目标检测检出率，误检率，ap，map等评估python代码

1.deepseek版本

import numpy as np
from collections import defaultdictdef calculate_iou(box1, box2):"""计算两个边界框的交并比（IoU）:param box1: [x1, y1, x2, y2]:param box2: [x1, y1, x2, y2]:return: IoU"""# 计算交集区域x1_min, y1_min, x1_max, y1_max = box1x2_min, y2_min, x2_max, y2_max = box2inter_x1 = max(x1_min, x2_min)inter_y1 = max(y1_min, y2_min)inter_x2 = min(x1_max, x2_max)inter_y2 = min(y1_max, y2_max)# 计算交集面积inter_width = max(0, inter_x2 - inter_x1)inter_height = max(0, inter_y2 - inter_y1)inter_area = inter_width * inter_height# 计算并集面积box1_area = (x1_max - x1_min) * (y1_max - y1_min)box2_area = (x2_max - x2_min) * (y2_max - y2_min)union_area = box1_area + box2_area - inter_area# 避免除以零iou = inter_area / union_area if union_area > 0 else 0.0return ioudef evaluate_detection(gt_dict, pred_dict, class_list, iou_threshold=0.5):"""评估目标检测模型性能:param gt_dict: 真实标注字典 {image_id: {'boxes': [[x1,y1,x2,y2], ...], 'labels': [label1, ...]}}:param pred_dict: 预测结果字典 {image_id: {'boxes': [[x1,y1,x2,y2], ...], 'scores': [score1, ...], 'labels': [label1, ...]}}:param class_list: 所有类别ID列表:param iou_threshold: IoU阈值:return: 评估结果字典"""# 初始化存储结构results = {'mAP': 0.0,'per_class': {}}# 为每个类别初始化存储for class_id in class_list:results['per_class'][class_id] = {'AP': 0.0,             # 平均精度'Recall': 0.0,         # 检出率'FPR': 0.0,            # 误检率'Precision': 0.0,      # 精确率'TP': 0,               # 真正例'FP': 0,               # 假正例'FN': 0,               # 假负例'gt_count': 0,         # 真实框总数'pred_count': 0        # 预测框总数}# 存储每个类别的所有预测信息（用于AP计算）class_preds = {class_id: [] for class_id in class_list}# 第一步：遍历所有图像，收集匹配结果all_image_ids = set(gt_dict.keys()) | set(pred_dict.keys())for img_id in all_image_ids:# 获取当前图像的标注和预测gt_ann = gt_dict.get(img_id, {'boxes': [], 'labels': []})pred_ann = pred_dict.get(img_id, {'boxes': [], 'scores': [], 'labels': []})# 按类别组织真实框gt_boxes_by_class = {class_id: [] for class_id in class_list}for box, label in zip(gt_ann['boxes'], gt_ann['labels']):if label in class_list:gt_boxes_by_class[label].append(box)results['per_class'][label]['gt_count'] += 1# 按类别组织预测框pred_boxes_by_class = {class_id: [] for class_id in class_list}for box, score, label in zip(pred_ann['boxes'], pred_ann['scores'], pred_ann['labels']):if label in class_list:pred_boxes_by_class[label].append((box, score))results['per_class'][label]['pred_count'] += 1# 对每个类别单独处理for class_id in class_list:gt_boxes = gt_boxes_by_class[class_id]pred_boxes = pred_boxes_by_class[class_id]# 如果没有预测框，所有真实框都是FNif len(pred_boxes) == 0:results['per_class'][class_id]['FN'] += len(gt_boxes)continue# 如果没有真实框，所有预测框都是FPif len(gt_boxes) == 0:results['per_class'][class_id]['FP'] += len(pred_boxes)# 记录FP用于AP计算for box, score in pred_boxes:class_preds[class_id].append((score, 0))  # 0表示FPcontinue# 按置信度降序排序预测框pred_boxes_sorted = sorted(pred_boxes, key=lambda x: x[1], reverse=True)# 