QCon北京2014：实战演示ATDD解决技术债务：从零到密码保护功能

ATDD用FitNesse验收测试让QA荣登开发三剑客-2013.04.20

基于springboot大学生智能消费记账系统的设计与实现.docx

基于Mnist数据集生成用于(多)目标检测的小型数据集.zip

1 目标检测的定义目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。目标检测任务可分为两个关键的子任务，目标定位和目标分类。首先检测图像中目标的位置（目标定位），然后给出每个目标的具体类别（目标分类）。输出结果是一个边界框（称为Bounding-box，一般形式为(x1,y1,x2,y2)，表示框的左上角坐标和右下角坐标），一个置信度分数（Confidence Score），表示边界框中是否包含检测对象的概率和各个类别的概率（首先得到类别概率，经过Softmax可得到类别标签）。 1.1 Two stage方法目前主流的基于深度学习的目标检测算法主要分为两类：Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段，主要用于生成潜在的目标候选框（Bounding-box proposals）。这个阶段通常使用卷积神经网络（CNN）从输入图像中提取特征，然后通过一些技巧（如选择性搜索）来生成候选框。第二个阶段是分类和位置精修阶段，将第一个阶段生成的候选框输入到另一个 CNN 中进行分类，并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高，缺点是速度相对较慢。常见Tow stage目标检测算法有：R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值，并利用这些特征值进行目标的分类和定位，不需要生成Region Proposal。这种方法的优点是速度快，因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低，因为它没有对潜在的目标进行预先筛选。常见的One stage目标检测算法有：YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框，对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制，作用是从众多预测边界框中挑选出最具代表性的结果，这样可以加快算法效率，其主要流程如下：设定一个置信度分数阈值，将置信度分数小于阈值的直接过滤掉将剩下框的置信度分数从大到小排序，选中值最大的框遍历其余的框，如果和当前框的重叠面积(IOU)大于设定的阈值（一般为0.7），就将框删除（超过设定阈值，认为两个框的里面的物体属于同一个类别）从未处理的框中继续选一个置信度分数最大的，重复上述过程，直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度，当预测边界框和真实边界框差异很小时，或重叠度很大时，表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度，是评估目标检测模型效果的最重要指标，这个值介于0到1之间，且越大越好。mAP是AP(Average Precision)的平均值，那么首先需要了解AP的概念。想要了解AP的概念，还要首先了解目标检测中Precision和Recall的概念。首先我们设置置信度阈值（Confidence Threshold）和IoU阈值（一般设置为0.5，也会衡量0.75以及0.9的mAP值）：当一个预测边界框被认为是True Positive（TP）时，需要同时满足下面三个条件： Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别预测边界框的IoU大于设定的IoU阈值不满足条件2或条件3，则认为是False Positive（FP）。当对应同一个真值有多个预测结果时，只有最高置信度分数的预测结果被认为是True Positive，其余被认为是False Positive。 Precision和Recall的概念如下图所示： Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值改变不同的置信度阈值，可以获得多组Precision和Recall，Recall放X轴，Precision放Y轴，可以画出一个Precision-Recall曲线，简称P-R

8051Proteus仿真c源码步进电机C版本

8051Proteus仿真c源码步进电机C版本提取方式是百度网盘分享地址

国内人气最高的Java人工智能算法框架它可以Maven一键丝滑引入我们的Java项目，无需任何额外的环境配置与依赖，做到开箱即

国内人气最高的Java人工智能算法框架(java版pytorch)。它可以Maven一键丝滑引入我们的Java项目，无需任何额外的环境配置与依赖，做到开箱即用。再者，它既有一些我们已经封装好的图像目标检测及人工智能客服的模块，也提供各种深度学习，机器学习，强化学习，启发式学习，矩阵运算，求导函数，求偏导函数等底层算法工具。

QGraphicsView+QGraphicsScene+Item,实现加载背景图片（放大、缩小，右键移动）绘制线、矩形、多边形

继承QGraphicsItem，实现加载背景图，可鼠标滚轮放大、缩小、右键拖动；创建CustomItemBase，实现绘制图像的父类+工厂模式，实现绘制标记点、矩形、线、多边形、曲线，并且可对图像进行单击选中，移动、删除；矩形、线、多边形，还可以进行选中，拖拽大小。

