:high_voltage: Yolo-Fastest :high_voltage: 简单，快速，紧凑，易于移植 适用于所有平台的实时目标检测算法 基于yolo的最快和最小的已知通用目标检测算法 针对ARM移动终端的优化设计，经过优化以支持推理框架 基于RK3399，Raspberry Pi 4b ...和其他嵌入式设备上部署的NCNN，可实现完整的实时30fps + 速度比快45％，参数量减少了56％ 2021.3.16：修复分组卷积在某些旧架构GPU推理耗时异常的问题 中文介绍 2021.9.12：更新NCNN相机演示 参见AlexeyAB / darknet，此版本的darknet修复分组卷积在某些旧架构GPU推理耗时异常的问题（例如1050ti：40ms-> 4ms速度提升10倍），强烈建议使用此仓库框架训练模型 与AlexeyAB / darknet相比，此版本的Darknet解决了一些旧架构GPU中分组卷积异常耗时的推

将SPIFFS与经过修改的esp_idf一起使用的示例spiffs VFS驱动程序 esp-idf支持spiffs文件系统，但未实现目录支持。 本示例使用修改后的spiffs VFS驱动程序，该驱动程序启用目录支持。 原始esp-idf spiffs驱动程序已通过启用目录的方式进行了修改。 要启用新的spiffs驱动程序，会将esp-idf组件目录中的spiffs目录复制到项目的components目录中。 仅修改了esp_spiffs.c文件以启用目录支持。 标准的mkdir（）和rmdir（）函数已添加到spiffs VFS驱动程序。 还提供了mkspiffs的修改版本，该版本支持使用目录构建spiffs文件系统映像。 特征 目录处理已启用 目录列表功能示例 文件复制功能示例 当使用具有文件名参数的文件相关功能时，必须在文件名中添加前缀/ spiffs / 。 如何建造 与

主要是介绍MediaPlayer和SurfaceView的结合使用，可以多个状态的加载本地视频。

开式电子 这是如何将与electronic一起使用来构建跨平台桌面应用程序的示例。 请注意，还有一个附加的npm脚本可为电子程序重建软件包，从安装脚本中调用该脚本： "electron-rebuild": "electron-rebuild -w opencv4nodejs" 纯js 此示例说明如何在没有任何捆绑程序的情况下将opencv4nodejs与电子和纯HTML + Javascript一起使用。 运行此示例： 设置opencv4nodejs，电子并为电子重建模块： npm install 跑： npm start webpack-reactjs 此示例显示了如何将open

流量预测 拟议的概念证明，用于解决智​​能城市的交通拥堵和预测问题。 二手-LSTM（用于将来的预测）+ CNN（用于检测流量密度）+实时推文将所有这三种方法结合起来以产生流量拥塞因子（TCF），并在将来的任何时候使用Google API提出基于此的路由建议。 内容 - 公用文件夹- 截至9月18日的TCF数据 LSTM预计到9月18日的时间 src文件夹-React应用程序 实用程序文件- tweets_realtime.py-删除有关流量的地理位置标记的tweets tempserver-临时服务器，将所有从抓取中获得的推文排队，并充当React应用程序的API。 屏幕截图 注意：代码清理仍在进行中，该项目是为黑客马拉松而设计的

DHT11的C语言程序，主芯片是AT89S52 适用于51单片机

yolo-midas自主导航 将YOLOv3与MiDaS与单个Resnext101主干结合。 想法是针对两个不同的应用程序使用单个特征提取器，在这种情况下为对象检测和单眼深度估计。 请阅读文章以了解更多详细信息 可以在model/mde_net.py看到模型架构的更改 训练 该模型在“建筑安全装备数据”上进行了训练，可在此处找到 。 如果需要对自定义数据集进行培训，请参考页面中提到的数据准备步骤。 将数据放在data/customdata/custom.data文件夹中 python3.6 train.py --data data/customdata/custom.data --batch 8 --cache --cfg cfg/mde.conf --epochs 50 --img-size 512 请参考配置文件cfg/mde.cfg更改网络配置，冻结不同的分支。 该模型是YO

叶病检测 使用预先训练的深度学习架构（即VGG16网络），通过PlantVillage数据集中的图像对农作物病害进行分类。 该模型是通过回调实现的-提前停止，降低高原学习率和模型检查点。 对于VGG16 net，使用70295张图像的分类精度约为95％。 通过修改图像数量，设置各种批处理大小以及更改权重和偏差学习率来评估模型的性能。 图像数量极大地影响了模型的性能。 在至少95％的时间正确识别出农作物病害的情况下，我们可以渴望帮助我们的农民及早发现农作物感染。 这将帮助他们计划比他们之前遵循的技术更有效的耕作技术。 模型的架构图 图形用户界面 运行代码 开放式终端和 步骤1：python3 PRED_API.py 步骤2：CD前端 步骤3：npm i 第4步：启动npm，这将启动基于React的前端 保存的权重存储在best-model.h5中 Model.ipynb具有模型

Simulink 使用 Instrument Control Toolbox 支持包括 RS-232 在内的串行设备。 这个基本的 Simulink 示例向您展示了如何配置和从 RS-232 串行设备获取数据。 本模型中使用示波器作为串行设备，但该模型可适用于其他设备。 了解有关将 Simulink 与串行设备结合使用的更多信息： https://www.mathworks.com/products/instrument/supported/serial.html

Django-电子商务-网站 电子商务网站将Django与Stripe和PayPal集成一起使用此项目是使用Django 2.2.16创建的，因为它得到了Django Project的长期支持。 条带和PayPal API的集成