iou_threshold=0.5)# 打印結果print_evaluation_results(evaluation_results)

3.baidu版


import numpy as np
from collections import defaultdictclass DetectionEvaluator:def __init__(self, iou_threshold=0.5):self.iou_threshold = iou_thresholdself.reset()def reset(self):self.gt_counts = defaultdict(int)  # 每類真實框數量self.pred_counts = defaultdict(int)  # 每類預測框數量self.tp = defaultdict(list)  # 每類真正例(按置信度排序)self.fp = defaultdict(list)  # 每類假正例(按置信度排序)self.scores = defaultdict(list)  # 每類預測置信度def calculate_iou(self, box1, box2):"""計算兩個邊界框的IoU"""x1 = max(box1[0], box2[0])y1 = max(box1[1], box2[1])x2 = min(box1[2], box2[2])y2 = min(box1[3], box2[3])inter_area = max(0, x2 - x1) * max(0, y2 - y1)box1_area = (box1[2] - box1[0]) * (box1[3] - box1[1])box2_area = (box2[2] - box2[0]) * (box2[3] - box2[1])union_area = box1_area + box2_area - inter_areareturn inter_area / union_area if union_area > 0 else 0def evaluate_image(self, gt_boxes, pred_boxes):"""評估單張圖像:param gt_boxes: 字典 {class_id: [[x1,y1,x2,y2], ...]}:param pred_boxes: 字典 {class_id: [[x1,y1,x2,y2,score], ...]}"""# 處理真實框為空的情況if not gt_boxes:for class_id in pred_boxes:for pred in pred_boxes[class_id]:self.fp[class_id].append(1)self.tp[class_id].append(0)self.scores[class_id].append(pred[4])self.pred_counts[class_id] += 1return# 處理預測框為空的情況if not pred_boxes:for class_id in gt_boxes:self.gt_counts[class_id] += len(gt_boxes[class_id])return# 統計每類真實框數量for class_id in gt_boxes:self.gt_counts[class_id] += len(gt_boxes[class_id])# 處理每類預測結果for class_id in pred_boxes:preds = pred_boxes[class_id]self.pred_counts[class_id] += len(preds)# 按置信度降序排序preds = sorted(preds, key=lambda x: x[4], reverse=True)# 初始化匹配狀態gt_matched = set()for pred in preds:pred_box = pred[:4]max_iou = 0best_gt_idx = -1# 查找匹配的真實框if class_id in gt_boxes:for gt_idx, gt_box in enumerate(gt_boxes[class_id]):if gt_idx in gt_matched:continueiou = self.calculate_iou(pred_box, gt_box)if iou > max_iou:max_iou = ioubest_gt_idx = gt_idx# 判斷TP/FPif max_iou >= self.iou_threshold:gt_matched.add(best_gt_idx)self.tp[class_id].append(1)self.fp[class_id].append(0)else:self.tp[class_id].append(0)self.fp[class_id].append(1)self.scores[class_id].append(pred[4])def calculate_metrics(self):"""計算各類評估指標"""metrics = {}for class_id in set(self.gt_counts.keys()).union(set(self.pred_counts.keys())):gt_count = self.gt_counts.get(class_id, 0)pred_count = self.pred_counts.get(class_id, 0)tp = np.array(self.tp.get(class_id, []))fp = np.array(self.fp.get(class_id, []))scores = np.array(self.scores.get(class_id, []))# 檢出率 = TP / (TP + FN) = TP / GT總數detection_rate = np.sum(tp) / gt_count if gt_count > 0 else 0# 誤檢率 = FP / (TP + FP) = FP / 預測總數false_alarm_rate = np.sum(fp) / pred_count if pred_count > 0 else 0# 計算APap = self.calculate_ap(tp, fp, gt_count)metrics[class_id] = {'檢出率': round(detection_rate,3),'誤檢率': round(false_alarm_rate,3),'ap': round(ap,3),'gt_count': gt_count,'pred_count': pred_count,'tp_count': int(np.sum(tp)),'fp_count': int(np.sum(fp))}# 計算mAPaps = [metrics[c]['ap'] for c in metrics if metrics[c]['gt_count'] > 0]mAP = np.mean(aps) if aps else 0return {'per_class': metrics,'mAP': mAP}def calculate_ap(self, tp, fp, gt_count):"""計算單類別的AP值"""if gt_count == 0:return 0tp_cumsum = np.cumsum(tp)fp_cumsum = np.cumsum(fp)recalls = tp_cumsum / gt_countprecisions = tp_cumsum / (tp_cumsum + fp_cumsum + 1e-6)# 計算PR曲線下面積ap = 0for t in np.arange(0, 1.1, 0.1):mask = recalls >= tif np.any(mask):p = np.max(precisions[mask])else:p = 0ap += p / 11return ap# 使用示例
if __name__ == "__main__":evaluator = DetectionEvaluator(iou_threshold=0.5)# 示例1: 正常情況gt_boxes = {'cat': [[10, 10, 50, 50], [100, 100, 150, 150]],  # 類別0的兩個真實框'dog': [[200, 200, 250, 250]]  # 類別1的一個真實框}pred_boxes = {'cat': [[12, 12, 48, 48, 0.9], [105, 105, 155, 155, 0.8]],  # 類別0的兩個預測框'dog': [[210, 210, 240, 240, 0.7], [300, 300, 350, 350, 0.6]]  # 類別1的兩個預測框}evaluator.evaluate_image(gt_boxes, pred_boxes)# 示例2: 真實框為空的情況gt_boxes_empty = {}pred_boxes_normal = {'cat': [[10, 10, 50, 50, 0.9]]}evaluator.evaluate_image(gt_boxes_empty, pred_boxes_normal)# 示例3: 預測框為空的情況gt_boxes_normal = {'cat': [[10, 10, 50, 50]]}pred_boxes_empty = {}evaluator.evaluate_image(gt_boxes_normal, pred_boxes_empty)# 示例4: 標簽存在但真實框為空的情況gt_boxes_with_empty_class = {'bird': [],  # 類別0存在但真實框為空'dog': [[200, 200, 250, 250]]}pred_boxes_normal = {'cat': [[10, 10, 50, 50, 0.9]],  # 類別0的預測框將被視為FP'dog': [[210, 210, 240, 240, 0.7]]}# 示例4: 標簽存在但真實框為空的情況gt_boxes_with_empty_class = {'dog': [[200, 200, 250, 250]]}pred_boxes_normal = {'cat': [[10, 10, 50, 50, 0.9]],  # 類別0的預測框將被視為FP'dog': [[210, 210, 240, 240, 0.7]],'bird':[[10, 33, 22, 50, 0.9],[110, 323, 222, 520, 0.3]]}evaluator.evaluate_image(gt_boxes_with_empty_class, pred_boxes_normal)# 計算最終指標metrics = evaluator.calculate_metrics()import jsonprint("評估結果:", json.dumps(metrics, indent=4,ensure_ascii=False))

