Flask

本项目主要开发设计了基于yolov11+SE的垃圾分类系统，本系统集成yolo模型以及引入se注意力机制，开发了一款app，界面简约，功能完善。可以用来学习如何调用yolo模型！以下是摘要介绍： 在当今这个城市化快速发展的时代，城市里的生活垃圾产量一直在持续不断地攀升，传统的人工进行垃圾分类的方式，它的效率特别低下，而且分类的准确性也不怎么高，很难契合现在资源循环利用以及环境保护方面的需求。本系统专门设计并且实现了一个基于深度学习的生活垃圾分类目标检测系统，这个系统借助了比较先进的图像识别技术，能够实现垃圾的自动化精准分类。凭借这样的分类方式，就可以提高垃圾分类的效率，还可以降低对环境的污染，促进资源的循环利用，在系统开发的过程当中，凭借多种不同的渠道去收集数据，把公开的数据集进行整合，收集到的数据经由去噪、标准化以及数据提高等一系列的预处理操作之后，按照7:2:1的比例划分成训练集、验证集和测试集，系统选用了YOLOv11模型，并且结合SE注意力机制来进行特征提取和模型训练，还利用Pytorch库对特征选择进行优化。在系统架构方面，前端是基于Vue.js框架来构建交互界面的，后端运用Flask框架来处理业务逻辑，搭配MySQL数据库来管理数据，这样就能实现实时检测、结果统计展示以及用户交互等功能，经由测试可以得出，这个系统对四类垃圾的分类精确度能够达到88%以上，就算是在复杂的环境之下，它仍然可以保持比较高的检测稳定性，有效地推动了垃圾分类智能化的发展，有很不错的应用前景。

基于深度学习的Web云端皮肤疾病识别工程是一个具有重要意义的项目，以下是关于该工程的一些信息： ### 技术实现 - **深度学习模型**：通常使用卷积神经网络（CNN）作为核心模型，如ResNet、DenseNet、Inception等。这些模型能够自动学习皮肤图像中的特征，从而实现对皮肤疾病的分类和识别。 - **数据处理**：需要对大量的皮肤图像数据进行收集、标注和预处理。预处理可能包括图像裁剪、归一化、增强等操作，以提高模型的鲁棒性和准确性。 - **Web云端架构**：利用云计算平台的强大计算能力，将深度学习模型部署在云端。用户可以通过Web界面上传皮肤图像，云端服务器接收图像后，调用深度学习模型进行识别，并将结果返回给用户。 ### 优势与特点 - **高效便捷**：用户无需安装复杂的软件或具备专业的技术知识，只需通过Web界面上传图像即可快速获得诊断结果。 - **准确性高**：深度学习模型在大规模数据上进行训练，能够学习到丰富的特征，从而提高皮肤疾病识别的准确性。 - **可扩展性强**：云端架构使得系统能够方便地进行扩展，以应对更多的用户请求和更复杂的模型。 ### 应用场景 - **医疗辅助诊断**：帮助医生快速筛选和初步诊断皮肤疾病，提高诊断效率。 - **远程医疗**：为偏远地区或医疗资源不足的地区提供远程诊断服务。 - **个人健康管理**：用户可以自行上传皮肤图像，及时了解自己的皮肤健康状况。

自主研发了一款安全平台，该平台集成了当前主流的CLIP后门攻防算法，能够有效支持用户管理、安全评测、信息查询等多种功能。平台通过灵活的架构设计，提供了高度可扩展的安全评估能力，帮助用户实时监控与分析模型的安全性。通过集成的攻防算法，平台能够针对CLIP模型进行全面的安全防护，确保模型在面对各种后门攻击时依然能够维持较高的鲁棒性和准确性。