初始化匹配矩阵gt_matched = [False] * len(gt_boxes)pred_matched = [False] * len(pred_boxes_sorted)# 尝试匹配每个预测框for pred_idx, (pred_box, score) in enumerate(pred_boxes_sorted):best_iou = 0.0best_gt_idx = -1# 寻找最佳匹配的真实框for gt_idx, gt_box in enumerate(gt_boxes):if gt_matched[gt_idx]:continueiou = calculate_iou(pred_box, gt_box)if iou > best_iou:best_iou = ioubest_gt_idx = gt_idx# 检查是否超过IoU阈值if best_iou >= iou_threshold:gt_matched[best_gt_idx] = Truepred_matched[pred_idx] = Trueclass_preds[class_id].append((score, 1))  # 1表示TPelse:class_preds[class_id].append((score, 0))  # 0表示FP# 统计当前图像的结果results['per_class'][class_id]['TP'] += sum(pred_matched)results['per_class'][class_id]['FP'] += len(pred_matched) - sum(pred_matched)results['per_class'][class_id]['FN'] += len(gt_matched) - sum(gt_matched)# 第二步：计算每个类别的指标aps = []for class_id in class_list:class_data = results['per_class'][class_id]tp = class_data['TP']fp = class_data['FP']fn = class_data['FN']gt_count = class_data['gt_count']pred_count = class_data['pred_count']# 计算检出率（Recall）recall = tp / (tp + fn) if (tp + fn) > 0 else 0.0# 计算误检率（FPR）# 注意：在目标检测中，负样本是无穷的，这里使用近似计算# FPR = FP / (FP + TN) ≈ FP / (所有非目标区域)# 我们使用每张图像的平均预测数作为分母的近似num_images = len(all_image_ids)fpr = fp / (fp + num_images * 100)  # 假设每张图像有100个潜在负样本区域# 计算精确率（Precision）precision = tp / (tp + fp) if (tp + fp) > 0 else 0.0# 计算AP（Average Precision）ap = 0.0pred_records = class_preds[class_id]if pred_records:# 按置信度降序排序pred_records_sorted = sorted(pred_records, key=lambda x: x[0], reverse=True)# 计算累积TP和FPcum_tp = 0cum_fp = 0precisions = []recalls = []for score, is_tp in pred_records_sorted:cum_tp += is_tpcum_fp += (1 - is_tp)p = cum_tp / (cum_tp + cum_fp) if (cum_tp + cum_fp) > 0 else 0r = cum_tp / gt_count if gt_count > 0 else 0precisions.append(p)recalls.append(r)# 平滑PR曲线（保证单调递减）for i in range(len(precisions)-2, -1, -1):precisions[i] = max(precisions[i], precisions[i+1])# 计算AP（PR曲线下面积）ap = 0for i in range(1, len(recalls)):if recalls[i] != recalls[i-1]:ap += (recalls[i] - recalls[i-1]) * precisions[i]# 更新结果class_data['Recall'] = recallclass_data['FPR'] = fprclass_data['Precision'] = precisionclass_data['AP'] = apaps.append(ap)# 计算mAP（所有类别AP的平均）results['mAP'] = sum(aps) / len(aps) if aps else 0.0return results# 示例用法
if __name__ == "__main__":# 示例数据class_list = [0, 1, 2]  # 类别ID列表# 真实标注（模拟数据）gt_dict = {'img1': {'boxes': [[10, 10, 50, 50], [30, 30, 70, 70]], 'labels': [0, 1]},'img2': {'boxes': [], 'labels': []},  # 真实框为空'img3': {'boxes': [[20, 20, 60, 60]], 'labels': [2]},'img4': {'boxes': [[15, 15, 55, 55]], 'labels': [1]}  # 标签存在但真实框为空的情况已在循环中处理}# 预测结果（模拟数据）pred_dict = {'img1': {'boxes': [[12, 12, 52, 52], [28, 28, 68, 68], [100, 100, 150, 150]], 'scores': [0.9, 0.8, 0.7], 'labels': [0, 1, 1]},'img2': {'boxes': [[40, 40, 80, 80]], 'scores': [0.85], 'labels': [0]},  # 误检'img3': {'boxes': [], 'scores': [], 'labels': []},  # 