当前位置：首页 > news >正文

基于yolov8、yolov5的茶叶等级检测识别系统（含UI界面、训练好的模型、Python代码、数据集）

news 来源：原创 2025/7/27 13:11:30

摘要：茶叶等级检测在茶叶生产、质量控制和市场销售中起着至关重要的作用，不仅能帮助相关部门实时监测茶叶质量，还为智能化检测系统提供了可靠的数据支撑。本文介绍了一款基于YOLOv8、YOLOv5等深度学习框架的茶叶等级检测模型，该模型使用了大量不同种类和等级的茶叶图像进行训练，能够准确识别各种环境中的茶叶质量和等级。系统可在不同场景下进行检测，包括多种光照条件、复杂背景、茶叶堆叠等。
此外，我们开发了一款带有UI界面的茶叶等级检测系统，支持实时分析茶叶等级，并通过图形界面直观展示检测结果。系统基于Python与PyQt5开发，能够处理图片、视频及摄像头输入，检测结果可以保存以供后续分析。本文还提供了完整的Python代码及详细的使用指南，供有兴趣的读者参考，完整代码资源请见文章末尾。

项目介绍

项目中所用到的算法模型和数据集等信息如下：

算法模型：
yolov8、yolov8 + SE注意力机制 或 yolov5、yolov5 + SE注意力机制 ， 直接提供最少两个训练好的模型。模型十分重要，因为有些同学的电脑没有 GPU，无法自行训练。

数据集：
网上下载的数据集，格式都已转好，可直接使用。

界面：
PyQt5

以上是本篇博客的简单说明，添加注意力机制可作为模型的创新点 。

在这里插入图片描述

前言

茶叶等级检测在现代茶叶生产和质量管理中，对于提升茶叶品质和优化市场竞争力具有重要意义。通过快速且精准地检测茶叶等级，茶叶生产企业和质量检测部门能够实时掌握茶叶质量情况并进行分级处理，减少人工误差并提高检测效率。尤其是在智能化生产线和质量管理系统中，茶叶等级检测技术是实现高效生产和品质控制的重要工具。同时，检测系统还能为数据分析人员提供实时数据反馈，帮助他们研究茶叶分级标准和制定更科学的生产与销售策略。

茶叶等级检测技术已经在智能生产线、茶叶质量监管、市场销售等多个领域得到广泛应用。借助高效准确的检测系统，生产者和管理者可以实时检测茶叶等级，自动收集和分析质量数据，提升茶叶分级效率和产品竞争力。

在现代茶叶生产和市场管理中，茶叶等级检测系统可以与其他智能系统协作，如包装管理系统、物流跟踪平台和品质追溯系统，形成完整的智能质量管理解决方案，帮助生产者更好地掌握茶叶等级动态并优化生产流程。在大规模生产场景或复杂的茶叶分级需求中，系统能够迅速检测并分级茶叶，为茶叶品质控制和市场销售提供及时可靠的信息。

本文基于YOLOv8、YOLOv5等目标检测技术，结合Python与PyQt5开发了一款茶叶等级检测系统。该系统支持图片、视频及摄像头输入的检测，并能保存检测结果，为用户提供直观、便捷的使用体验，助力茶叶生产企业快速、有效地进行茶叶等级分级与质量管理。

功能展示：

部分核心功能如下：

功能1： 支持单张图片识别
功能2： 支持遍历文件夹识别
功能3： 支持识别视频文件
功能4： 支持摄像头识别
功能5： 支持结果文件导出（xls格式）
功能6： 支持切换检测到的目标查看

更多的其他功能可以通过下方视频演示查看。

基于深度学习的茶叶等级检测识别系统（yolov8）

🌟 一、数据集介绍

已经分好 train、val、test文件夹，也提供转好的yolo格式的标注文件，可以直接使用。

在这里插入图片描述

🌟 二、深度学习算法介绍

本系统集成了多个不同的算法版本和界面版本，以下是对这些版本的概述：

算法版本方面，系统提供了多种深度学习算法和传统图像处理技术，用户可以选择最合适的算法进行任务处理。此外，各算法版本经过严格的测试和优化，以提供更高的准确率和效率。

