机器深度学习

机器学习,深度学习是人工智能的核心分支,致力于让计算机系统通过数据驱动的方式自动学习和改进性能,而无需显式编程。其核心是从数据中识别模式或规律,构建数学模型,使计算机能完成预测、分类、聚类等任务。主要类型包括监督学习、无监督学习和强化学习。机器学习广泛应用于自然语言处理、计算机视觉、推荐系统等领域,正重塑各行各业,是当前AI爆发的核心技术之一。
1、设计了深度学习与传统视觉两种视觉检测模式2、对相机、运行主机设备要求低,低成本实现3、与PLC上位机实时通讯,实时传输检测识别信息,做到实时报警提醒,低延迟,设置简单
20Python人工智能
收集加油站的运行数据,提醒客户哪些位置可以停车加油,以及一系列安防监控功能的开发,比如加油站火灾报警、非法入侵、人脸识别等功能的开发。车辆加油数据的分析,给加油站的监控进行管理
90C++机器深度学习
通过YOLO实现目标识别与位置计算,带多目标锁定优化使用远程服务器进行激活码校验,同时有完善的后端管理可视化页面通过PID及自研算法完成移动输出计算,有移动平滑及反轨迹识别机制通过鼠标自动化盒子接口完成鼠标移动操作通过运行时加载功能实现主应用与敏感功能分离,避免文件识别应用多种数据传输方式,如TCP
200C#游戏
系统分为四个功能模块:1、连续成像模块:线阵相机随传送带运动逐行扫描;2、特征提取模块:对每个物料区域提取颜色、纹理、形状等特征;3、分类识别模块:判断该物料为合格品还是异物,输出类别与位置;系统按产线速度实时处理,支持参数在线调整(如灵敏度、最小异物尺寸),适配不同物料批次。
200Python人工智能
系统分为四个功能模块:1、人员检测模块:在画面中实时定位人员位置,输出人体框;2、马甲识别模块:对检测到的人员做细粒度分类,判断其马甲类型;3、区域判定模块:在画面中预先划定各区域及其允许的马甲类型,判断人员当前所在区域是否与其马甲类型匹配;4、告警与统计模块:越权时实时告警并抓拍留证,同时按区域、
180Python人工智能
系统分为四个功能模块:1、目标检测模块:对视频画面中的风筝、鸟类、无人机等目标做实时检测,输出目标类别与位置框;2、多目标跟踪模块:为每个检测目标分配唯一ID并持续跟踪,记录其轨迹、停留时长与运动方向,避免同一目标重复告警;3、告警判定模块:按目标类型、进入区域、持续时长等条件组合判定是否触发告警,
150Python人工智能
系统包含视觉检测、串口通信、二维云台控制和状态反馈等功能。K230视觉模块实时检测目标并输出像素坐标;STM32主控通过USART1接收数据,并使用单字节中断和状态机完成报文解析;水平轴和俯仰轴分别由独立定时器的PWM通道驱动,根据坐标偏差计算舵机调整量,并通过死区和限幅减少抖动。主循环采用非阻塞分
270Python智能硬件
项目包含开架式机械结构、推进与动力、传感与感知、运动控制、水面控制与通信五大功能模块。开架式框架模块采用高密度聚乙烯(HDPE)或铝合金型材构建模块化开放式骨架,配合浮力材实现水中零浮力配平,耐压电子舱采用双重O型圈密封,支持传感器与工具载荷的快速拆装。推进模块采用“4+4”或六推进器矢量布局,实现
250C++人工智能
项目背景:金矿井下环境复杂,传统人工盯屏效率低、响应慢。系统集成AI推理服务器与多种算法模型,实现人员违规、设备异常的实时分析、预警与事后溯源。•核心工作:基于SSM实现设备管理、告警规则配置、人员权限等模块,设计RESTfulAPI支撑终端与大屏交互;用RabbitMQ异步接收AI告警并按等级路由
210Java机器深度学习
该数据标注工具,可以选择文件目录,设置XML保存目录,快捷键A-上一张,D-下一张,切换图片时自动保存标注,可以选择是否显示置信度,通过模型生成的XML标注文件中如果包含置信度,可以显示出来。能显示对角线长度。