? ? ? ? 代碼可直接運行，如果需要評估本地txt結果和標注xml結果的相關檢出率，誤檢率和map，可自行根據驗證輸入調用相關函數即可。

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/news/917710.shtml
繁體地址，請注明出處：http://hk.pswp.cn/news/917710.shtml
英文地址，請注明出處：http://en.pswp.cn/news/917710.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

python的高校班級管理系統

python的高校班級管理系統

前端開發框架:vue.js 數據庫 mysql 版本不限 后端語言框架支持： 1 java(SSM/springboot)-idea/eclipse 2.NodejsVue.js -vscode 3.python(flask/django)–pycharm/vscode 4.php(thinkphp/laravel)-hbuilderx 數據庫工具：Navicat/SQLyog等都可以 在高校教…
閱讀更多...
Scrapy 工作流程深度解析：引擎驅動的完美協作

Scrapy 工作流程深度解析：引擎驅動的完美協作

一、Scrapy 核心組件全景圖 #mermaid-svg-KWCKN9n4urijbSws {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-KWCKN9n4urijbSws .error-icon{fill:#552222;}#mermaid-svg-KWCKN9n4urijbSws .error-text{fill:#552222;…
閱讀更多...
PCIe Base Specification解析（七）

PCIe Base Specification解析（七）

文章目錄3.6 Data Integrity Mechansisms3.6.1 Introduction3.6.2 LCRC, Sequence Number, and Retry Management (TLP Transmitter)3.6.2.1 LCRC and Sequence Number Rules (TLP Transmitter)3.6.2.2 Handling of Received DLLPs3.6.3 LCRC and Sequence Number (TLP Receive…
閱讀更多...
Windows 11 使用Windows Hello使用人臉識別登錄失敗，重新錄入人臉識別輸入PIN后報Windows Hello安裝程序白屏無響應的問題解決