在界面版本方面，系统设计了多种用户界面风格，可以选择简约、直观的界面，快速上手进行操作；也可以选择功能丰富的专业界面，满足复杂任务的需求。界面设计注重用户体验，确保用户在操作过程中能够方便地访问各种功能。

此外，系统还支持实时更新和扩展，可以根随时添加新的算法模块或界面选项。这种灵活性不仅提高了系统的适用性，也为未来的技术发展预留了空间。

总之，本系统通过多个算法和界面版本的组合，提供了丰富的选择和强大的功能。

下面是对包含到的算法的大概介绍：

1. yolov8相关介绍

YOLOv8 是当前深度学习领域内的一个SOTA（State-Of-The-Art）模型，凭借其前代版本的技术积累，再次引领了目标检测算法的发展方向。与其前辈不同，YOLOv8在模型结构和计算方式上都做了创新性调整，旨在实现更高效的计算和更灵活的应用场景适应能力。全新的骨干网络设计，结合Anchor-Free 检测头，让模型在面对不同输入尺寸、不同目标尺度时的表现更加出色，极大提升了性能和准确性。

此外，YOLOv8 的另一个重要进步在于它采用了全新的损失函数，使得训练过程更加稳定和高效。无论是在传统的CPU平台上运行，还是在更强大的GPU平台上进行加速，YOLOv8 都能够适应不同硬件资源的场景，确保在各种场合下保持高效的推理速度和精确的检测能力。

不过，值得注意的是，ultralytics 这一开发团队并没有直接将其开源库命名为 YOLOv8，而是采用了ultralytics的品牌名来命名整个项目。这并非单纯的命名策略，而是反映了其定位的重大变化。ultralytics 将这个库不仅视为一个算法框架，而非仅仅一个 YOLO 版本的延续。其设计目标之一是打造一个能够适应不同任务的算法平台，无论是目标检测、分类、分割，还是姿态估计，都能够在这个框架中被高效地支持。

这也意味着，未来的ultralytics 开源库将不仅限于 YOLO 系列，它的可扩展性为用户提供了更大的可能性。无论是使用非 YOLO 系列模型，还是面对不同应用领域的特定需求，ultralytics都提供了灵活且高效的解决方案。

总的来说，ultralytics 开源库 的优势可以归纳为以下几个要点：

融合当前最前沿的深度学习技术，让用户可以轻松实现复杂的计算任务。
具有极高的扩展性，未来将不仅支持 YOLO 系列，还会支持更多非 YOLO 的算法，适用于广泛的任务场景。

如此一来，ultralytics 不仅能够帮助开发者在算法研究和工程应用上取得突破，更能推动未来智能视觉领域的进一步发展。

在这里插入图片描述

网络结构如下：
在这里插入图片描述

2. yolov5相关介绍

YOLOV5有YOLOv5n，YOLOv5s，YOLOv5m，YOLOV5l、YOLO5x五个版本。这个模型的结构基本一样，不同的是deth_multiole模型深度和width_multiole模型宽度这两个参数。就和我们买衣服的尺码大小排序一样，YOLOV5n网络是YOLOV5系列中深度最小，特征图的宽度最小的网络。其他的三种都是在此基础上不断加深，不断加宽。不过最常用的一般都是yolov5s模型。
在这里插入图片描述

本系统采用了基于深度学习的目标检测算法YOLOv5，该算法是YOLO系列算法的较新版本，相比于YOLOv3和YOLOv4，YOLOv5在检测精度和速度上都有很大的提升。YOLOv5算法的核心思想是将目标检测问题转化为一个回归问题。此外，YOLOv5还引入了一种称为SPP(Spatial Pyramid Pooling)的特征提取方法，这种方法可以在不增加计算量的情况下，有效地提取多尺度特征，提高检测性能。