370QT人工智能
视频推荐系统产品系统
1、数据处理-图数据库相关数据处理2、特征工程-对多源特征进行处理,特征编码3、召回-多路召回通路模型4、精排-多个深度学习精排模型5、重排-重排算法及策略
460Python人工智能
系统包含五个模块:①数据导入与清洗:导入用户行为数据,完成缺失值填充、异常值剔除与字段标准化;②特征工程:构建「基础属性—行为时序—内容偏好—用户分层」四维特征,并用滑动窗口提取多周期时序特征;③用户分层:用K-Means对用户聚类,输出分层结果;④活跃度预测:用LightGBM训练与批量预测,输出
530Python机器深度学习
创研智链提供赛事发现与规则核验、参赛目标管理、项目材料解析与版本管理、证据型智能评审、教师复核、学生整改与增量复检、实时语音模拟答辩、AI数字导师、答辩薄弱项闭环、成果预检与最终交付等功能。系统以正式赛事规则、项目版本和真实材料证据为基础,通过多角色权限、审计记录和不可变版本机制,保证不同赛事目标下
400Java人工智能
数据处理,知识引导,超图神经网络,亚型分类,Multi-OmicsResidualEncoding(MORE)producesview-specificrepresenta-tionsandalocalstate;Cross-OmicsPathwayActivity(COPA)usestheenco
390Python机器深度学习
处理原始图像标注,完成数据集清洗与样本筛选,校验并修正TOMIE自带的原始标签,结合数据增强划分训练集与验证集;对YOLOv5、YOLOv8开展训练、微调与超参调试,针对仓储环境里实体遮挡、物体部分出界等问题调整训练方案,支持图片、视频的目标推理,输出检测框、类别及置信度,统计mAP、精确率、召回率
600Torch人工智能
1.图像预处理:读入低照度图像,做归一化和颜色空间转换。2.亮度与对比度恢复:自适应提升暗区亮度,同时避免高光过曝。3.噪声感知增强:估计图像噪声水平并加权,在提亮的同时抑制噪声放大。4.细节与色彩保持:保留纹理边缘,减少色偏。5.性能评估:支持PSNR、SSIM等指标批量测试,以及增强前后对比可视
480Python人工智能
样本库管理 按「品类→版别」建库;导入标准样图后自动识别币缘、归一化;框选ROI可比对单个字,并可标记判别点(★)与细节笔画(◆);一个版别可挂多张模板适应不同锈蚀程度批量识别比对 导入本地图片(可多选),与目标品类下全部版别逐一比对,输出相似度排名+是否命中可解释结果 列出该品类全部版式的得分明细
600Python机器深度学习
T2S-MotionTok是一个基于离散动作标记的文本生成手语项目,主要用于将德语文本自动转换为三维手语动作序列。项目采用“文本输入、手语词汇序列生成、动作标记预测、三维姿态解码”的处理流程,结合深度学习和人体动作建模技术,实现从自然语言到连续手语骨架动作的转换,为智能手语生成、无障碍交流和人体动作
770Python人工智能
miniLLM开源项目
MiniLLM是一个使用Python和PyTorch从零实现的小型Transformer语言模型教学项目。项目围绕“数据处理—分词器训练—Transformer预训练—文本生成—监督微调—评估与性能分析”构建了一套完整的小型语言模型流水线。它主要用于帮助学习者理解语言模型的核心工作原理和训练流程,而
530Python人工智能
三维建图功能,实时采集储存功能,数据回放功能,可视化辐射场+热点定位功能可实现辐射场实时建图+辐射数据采集+辐射数据处理+反演,实时剂量计算,多参数功能配置,UI交互方便
560C++企业服务
当前共1327个项目more
×
寻找源码
源码描述
联系方式
提交