weekmodel
1. KeypointDetection
1.1. CharPointDetection
识别字符中的俩个关键点。
1.2. Facial-keypoints-detection
用于检测人脸的68个关键点示例。
1.3. Hourglass-facekeypoints
使用基于论文Hourglass 的模型实现人体关键点检测。
1.4. Realtime-Action-Recognition
containing: - boxes (
Tensor[N, 4]
): the ground-truth boxes in[x0, y0, x1, y1]
format, with values between0
andH
and0
andW
- labels (Tensor[N]
): the class label for each ground-truth box - keypoints (Tensor[N, K, 3]
): theK
keypoints location for each of theN
instances, in the format[x, y, visibility]
, wherevisibility=0
means that the keypoint is not visible.The model returns a
Dict[Tensor]
during training, containing the classification and regression losses for both the RPN and the R-CNN, and the keypoint loss.
During inference, the model requires only the input tensors, and returns the post-processed
predictions as a
List[Dict[Tensor]]
, one for each input image. The fields of theDict
are asfollows:
- boxes (
Tensor[N, 4]
): the predicted boxes in[x0, y0, x1, y1]
format, with values between
0
andH
and0
andW
- labels (
Tensor[N]
): the predicted labels for each image - scores (
Tensor[N]
): the scores or each prediction - keypoints (
Tensor[N, K, 3]
): the locations of the predicted keypoints, in[x, y, v]
format.
2. Classification
2.1 image_classification
使用pretain resnet系列模型进行五种花卉识别。结果比较清晰。
2.2. yolo5_helmetDetect
基于Yolo5 进行的安全帽检测;
学习了yolo5 模型的使用,学习了使用yolo5进行自定义数据集使用;学习yolo5数据集标注形式,并使用yolo5进行数据集标注生成;
2.3. pytorch_classification
2.4. 驾驶员状态检测
- https://github.com/Yifeng-He/Distracted-Driver-Detection-with-Deep-Learning
- The dataset contains 22,424 images which belongs to one of the 10 classes given below;
c0: safe driving
c1: texting - right
c2: talking on the phone - right
c3: texting - left
c4: talking on the phone - left
c5: operating the radio
c6: drinking
c7: reaching behind
c8: hair and makeup
c9: talking to passenger
2.5. Pytorch GoodStructure
2.5.1. CNN_LSTM
下次进行代码开发,可以采用这种方式。
2.6. 人脸识别
2.6.1. Face_recognition 库
- G:\weakmodel\weeklystudy\faceRecognition
2.6.2. SeetaFace6
- G:\weakmodel\weeklystudy\faceRecognition\seetaFace6Python
2.6.3 眼部跟踪
- G:\weakmodel\weeklystudy\faceRecognition\eyetracking 该目录记录眼部追踪处理相关demo。
2. NLP relative
2.1. textclassify
- 学习了 通过gensin库训练 word2Vec模型;
- 学习了通过sklearn.linear_model进行ML相关操作;
- movierecommand 使用pyspark进行ALS 推荐;
- movieComment 使用nltk库进行分词,使用sklearn.feature_extraction.text库进行文本特征处理,并使用相关模型;
- hospitalEmotion 使用sklearn.linear_model进行 pos,neg 分类;
- crimeanalyse 使用pyspark 进行犯罪类别的分类,使用了各种学习模型;
- jobrequ.ipynb: 自己学习编写的 pyspark ML 使用,以及自定义函数UDF使用;
3. 前端
3.1. Book-Management-System
- 基本代码都有了,学习只关注了flask那登录到主页那部分,其他的处理逻辑没有具体细看。如果不考虑css中 layui 如何使用;
- 以后自己写python的管理系统,基于这个代码修改;
- 登录,数据库连接,请求啥的都齐全了;
- 后续自己编写相关系统的时候可以具体在学习 block 块使用规则。
- 项目效果; 如果做
物联网可以添加卡片式的那种显示效果
;
3.2. BookManageSystem
- https://github.com/withstars/Books-Management-System
- 技术选择: spring+ spring mvc+ jdbc template
3.3 LibrayManageSystem
- LibrarySystem
- 前端用bootstrap框架搭建ui+ajax异步请求,后台用SSH+Quartz框架搭建的图书管理系统。
3.4. 电子相册
1. 3Dalbum-master
2. 3DRotatePhote
3.5. python qt 教程
1. qt UI 主题
- G:\weakmodel\weeklystudy\QDarkStyleSheet
2. TCP&UDP通信
3. 基于PyQt 电影天堂 爬虫
基本代码思路可以参考,原始代码爬虫出现问题;
4. Raspberry
4.1. Vision Related
- 目录结构功能如下:
4.2. fruitnanny
- 基于树莓派婴儿监控系统
- 通过解析print数据实现python和js通信;
4.3. [cortex-license-plate-reader-client](D:\work_OneNote\OneDrive - tju.edu.cn\work_project\hardware\cortex-license-plate-reader-client)
- python 上传api请求推理结果
- 图片进行编码上传
- gps模块处理函数,使用线程的方式进行处理
- 使用若干worker并行处理,多线程方式的使用