在YOLOv5中，首先将输入图像通过骨干网络进行特征提取，得到一系列特征图。然后，通过对这些特征图进行处理，将其转化为一组检测框和相应的类别概率分数，即每个检测框所属的物体类别以及该物体的置信度。YOLOv5中的特征提取网络使用CSPNet(Cross Stage Partial Network)结构，它将输入特征图分为两部分，一部分通过一系列卷积层进行处理，另一部分直接进行下采样，最后将这两部分特征图进行融合。这种设计使得网络具有更强的非线性表达能力，可以更好地处理目标检测任务中的复杂背景和多样化物体。

在这里插入图片描述

在YOLOv5中，每个检测框通过其左上角坐标（x, y）、宽度（w）、高度（h）以及置信度（confidence）来表示。此外，YOLOv5对于每个检测框还会预测C个类别的概率得分，每个类别的概率得分总和为1。这意味着每个检测框最终可以被表示为一个维度为(C+5)的向量，包括类别概率、位置和置信度信息。

在训练过程中，YOLOv5使用了交叉熵损失函数来优化模型，该损失函数由定位损失、置信度损失和分类损失三个部分组成。YOLOv5还采用了Focal Loss和IoU Loss等优化方法，以缓解正负样本不平衡及目标尺寸变化等问题。这些优化不仅提高了模型的准确性，还改善了在不同尺寸目标下的表现。

从网络结构来看，YOLOv5分为四个主要部分：Input（输入）、Backbone（骨干网络）、Neck（颈部结构）和Prediction（预测）。其中，Input部分负责将数据引入网络，采用了Mosaic数据增强技术，能够通过随机裁剪和拼接输入图片，进一步提升网络的泛化能力。

Backbone部分是YOLOv5提取图像特征的关键模块，其特征提取能力直接影响了整个模型的性能表现。相比前代YOLOv4，YOLOv5在Backbone中引入了Focus结构。Focus结构通过切片操作将图片的宽度(W)和高度(H)信息转移到通道空间中，从而实现了2倍的下采样操作，同时保证了不丢失关键信息。

3. PyQt5介绍

PyQt5 是 Python 语言的一个图形用户界面（GUI）开发框架，基于 Qt库 开发而成。Qt 是一个广泛使用的跨平台 C++ 图形库，支持开发适用于 Windows、macOS、Linux 等多个操作系统的应用程序。PyQt5 提供了对 Qt 类库的完整封装，使开发者可以使用 Python 语言构建功能强大、界面美观的桌面应用。

PyQt5 包含了丰富的组件，如窗口、按钮、文本框、表格等，可以通过拖拽和代码的方式快速布局，极大地简化了 GUI 开发流程。同时，它还支持 事件处理 和 信号与槽机制，使得用户与界面之间的交互更加灵活。

通过 PyQt5，开发者能够轻松实现跨平台桌面应用，同时结合 Python 的易用性和 Qt 的强大功能，既适合初学者学习 GUI 编程，也适合资深开发者进行复杂项目的开发。

🌟 四、模型训练步骤

使用pycharm打开代码，找到train.py打开，示例截图如下：
修改 model_yaml 的值，以符合实际情况。如果你打算训练 YOLOv8s 模型，请将其修改为 model_yaml = yaml_yolov8s。如果你想训练添加 SE注意力机制 的模型，请将其修改为 model_yaml = yaml_yolov8_SE。
修改 data_path 的数据集路径。这里默认指定的是 traindata.yaml 文件。如果你使用的是我提供的数据，可以不用修改。

修改 model.train() 中的参数，根据自己的需求和电脑硬件的情况进行调整。

# 文档中对参数有详细的说明
model.train(data=data_path,             # 数据集imgsz=640,                  # 训练图片大小epochs=200,                 # 训练的轮次batch=2,                    # 训练batchworkers=0,                  # 加载数据线程数device='0',                 # 使用显卡optimizer='SGD',            # 优化器project='runs/train',       # 模型保存路径name=name,                  # 模型保存命名)

