登录社区云，与社区用户共同成长
邀请您加入社区
嵌入式语音识别实现方案 本文介绍了基于Vosk API和QT框架的嵌入式语音识别实现方案。研究发现当前嵌入式板卡对图像处理的支持优于语音识别，因此选择开源Vosk模型作为核心，其特点包括提供C语言API、轻量化部署和多语言支持。实现过程分为三个主要步骤： 环境搭建：配置Vosk库文件和中文语音模型，设计项目目录结构 QT工程配置：设置.pro文件路径，实现音频加载和识别功能，包括WAV文件解析和J
本次项目使用YOLO11对目标进行检测，具体实现了模型加载、图像加载、ONNX Runtime环境初始化、图像预处理和后处理、检测框的绘制、图像显示等功能。代码注释详细。
基于Python3 + Qt5 + OpenCV3 + FaceNet + MySQL的人脸识别考勤系统
介绍上小节使用我们自己编译的uboot kernel dtb 成功运行，并且使用nfs挂载了根文件系统，至此我们的开发基础条件已经完善，下面就可以编写我们的应用程序了，选择MP157就是看中了它A7双核加M4内核异构的形态，AP侧运行我们比较耗费算力的应用程序，M4内核运行rtos来处理时效性强的任务，合作分工，能够完成更多有意思的创造。本文将分三部分编写示例程序测试，分别是QT基础程序测试、Co
最近想做一个演示Demo，用以演示和人脸相关的功能。但百度或Google之后，并没有找到比较适合的UI布局，所以只能自己动手，丰衣足食啦。经过这几天的努力，终于将演示Demo的整个UI框架写好了，后面只要往里填充功能就可以将整个系统支撑起来了。本人对QT了解也不是很深，其中错误之处还望海涵。实现功能（1）qt下配置opencv并读取默认摄像头（2）480P、720P、1280P三种分辨率摄...
花卉识别是计算机视觉中的一个重要应用，在园艺、农业和植物保护等领域具有广泛的潜在价值。本文的基于深度学习的花卉识别系统，采用MobileNet模型结合PyTorch框架实现。数据集由网络采集的16类花卉图像组成，共计15740张，其中训练集和验证集按8:2的比例划分。为了提高模型的泛化能力，本文对数据进行了多种增强操作，包括随机裁剪、水平翻转及标准化处理。在训练过程中，采用AdamW优化器和交叉熵
本文介绍了一个基于YOLO系列算法的鸟类识别系统，支持35种鸟类的实时检测。系统采用Python3.10开发，前端界面使用PyQt5，数据库为SQLite。通过对比YOLOv5/v8/v11/v12模型性能，发现YOLO12n精度最高(mAP40.6%)，YOLO11n速度最优(56.1ms)。系统功能包括多模态检测(图片/视频/摄像头)、模型切换、用户管理等，在4000张图片的数据集上训练后，m
本文详述了一个基于STM32和Qt的全栈人脸识别考勤系统。该系统整合多种技术，构建完整技术栈：底层使用STM32F4微控制器进行硬件控制和数据采集；中层应用OpenCV实现图像处理和人脸识别；上层基于Qt 5开发跨平台桌面界面。系统集成SQLite数据库实现数据管理，通过串口实现STM32与Qt的通信。这种全栈架构展示了嵌入式系统、计算机视觉、数据库和GUI开发的紧密结合，为智能系统开发提供全面技
本次用的数据集是opencv给出的教程里面的第一个数据集：The AT&T Facedatabase，又称为ORL人脸数据库，40个人，每人10张照片。照片在不同时间、不同光照、不同表情(睁眼闭眼、笑或者不笑)、不同人脸细节(戴眼镜或者不戴眼镜)下采集。所有的图像都在一个黑暗均匀的背景下采集的，正面竖直人脸(有些有轻微旋转)。
Python基于YOLOv5的智慧交通车型识别 PyQt5可视化界面 深度学习毕业设计（建议收藏）✅
国内多线程异步提高RK3588的NPU占用率，进而提高yolov5s帧率文章和代码使用yolov5s进行讲解, 其他模型如resnet之类的同理,稍作修改就可以使用。由于已经有很多人,如， 孙尧等做了如何通过修改模型提高视频推理帧率的教程, 这里我就主要讲另外一种性能的方法——多线程异步。
qt利用opencv3.4进行人脸识别和特征点提取1本文是用qt5.6.3和opencv3.4、opencv_contrib3.4在windows平台下实现人脸识别以及特征值提取**2**qt调用opencv可以自己编译也可以使用别人利用mingw编译好的库，现在常用的方法就是利用VS编译，也可以利用qt自己进行编译。但是两者都要下载cmake，安装的时候要选择第二个自动加入环...