数字电子技术实验报告+

多层感知机的从零开始实现与pytorch简洁实现（pycharm版）

可以在pycharm直接运行的两个py文件：一个是从零实现，另一个是简洁实现。

java某百货店POS积分管理系统-积分点更新生成以及通票回收处理(源代码+lw).zip

java某百货店POS积分管理系统_积分点更新生成以及通票回收处理,包含全量功能源码，及相关文档说明，供大家学习使用！

基于改进YOLOv7算法的车辆目标检测系统。.zip

1 目标检测的定义目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。目标检测任务可分为两个关键的子任务，目标定位和目标分类。首先检测图像中目标的位置（目标定位），然后给出每个目标的具体类别（目标分类）。输出结果是一个边界框（称为Bounding-box，一般形式为(x1,y1,x2,y2)，表示框的左上角坐标和右下角坐标），一个置信度分数（Confidence Score），表示边界框中是否包含检测对象的概率和各个类别的概率（首先得到类别概率，经过Softmax可得到类别标签）。 1.1 Two stage方法目前主流的基于深度学习的目标检测算法主要分为两类：Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段，主要用于生成潜在的目标候选框（Bounding-box proposals）。这个阶段通常使用卷积神经网络（CNN）从输入图像中提取特征，然后通过一些技巧（如选择性搜索）来生成候选框。第二个阶段是分类和位置精修阶段，将第一个阶段生成的候选框输入到另一个 CNN 中进行分类，并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高，缺点是速度相对较慢。常见Tow stage目标检测算法有：R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值，并利用这些特征值进行目标的分类和定位，不需要生成Region Proposal。这种方法的优点是速度快，因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低，因为它没有对潜在的目标进行预先筛选。常见的One stage目标检测算法有：YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框，对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制，作用是从众多预测边界框中挑选出最具代表性的结果，这样可以加快算法效率，其主要流程如下：设定一个置信度分数阈值，将置信度分数小于阈值的直接过滤掉将剩下框的置信度分数从大到小排序，选中值最大的框遍历其余的框，如果和当前框的重叠面积(IOU)大于设定的阈值（一般为0.7），就将框删除（超过设定阈值，认为两个框的里面的物体属于同一个类别）从未处理的框中继续选一个置信度分数最大的，重复上述过程，直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度，当预测边界框和真实边界框差异很小时，或重叠度很大时，表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度，是评估目标检测模型效果的最重要指标，这个值介于0到1之间，且越大越好。mAP是AP(Average Precision)的平均值，那么首先需要了解AP的概念。想要了解AP的概念，还要首先了解目标检测中Precision和Recall的概念。首先我们设置置信度阈值（Confidence Threshold）和IoU阈值（一般设置为0.5，也会衡量0.75以及0.9的mAP值）：当一个预测边界框被认为是True Positive（TP）时，需要同时满足下面三个条件： Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别预测边界框的IoU大于设定的IoU阈值不满足条件2或条件3，则认为是False Positive（FP）。当对应同一个真值有多个预测结果时，只有最高置信度分数的预测结果被认为是True Positive，其余被认为是False Positive。 Precision和Recall的概念如下图所示： Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值改变不同的置信度阈值，可以获得多组Precision和Recall，Recall放X轴，Precision放Y轴，可以画出一个Precision-Recall曲线，简称P-R

我的毕业设计（高校后勤管理系统）_wuaoya.zip

我的毕业设计（高校后勤管理系统）_wuaoya

基于Spring Boot框架的博客管理系统.zip

基于Spring Boot框架的博客管理系统项目简介本项目是一个基于Spring Boot框架的博客管理系统，旨在提供一个功能齐全、易于扩展的博客平台。系统集成了JetCache缓存、Swagger API文档生成工具，以及Spring Security权限控制，确保系统的高性能、易用性和安全性。项目的主要特性和功能用户管理用户登录与登出提供用户登录和登出功能，确保用户身份的安全性。用户信息管理支持获取当前登录用户的信息，并提供用户注册功能。权限控制通过Spring Security实现权限控制，确保只有授权用户才能访问特定功能。文章管理文章发布与编辑支持文章的新增、查询、修改和删除功能。热门文章展示提供获取热门文章的功能，方便用户快速浏览热门内容。文章分类支持文章分类管理，方便用户按类别浏览文章。评论管理评论发布与管理支持用户发布评论，并提供获取评论列表的功能。

QCon北京2014：实战演示ATDD解决技术债务：从零到密码保护功能

ATDD用FitNesse验收测试让QA荣登开发三剑客-2013.04.20

输出ATDD测试用例

ATDD Spring

ATDD controller

robotframework

java后端测试工具

cucumber框架的优缺点

robotframework自动化测试

pytest与Robotframework选哪个

基于springboot大学生智能消费记账系统的设计与实现.docx

基于Mnist数据集生成用于(多)目标检测的小型数据集.zip

8051Proteus仿真c源码步进电机C版本

国内人气最高的Java人工智能算法框架 它可以Maven一键丝滑引入我们的Java项目，无需任何额外的环境配置与依赖，做到开箱即

QGraphicsView+QGraphicsScene+Item,实现加载背景图片（放大、缩小，右键移动）绘制线、矩形、多边形

数字电子技术实验报告+

多层感知机的从零开始实现与pytorch简洁实现（pycharm版）

java某百货店POS积分管理系统-积分点更新生成以及通票回收处理(源代码+lw).zip

基于改进YOLOv7算法的车辆目标检测系统。.zip

我的毕业设计（高校后勤管理系统）_wuaoya.zip

基于Spring Boot框架的博客管理系统.zip

最新资源

国内人气最高的Java人工智能算法框架它可以Maven一键丝滑引入我们的Java项目，无需任何额外的环境配置与依赖，做到开箱即