修改traindata.yaml文件，打开 traindata.yaml 文件，如下所示：

在这里，只需修改 path 的值，其他的都不用改动（仔细看上面的黄色字体），我提供的数据集默认都是到 yolo 文件夹，设置到 yolo 这一级即可，修改完后，返回 train.py 中，执行train.py。
打开 train.py ，右键执行。
出现如下类似的界面代表开始训练了
训练完后的模型保存在runs/train文件夹下

🌟 五、模型评估步骤

打开val.py文件，如下图所示：
修改 model_pt 的值，是自己想要评估的模型路径
修改 data_path ，根据自己的实际情况修改，具体如何修改，查看上方模型训练中的修改步骤

修改 model.val()中的参数，按照自己的需求和电脑硬件的情况更改

model.val(data=data_path,           # 数据集路径imgsz=300,                # 图片大小，要和训练时一样batch=4,                  # batchworkers=0,                # 加载数据线程数conf=0.001,               # 设置检测的最小置信度阈值。置信度低于此阈值的检测将被丢弃。iou=0.6,                  # 设置非最大抑制 (NMS) 的交叉重叠 (IoU) 阈值。有助于减少重复检测。device='0',               # 使用显卡project='runs/val',       # 保存路径name='exp',               # 保存命名)

修改完后，即可执行程序，出现如下截图，代表成功（下图是示例，具体以自己的实际项目为准。）
评估后的文件全部保存在在 runs/val/exp... 文件夹下

🌟 六、训练结果

我们每次训练后，会在 run/train 文件夹下出现一系列的文件，如下图所示：
在这里插入图片描述

如果大家对于上面生成的这些内容（confusion_matrix.png、results.png等）不清楚是什么意思，可以参考一下我写的文档，查看这些指标的具体含义，示例截图如下：

在这里插入图片描述

结束语 🌟 🌟🌟🌟

下面图片是对每个文件夹作用的介绍：

在这里插入图片描述

其实用yolo算法做系统非常的简单，但是博客文字有限，如果有介绍不明白的地方，也可以看一下下面的视频，也许会更容易理解。

视频里介绍了，如何进行训练、预测，简单修改界面等。

演示与介绍视频： 【基于深度学习的茶叶等级检测识别系统（yolov8）】

演示与介绍视频：【基于深度学习的茶叶等级检测识别系统（yolov5）】

由于博主的能力有限，文中提到的方法虽经过实验验证，但难免存在一些不足之处。为不断提升内容的质量与准确性，欢迎您指出任何错误和疏漏。这不仅将帮助我在下次更新时更加完善和严谨，也能让其他读者受益。您的反馈对我至关重要，能够推动我进一步完善相关内容。

此外，如果您有更优秀的实现方案或独到的见解，也非常欢迎分享。这将为大家提供更多思路与选择，促进我们共同的成长与进步。期待您的宝贵建议与经验交流，非常感谢您的支持！

基于yolov8、yolov5的茶叶等级检测识别系统（含UI界面、训练好的模型、Python代码、数据集）

摘要：茶叶等级检测在茶叶生产、质量控制和市场销售中起着至关重要的作用，不仅能帮助相关部门实时监测茶叶质量，还为智能化检测系统提供了可靠的数据支撑。本文介绍了一款基于YOLOv8、YOLOv5等深度学习框架的茶叶等级检测模型，该模…...

编程日记 2025/7/27 13:11:30

Excel求和如何过滤错误值

一、问题的提出平时，我们在使用Excel时，最常用的功能就是求和了，一说到求和你可能想到用sum函数，但是如果sum的求和区域有#value #Div等错误值怎么办？如下图，记算C列中工资的总和。直接用肯定会报错&…...

编程日记 2025/7/25 9:59:35

头文件包含

大家好，今天我们来聊聊头文件包含这方面的知识，并且在这里提出几个问题，头文件多次包含有什么影响吗？“”和〈〉这两种方式都能包含标准头文件吗？ 一.文件包含 #include指令可以使另外一个文件被编译。就像它实际出现…...