技术架构 后端技术 Hadoop & Hive：用于存储和处理大规模的旅游数据。Hadoop分布式文件系统（HDFS）提供高效的数据存储，Hive用于数据分析和查询。 Pandas：用于数据清洗和预处理，确保数据的质量和一致性。 Flask：轻量级Web框架，用于构建Web应用的后端服务，处理用户请求和响应。 前端技术 ECharts：用于数据可视化，展示旅游景点的评分分布、用户评论情感分析结果等，为用户提供直观的决策支持。 HTML/CSS/JavaScript：用于构建用户友好的界面，确保系统的易用性和交互性。 算法 推荐算法：结合协同过滤和内容推荐的混合推荐算法，通过分析用户的浏览历史、评分和评论等数据，生成个性化的旅游推荐列表。 情感分析：利用自然语言处理技术分析用户评论的情感倾向，进一步优化推荐结果。 系统特色 1. 大数据技术支持 本系统采用Hadoop技术处理大规模数据，确保在高并发条件下依旧能够快速响应用户需求。通过对用户行为数据的深度分析，系统能够挖掘用户的隐性需求，从而提供更加符合用户兴趣的推荐内容。 2. 多维度个性化推荐 系统整合了景点、美食、购物和活动等多方面的旅游资源，结合用户的历史浏览记录、评分和评论等数据，利用先进的推荐算法为用户生成个性化的旅行推荐列表。同时，情感分析技术的引入，使得系统能够进一步理解用户对不同旅游资源的情感倾向，优化推荐结果。 3. 直观的数据可视化 通过ECharts进行数据可视化展示，系统不仅为用户提供了直观的推荐结果，还展示了热门景点的评分分布、用户评论情感分析结果等，帮助用户更好地做出旅行决策。 4. 完善的用户交互界面 系统采用Flask框架开发Web应用，提供用户友好的界面设计。用户可以轻松地浏览推荐内容、进行个性化搜索、查看详情以及发表评论。同时，系统还提供了登录和注册功能，保障用户数据的安全性和隐私性。 系统功能 1. 景点推荐 根据用户的浏览历史和其他用户的评价数据，通过算法模型分析出用户可能感兴趣的景点，并提供推荐列表。 2. 智能搜索 用户可以通过输入关键词搜索景点、酒店、美食等旅游相关信息。搜索系统能够根据用户的输入提供相关的搜索建议和自动完成功能。 3. 评论与评分 用户可以对访问过的景点或体验过的服务进行评分和评论，这些数据将反馈给推荐系统，用于优化未来的推荐结果。 4. 个性化旅游路线规划 系统能够根据用户的时间、预算和兴趣爱好自动规划个性化旅游路线，用户还可以手动调整路线并即时看到调整后的效果。

气体检测模型搭建前后端平台。后端采用python+flask架构完成，前端使用vue3+vuetify完成。借助websocket实现前后端数据日志记录更新展示。借助基础组件对视频流效果进行封装，实现播放器功能。后端完成对yolo模型的导入和调用 本人主要负责前后端搭建编码和模型导入使用

爬取丁香医生数据平台关于新冠疫情确认人数的所有数据，清洗。建立可视化平台进行数据分析。使用KNN算法对黑龙江省份新冠疫情确诊数据进行建模，建立疫情发展曲线。

基于 FATE 给运营商搭建了联邦学习平台，基于 FATE 进行二次开发，支持了 FATE 现有算法的情况下，额外扩充 25 个深度学习的图像算法，GAT，GCN 等 5 个图神经网络算法，2 个 NLP 算法，额外新增了若干音视频算法 个人主要负责 FATE 平台搭建，联邦学习底层原理的研究，另外主要完成图像深度学习算法以及音视频算法的研发 在搭建的过程中，需要深度算法原理的研究，将现有算法联邦化的过程需要深入了解 FATE 的实现机制，为了保证效率和安全性需要实时跟进相关领域的论文。个人整理相关领域的文章 https://www.zhihu.com/people/hustyichi/posts

采用Python爬虫、数据分析和处理技术以及Echarts可视化技术，并与Flask Web框架相结合，实现对以中国疾病预防控制中心为代表的权威医疗机构的疫情数据的爬取以及分析和处理，构建全国实时疫情数据的新冠肺炎可视化系统。与中国目前使用的微博、腾讯和百度等平台相比，该系统采用了可视化图表平台界面，将后端数据转换为前端图形显示。与纯数字和文本相比，可视化使用户能够更直观地获取实时数据，有效提升用户体验，增强用户粘性和关注度，更好地保护自身健康。此外，该系统将用到机器学习，使用LSTM模型对全国疫情数据进行短期预测和分析，对世界人民抗击新冠肺炎具有重要意义。