Windows 11 使用Windows Hello使用人臉識別登錄失敗，重新錄入人臉識別輸入PIN后報Windows Hello安裝程序白屏無響應的問題解決

Windows 11 使用Windows Hello使用人臉識別登錄失敗，重新錄入人臉識別輸入PIN后報Windows Hello安裝程序白屏無響應的問題解決：遇到此種情況時：1、在“開始”右鍵——設置——賬號——登錄選項2、需要在PIN這里先進行刪除此登錄選項&#xff…
閱讀更多...
qq scheme

qq scheme

QQ intent scheme跳轉 1.跳轉指定說說（root） 2.跳轉指定說說（非root） 3. 跳轉聊天框 4. 跳轉用戶主頁 5. 跳轉加群 6. 跳轉指定用戶空間 1.跳轉指定說說（root） 該方法需root權限 app.startActivity({className: "com.qzone.reborn.base.QZoneTransparentShellActivi…
閱讀更多...
C語言基礎_隨機數、數組、函數、指針

C語言基礎_隨機數、數組、函數、指針

0、隨機數： 要用C語言產生隨機數，首先在預處理程序部分要引入stdlib.h頭文件，然后就可以用rand()在后續程序中生成隨機數了。如果不設置隨機數種子srand()，后面生成的隨機數序列就是以41開頭的一個固定序列，因此一般以…
閱讀更多...
PHP?ORT擴展構建純PHP機器學習的推薦系統

PHP?ORT擴展構建純PHP機器學習的推薦系統

結合 PHP?ORT 構建推薦系統的核心思想是：使用 ONNX 格式的機器學習模型，在 PHP 中本地執行推理，實時給出推薦結果。下面是一個完整的架構設計與實現路徑，適合你快速上手。🎯 場景目標 你想在一個 PHP 網站中實現推薦功…
閱讀更多...
PromptPilot搭配Doubao-seed-1.6：定制你需要的AI提示prompt

PromptPilot搭配Doubao-seed-1.6：定制你需要的AI提示prompt

目錄 一、PromptPilot 二、基于產品評價的用戶情感分析 2.1 使用PromptPiolt工具進行提示詞生成 2.2 基于prompt的模型調試 2.3 基于prompt的批量數據測評 2.4 基于多輪對話的prompt測試 如今，我們正身處一個 AI 技術飛速迭代的時代。人工智能早已不再是實驗室…
閱讀更多...
MSPM0開發學習筆記：二維云臺結合openmv實現小球追蹤

MSPM0開發學習筆記：二維云臺結合openmv實現小球追蹤

文章目錄前言一、硬件選擇二、原理介紹（UART）三、硬件連線三、軟件代碼1、視覺部分代碼（Openart）2、控制部分代碼（MSPM0）（1） UART部分（2） 計算函數部分&#…
閱讀更多...
【CTF-WEB-SQL】SQL注入基本流程（sql-labs的Less11）（用burp抓取post然后用sqlmap盲注）

【CTF-WEB-SQL】SQL注入基本流程（sql-labs的Less11）（用burp抓取post然后用sqlmap盲注）

題目 從第11less開始，就是POST表單了burp抓取數據包將抓取到的數據包存放到桌面，保存為post.txt數據包內容如下：POST /Less-11/ HTTP/1.1 Host: 223.112.39.132:44537 Content-Length: 39 Cache-Control: max-age0 Accept-Language: zh-CN,zh…
閱讀更多...
WPF 與 Winform ：Windows 桌面開發該用誰？

WPF 與 Winform ：Windows 桌面開發該用誰？

WPF 與 Winform ：Windows 桌面開發該用誰？ 一、 WPF 與 Winform的概念 WPF：顏值與實力并存的 “后起之秀” Winform：簡單直接的 “老前輩” 二、WPF 與 Winform 的核心差異 1. 設計理念：分離 vs 耦合 2. 布局系統：靈活適配 vs 固定坐標 3. 視覺效果：絢麗動畫 vs 樸素原生…
閱讀更多...
【Git學習】入門與基礎