编程日记 2025/7/25 11:48:22

37_U-Net网络详解

1.U-Net 网络概述 U-Net 是一种深度学习模型，广泛用于图像的语义分割任务。U-Net 网络的结构特别适合医学影像分割，尤其在少量训练数据的情况下表现优异。该网络由一个编码器-解码器架构组成，具有对称的“U”形结构，因此得名为 U…...

编程日记 2025/7/24 11:54:41

fastapi入门

好的，我将为您生成一个更详细、易于理解的 FastAPI 入门学习文档，特别是对复杂概念（如依赖注入）进行深入解释，帮助您在没有太多基础的情况下也能顺利学习和掌握 FastAPI。 FastAPI 入门学习文档目录简介环境搭建 2…...

编程日记 2025/7/27 13:05:53

RabbitMQ 之死信队列

一、死信的概念先从概念解释上搞清楚这个定义，死信，顾名思义就是无法被消费的消息，字面意思可以这样理解，一般来说，producer 将消息投递到 broker 或者直接到 queue 里了，consumer 从 queue 取出消息进行…...

编程日记 2025/7/27 13:09:31

Android-如何实现Apng动画播放

01 Apng是什么 Apng（Animated Portable Network Graphics）顾名思义是基于 PNG 格式扩展的一种动画格式，增加了对动画图像的支持，同时加入了 24 位图像和8位 Alpha 透明度的支持，并且向下兼容 PNG。 Google封面图 02 A…...

编程日记 2025/7/27 13:02:20

微服务系统架构图

微服务架构是一种将单一应用程序开发为一组小型服务的架构风格。每个服务都在自己的进程中运行，它们之间采用轻量级的通信机制（如 HTTP/REST 或消息队列）进行相互协作。以下是关于微服务系统架构的简要介绍：一、核心特点独立部署 …...

编程日记 2025/7/26 5:31:43

04 —— Webpack打包CSS代码

编程日记 2025/7/25 3:04:33

【数据结构专栏】二叉搜索树(Binary Search Tree)的剖析？

文章目录 🧨前言1、二叉搜索树的基本概念？2、二叉搜索树的节点结构组成？3、二叉搜索树的插入操作？4、二叉搜索树的删除操作？5、二叉搜索树的遍历？ 6、二叉搜索树的性能分析？ 🎉完整代…...

编程日记 2025/7/26 1:50:32

SSM全家桶 1.Maven

或许总要彻彻底底地绝望一次才能重新再活一次 —— 24.11.20 maven在如今的idea中已经实现自动配置，不需要我们手动下载一、Maven的简介和快速入门 Maven 是一款为 Java 项目构建管理、依赖管理的工具(软件)，使用 Maven 可以自动化构建测试、打包和发…...

编程日记 2025/7/26 14:23:49

前端三剑客（二）：CSS

目录 1. CSS 基础 1.1 什么是 CSS 1.2 语法格式 1.3 引入方式 1.3.1 行内样式 1.3.2 内部样式 1.3.3 外部样式 1.4 CSS 编码规范 2. 选择器 2.1 标签选择器 2.2 id 选择器 2.3 class 选择器(类选择器) 2.4 复合选择器 2.5 通配符选择器 3. 常用 CSS 样式 3.1 c…...

编程日记 2025/7/26 9:37:47

解析html将表格插入word文档

用到依赖包 <dependency><groupId>org.jsoup</groupId><artifactId>jsoup</artifactId><version>1.15.2</version></dependency><dependency><groupId>org.aspectj</groupId><artifactId>aspectjweav…...

编程日记 2025/7/26 0:48:29

Java核心知识详解：String类、StringBuffer、数组及日期时间的全面解析

🚀 作者 ：“码上有前” 🚀 文章简介 ：Java 🚀 欢迎小伙伴们点赞👍、收藏⭐、留言💬 标题 Java核心知识详解：String类、StringBuffer、数组及日期时间的全面解析摘要在Java中…...