集成OpenCV库，实现图像采集和人脸检测功能。实现查询显示人脸数据和考勤数据的功能，从Qt SQL数据库中检索人脸信息和考勤记录，并在服务器端界面上显示。基于Qt框架的客户端和服务器端应用程序将结合OpenCV和SeetaFace库实现人脸检测、识别和管理。使用Qt框架构建服务器端应用程序，利用Qt的网络模块实现接收客户端数据和发送识别结果的功能。将检测到的人脸区域图像保存在Qt的Rect容器中
"部署"（Deployment）是软件开发过程中的一个关键步骤，指的是将开发完成的应用程序或系统从开发环境迁移到生产环境，使其可以被终端用户或其他系统访问和使用。简单来说，部署就是将你的软件放到一个可以让用户访问的地方。环境选择本地部署：在本地机器上运行应用程序，通常用于开发和测试。服务器部署：在专用的服务器或虚拟机上运行应用程序，使其可以被外部用户访问。云部署：使用云服务提供商（如 AWS、Az
考虑到硬件普适性与高性价比，对于小于30MB的模型，OpenVINO + CPU的解决方案都会是比较合理跟高性价比的。现在OpenVINO2024最新版本还支持大模型+CPU的部署方案，只要几行代码即可完成。它们都支持Python与C++ SDK，支持多种模型压缩与量化机制，支持模型同步与异步推理。QT5 + OpenCV4.8 开发与配置环境搭建，请看博客文章。四 健身智能 - 自动引体向上计数
文章目录一、创建项目&UI设计文件类型判断二、代码与演示一、创建项目&UI设计创建项目，UI设计如下文件类型判断简单的判断文件类型QString file("sample.jpg");if (file.contains(".jpg") || file.contains(".bmp") || file.contains(".png"))qDebug()<<"这是图片。";
本研究设计并实现了一个基于深度学习的手写汉字识别系统，旨在通过优化模型结构和训练策略，提高对手写汉字的识别精度。系统采用了MobileNet卷积神经网络结构，并使用PyTorch框架进行模型搭建和训练。实验数据来自中科院手写汉字数据集，包含200类汉字，总计59699张图像。数据预处理过程中，使用图像裁剪、翻转和归一化等操作，以提升模型的泛化能力。训练过程中，设定Epoch数为60，采用AdamW
python学生信息管理系统如需安装运行环境或远程调试，可加QQ905733049, 或QQ2945218359由专业技术人员远程协助！运行结果如下：
深度强化学习实验室来源：DeepMind- ICML2020编辑：DeepRL获取完整版pdf后台回复【MBRL2020】获取完整版pdf后台回复【MBRL2020】...
文章目录1 Qt的安装1.1 Qt下载1.2 Qt安装1.2.1 准备好下载的文件1.2.2 双击运行1.2.3 选择组件，安卓的可以暂时不选1.2.4 安装三个库 mesa-common-dev 等1.2.5 安装fcitx输入法中文库1.3 Qt的程序创建1.3.1 工程的名字和位置1.3.2 选择编译工具1.3.3 选择类名1.3.4 直接下一步1.3.5 创建窗口程序2 Qt使用2.1 双