【Git學習】入門與基礎

目錄 Git的安裝 Git 配置用戶信息 Git 初始化本地倉庫 Git 工作區、暫存區和版本庫 Git 跟蹤文件 Git 修改文件 Git 刪除文件 Git 撤銷本地文件的修改 Git 取消暫存 Git 跳過暫存區 Git 版本回退 Git 撤銷提交 Git 設置忽略文件 Git 比較文件差異 Git 代碼托管平臺…
閱讀更多...
idea添加gitlab訪問令牌

idea添加gitlab訪問令牌

1.按下圖所示順序操作gitlab,獲取到對應的token;2.填寫對應的gitlab地址和第一步獲取的token
閱讀更多...
人工智能領域、圖歐科技、IMYAI智能助手2025年5月更新月報

人工智能領域、圖歐科技、IMYAI智能助手2025年5月更新月報

2025年5月IMYAI平臺技術動態與模型更新綜述 摘要： 本文整理了2025年5月期間IMYAI平臺發布的主要技術更新、新模型上線信息及功能調整公告，涵蓋DeepSeek、Gemini、Claude、即夢、Suno等模型動態及平臺功能優化。 正文： 一、 模型更新與上線Dee…
閱讀更多...
機器人權利：真實還是虛幻，機器人權利研究如何可能，道德權利與法律權利

機器人權利：真實還是虛幻，機器人權利研究如何可能，道德權利與法律權利

一、機器人權利：真實還是虛幻？機器人權利的討論源于技術進步對傳統法律與倫理體系的沖擊，其真實性取決于技術發展階段與社會接受度的互動。當前，機器人權利仍呈現“虛幻與真實交織”的特征：技術基礎：從工具…
閱讀更多...
通信小白產品學習碎片01

通信小白產品學習碎片01

1. 云中繼（Cloud Media Relay） 運營商在Volte/Vonr場景中引入的核心網關鍵功能，用于優化媒體流的傳輸路徑，解決跨運營商、跨地域通信時的網絡繞行問題。 傳統：A終端—>A核心網—>跨網互聯點—>B核心網—>…
閱讀更多...
?CVPR2025 3D 生成新框架｜Kiss3DGen 讓 2D 擴散模型玩轉 3D 資產生成

?CVPR2025 3D 生成新框架｜Kiss3DGen 讓 2D 擴散模型玩轉 3D 資產生成

?CVPR 3D 生成新框架｜Kiss3DGen 讓 2D 擴散模型玩轉 3D 資產生成 📄論文題目：Kiss3DGen: Repurposing Image Diffusion Models for 3D Asset Generation ??作者及機構：Jiantao Lin、Xin Yang、Meixi Chen 等（HKUST …
閱讀更多...
HTTP基本結構

HTTP基本結構

目錄前言1. 概念2. HTTP基本格式2.1 抓包原理2.2 抓包軟件使用2.3 抓包結果3. HTTP請求3.1 URL3.2 方法3.3 版本號3.4 HTTP報頭3.4 正文部分4. HTTP響應4.1 HTTP狀態碼4.2 其他部分總結前言 本篇文章介紹HTTP的基本結構。 1. 概念 HTTP全稱為超文本傳輸協議，是一…
閱讀更多...
CVPR優秀論文 | DashGaussian：在200秒內優化三維高斯點繪制

CVPR優秀論文 | DashGaussian：在200秒內優化三維高斯點繪制

本文選自gongzhonghao【圖靈學術SCI論文輔導】關注我們，掌握更多頂會頂刊發文資訊1.導讀1.1 論文基本信息論文標題：DashGaussian: Optimizing 3D Gaussian Splatting in 200 Seconds作者：Youyu Chen、Junjun Jiang、Kui Jiang、Xiao Tang、Zh…
閱讀更多...
知識蒸餾 - 基于KL散度的知識蒸餾 HelloWorld 示例 采用PyTorch 內置函數F.kl_div的實現方式

知識蒸餾 - 基于KL散度的知識蒸餾 HelloWorld 示例 采用PyTorch 內置函數F.kl_div的實現方式

知識蒸餾 - 基于KL散度的知識蒸餾 HelloWorld 示例 采用PyTorch 內置函數F.kl_div的實現方式 flyfish kl_div 是 Kullback-Leibler Divergence的英文縮寫。 其中，KL 對應提出該概念的兩位學者（Kullback 和 Leibler）的姓氏首字母“div”是 div…
閱讀更多...
最新文章

Copyright @ 2022~2023