编程日记 2025/7/27 6:25:53

唯一设备序列号（UID）、唯一产品识别码（UPI）和备份寄存器BKP

文章目录一、唯一设备序列号UID二、唯一产品识别码UPI三、备份寄存器BKP 一、唯一设备序列号UID MCU 系列产品内置两个不同长度的唯一设备序列号，分别为 96 位的 UID(Unique device ID)和 128 位的UCID(Unique Customer ID)，这两个设备序列号存放在闪存…...

编程日记 2025/7/26 23:16:52

Kafka - 消费者程序仅消费一半分区消息的问题

1. 问题描述修改安全服务状态有时逻辑正常有时候逻辑不正常，排查incident服务的日志发现消息可以正常发送到 kafka topic ，但是incident-cron 服务有时候有拉取消息的日志有时候没有日志。 kafka 生产者可以将消息正常发送到 kafka topic &#xff0c…...

编程日记 2025/7/25 19:53:27

养老院管理系统+小程序项目需求分析文档

智慧综合养老服务平台是以业务为牵引、场景为驱动，围绕“老人”业务域，持续沉淀和打磨形成适应不同养老业务发展需要的业务能力，推动业务模式升级，为养老服务提供数字化解决方案，并依托实体站点与养老机构实现线上线下…...

编程日记 2025/7/20 6:48:22

K8s 下通过prometheus监控 nginx

k8s 下有两个版本的nginx ingress 分别是 ingress nginx 以及 nginx ingress Ingress-nginx 与 Nginx-ingress - LeoZhanggg - 博客园这里我讨论的是 nginx ingress Nginx Ingress 使用Prometheus 导出数据 nginx ingress 本身支持通过支持这个提供prometheus 格式的…...

编程日记 2025/7/23 5:13:52

基于SpringBoot的京东绿谷旅游信息服务平台设计与实现（源码+定制+开发）

博主介绍： ✌我是阿龙，一名专注于Java技术领域的程序员，全网拥有10W粉丝。作为CSDN特邀作者、博客专家、新星计划导师，我在计算机毕业设计开发方面积累了丰富的经验。同时，我也是掘金、华为云、阿里云、InfoQ等平台…...

编程日记 2025/7/27 7:08:30

使用Redis生成全局唯一id

为了生成一个符合要求的分布式全局ID，我们可以使用 StringRedisTemplate 来实现。这个ID由三部分组成： 符号位（1 bit）：始终为0，表示正数。时间戳（31 bit）：表示从某个起始…...

编程日记 2025/7/21 10:58:10

pytorch自定义算子导出onnx

文章目录 1、为什么要自定义算子？2、如何自定义算子3、自定义算子导出onnx4、example1、重写一个pytorch 自定义算子（实现自定义激活函数）2、现有算子上封装pytorch 自定义算子（实现动态放大超分辨率模型） 1、为什么要…...

编程日记 2025/7/27 1:45:34

从搭建uni-app+vue3工程开始

技术栈 uni-app、vue3、typescript、vite、sass、uview-plus、pinia、axios 一、项目搭建 1、创建以 typescript 开发的工程 npx degit dcloudio/uni-preset-vue#vite-ts my-vue3-project2、安装sass npm install -D sass// 安装sass-loader，注意需要版本10&…...

编程日记 2025/7/26 22:54:33

波点音乐自动点击

波点音乐 import uiautomator2 as u2 import time import sys import os# 动态点击时间，打印剩余时间 def dynamic_sleep(seconds):wait_time secondsfor i in range(wait_time):print(f"Waiting... {wait_time - i} seconds remaining")sys.stdout.flu…...

编程日记 2025/7/23 12:09:28

【一篇搞定配置】wget 下载与安装（Window）

🌈 个人主页：十二月的猫-CSDN博客 🔥 系列专栏： 🏀各种软件安装与配置_十二月的猫的博客-CSDN博客 💪🏻 十二月的寒冬阻挡不了春天的脚步，十二点的黑夜遮蔽不住黎明的曙光目录 1.…...

编程日记 2025/7/20 1:25:42

2025年春招修订版《C/C++笔面试系列》(1) C语言经典笔面试题(上)

C语言是嵌入式开发的常用语言，也是主要语言，很多企业在招聘嵌入式软件工程师时，C语言的熟练程度是一个重要考察点。笔试也是以C语言为主，所以想要拿到面试机会，还得通过C语言笔试，本专题总结了各大企业C语言…...

编程日记 2025/7/21 8:51:00

【042C】基于51RFID门禁系统（LCD12864显示）【Proteus仿真+Keil程序+报告+原理图】

☆、设计硬件组成：51单片机最小系统RFID读卡器4*4矩阵键盘AT24C02存储芯片LCD12864液晶显示继电器蜂鸣器LED灯。 1、设计采用STC89C52、AT89C52、AT89S52作为主控芯片，采用LCD12864液晶显示屏实时显示门禁系统； 2、系统集成两种解锁方式&am…...

编程日记 2025/7/25 14:39:39

scratch二次开发：blockly工作区垃圾桶和进度条的隐藏和显示

大家好，我是小黄。本期给大家介绍的内容是实现blockly工作区的垃圾桶和进度条的显示和隐藏实现。本次基于的项目源码大家可以关注小黄回复垃圾桶自行获取。一.垃圾桶的显示和实现。在blockly中，我们进行块的删除的时候最常用的两种方法是&#xf…...

编程日记 2025/7/24 15:24:49

【STM32】MPU6050初始化常用寄存器说明及示例代码

一、MPU6050常用配置寄存器 1、电源管理寄存器1（ PWR_MGMT_1 ） 此寄存器允许用户配置电源模式和时钟源。 DEVICE_RESET ：用于控制复位的比特位。设置为1时复位 MPU6050，内部寄存器恢复为默认值，复位结束…...

编程日记 2025/7/25 1:21:03

LDR6020驱动的Type-C接口显示器解决方案

一、引言随着科技的飞速发展，Type-C接口凭借其高速数据传输、强大的电力传输能力以及便捷的正反可插设计，正逐渐成为现代电子设备的主流接口标准。在显示器领域，Type-C接口的引入不仅简化了线缆连接，还为用户带来了更丰富的功能…...

编程日记 2025/7/25 23:36:36

Spring Boot + Android 实现登录功能

在移动互联网的今天，许多应用需要通过移动端实现与服务器的交互功能，其中登录是最常见且基础的一种功能。通过登录，用户可以获得独特的身份标识，从而访问特定的资源或服务。本篇博客将详细介绍如何使用 Spring Boot 和 Android 实…...

编程日记 2025/7/27 10:29:13

【通俗理解】边际化技巧在概率论中的应用——从公式到实例

【通俗理解】边际化技巧在概率论中的应用——从公式到实例关键词提炼 #边际化技巧 #概率论 #联合概率 #条件概率 #积分计算 #概率分布 #贝叶斯推断第一节：边际化技巧的类比与核心概念【尽可能通俗】边际化技巧，就像是你在一个复杂的概率迷宫中&am…...

编程日记 2025/7/25 7:41:15

Chen_AdaMV-MoE_Adaptive_Multi-Task_Vision_Mixture-of-Experts 译文

摘要稀疏激活的专家混合（MoE）正在成为多任务学习（MTL）的一个有前途的范例。 MoE 不是将多个任务的知识压缩到单个模型中，而是分离参数空间，仅利用给定任务类型及其输入的相关模型片段，从而提供…...

编程日记 2025/7/23 16:30:37

多线程下使用数据库 - 20241124

问题并发性较低，每秒千次但是较高一致性，比如利用数据库中的数据进行判断是否执行某个操作存在的问题是，如何只锁定判断相关的数据，而不影响数据库操作无关数据。脏读/不可重复读/幻读解决方案利用数据InnoDB引擎的LBCC和…...

编程日记 2025/7/25 18:23:58

GMAN解读（论文+代码）

一、注意力机制注意力机制与传统的卷积神经网络不同的是，前者擅长捕获全局依赖和长程关系，权重会动态调整。而后者对于所有特征都使用同一个卷积核。关于更多注意力机制内容，详见： 注意力机制、自注意力机制、多头注意力机制、通…...

编程日记 2025/7/24 19:45:43

《文件操作》

一 . 文本文件和二进制文件根据数据的组织形式，数据文件被分为了二进制文件和文本文件数据在内存中是以二进制的形式存储，如果不加转换的输出到外存的文件中，就是二进制文件。如果要求在外存上以ASCII 码的形式存储，则需要再存…...

编程日记 2025/7/24 18:14:06

【君正T31开发记录】8.了解rtsp协议及设计模式

前边搞定了驱动，先不着急直接上手撸应用层的代码，先了解一下大致要用到的东西。设计PC端先用vlc rtsp暂时H264编码（vlc好像不支持h265,这个后边我试试）的视频流，先需要支持上rtsp server，了解rtsp协议是必…...

编程日记 2025/7/23 6:02:17

C++菜鸟教程 - 从入门到精通第三节

上节课的题上节课的题,大家都做出来了吗? 看一下这道题: 题目描述 N!1*2*...*N; 例5!1*2*3*4*5120. 编程求1!2!3!...N!. 输入输入一行，只有一个整数n (1<n<10) 输出输出只有一行（这意味着末尾有一个回车符号），包括1…...

编程日记 2025/7/27 1:21:19

原生JS和CSS，HTML实现开屏弹窗

开屏弹窗常应用于打开游戏，或者打开网站的时候，跳出来在正中间，来显示一些信息，并可以设置今日不再显示 CSS代码如下 <style>#box {width: 100vw;height: 100vh;background-color: rgba(0, 0, 0, 0.2);position: relative…...

编程日记 2025/7/25 7:43:09

微软发布Win11 24H2系统11月可选更新KB5046740！

系统之家11月22日报道，微软针对Win11 24H2系统推出2024年11月最新可选更新补丁KB5046740，更新后系统版本后升至26100.2454，此次更新后修复当应用程序以PDF和XLSX格式导出图表对象时停止响应、无法使用API查找旋转信息等问题。以下小编将给大家…...

编程日记 2025/7/26 3:37:01

【Rabbitmq篇】高级特性----TTL，死信队列，延迟队列

目录一.TTL 1.设置消息的TTL 2.设置队列的TTL 3.俩者区别二.死信队列定义： 消息成为死信的原因： 1.消息被拒绝（basic.reject 或 basic.nack） 2.消息过期（TTL） 3.队列达到最大长度编辑 …...

编程日记 2025/7/25 21:43:47

【Linux】gcc/g++使用

编译我们知道，gcc只能编译C，g既能编译C，也能编译C。由于两者的选项是相同的，这里我们使用gcc来说明。这就是一个我们在linux中gcc编译一段代码后会自动生成一个a.out为名的可执行文件，然后我们./a.out&#xff0c…...

编程日记 2025/7/21 19:53:52

IDEA2023 SpringBoot整合MyBatis（三）

一、数据库表 CREATE TABLE students (id INT AUTO_INCREMENT PRIMARY KEY,name VARCHAR(100) NOT NULL,age INT,gender ENUM(Male, Female, Other),email VARCHAR(100) UNIQUE,phone_number VARCHAR(20),address VARCHAR(255),date_of_birth DATE,enrollment_date DATE,cours…...

编程日记 2025/7/26 14:04:34

项目介绍

前言

目录

功能展示：

🌟 一、数据集介绍

🌟 二、深度学习算法介绍

1. yolov8相关介绍

2. yolov5相关介绍

3. PyQt5介绍

🌟 四、模型训练步骤

🌟 五、模型评估步骤

🌟 六、训练结果

结束语 🌟 🌟🌟🌟

相关文章：