预测框为空'img4': {'boxes': [[15, 15, 55, 55]], 'scores': [0.75], 'labels': [1]}}# 执行评估results = evaluate_detection(gt_dict, pred_dict, class_list)# 打印结果print(f"mAP: {results['mAP']:.4f}")print("\nPer-class metrics:")for class_id, metrics in results['per_class'].items():print(f"Class {class_id}:")print(f"  AP: {metrics['AP']:.4f}")print(f"  Recall: {metrics['Recall']:.4f}")print(f"  FPR: {metrics['FPR']:.4f}")print(f"  Precision: {metrics['Precision']:.4f}")print(f"  TP: {metrics['TP']}, FP: {metrics['FP']}, FN: {metrics['FN']}")print(f"  GT Count: {metrics['gt_count']}, Pred Count: {metrics['pred_count']}")

2.豆包版本

import numpy as np
from collections import defaultdictdef calculate_iou(box1, box2):"""计算两个边界框的交并比(IoU)box格式: [x1, y1, x2, y2]"""x1, y1, x2, y2 = box1x1_p, y1_p, x2_p, y2_p = box2# 计算交集区域inter_x1 = max(x1, x1_p)inter_y1 = max(y1, y1_p)inter_x2 = min(x2, x2_p)inter_y2 = min(y2, y2_p)inter_area = max(0, inter_x2 - inter_x1) * max(0, inter_y2 - inter_y1)# 计算每个框的面积area1 = (x2 - x1) * (y2 - y1)area2 = (x2_p - x1_p) * (y2_p - y1_p)# 计算并集面积union_area = area1 + area2 - inter_area# 计算IoUif union_area == 0:return 0return inter_area / union_areadef evaluate_detection(true_boxes_list, pred_boxes_list, iou_threshold=0.5):"""评估目标检测结果参数:true_boxes_list: 真实框列表，每个元素是一张图片的真实框，每个真实框格式: {'box': [x1, y1, x2, y2], 'label': 标签名}pred_boxes_list: 预测框列表，每个元素是一张图片的预测框，每个预测框格式: {'box': [x1, y1, x2, y2], 'label': 标签名, 'score': 置信度}iou_threshold: IoU阈值，用于判断预测框是否与真实框匹配返回:评估结果字典，包含每个标签的检出率、误检率以及整体mAP"""# 收集所有出现过的标签all_labels = set()for true_boxes in true_boxes_list:for box in true_boxes:all_labels.add(box['label'])for pred_boxes in pred_boxes_list:for box in pred_boxes:all_labels.add(box['label'])all_labels = sorted(list(all_labels))# 初始化评估指标results = {'per_label': {label: {'tp': 0, 'fp': 0, 'fn': 0, 'precision': [], 'recall': [], 'ap': 0} for label in all_labels},'mAP': 0}# 处理每张图片for img_idx, (true_boxes, pred_boxes) in enumerate(zip(true_boxes_list, pred_boxes_list)):# 按置信度降序排序预测框pred_boxes_sorted = sorted(pred_boxes, key=lambda x: x['score'], reverse=True)# 跟踪已匹配的真实框matched_true = set()# 处理预测框for pred in pred_boxes_sorted:pred_label = pred['label']best_iou = 0best_true_idx = -1# 寻找最佳匹配的真实框for true_idx, true in enumerate(true_boxes):if true_idx not in matched_true and true['label'] == pred_label:iou = calculate_iou(true['box'], pred['box'])if iou > best_iou and iou >= iou_threshold:best_iou = ioubest_true_idx = true_idx# 判断是TP还是FPif best_true_idx != -1:results['per_label'][pred_label]['tp'] += 1matched_true.add(best_true_idx)else:results['per_label'][pred_label]['fp'] += 1# 计算未匹配的真实框作为FNfor true_idx, true in enumerate(true_boxes):if true_idx not in matched_true:results['per_label'][true['label']]['fn'] += 1# 计算每个标签的检出率、误检率和APaps = []for label in all_labels:stats = results['per_label'][label]tp = stats['tp']fp = stats['fp']fn = stats['fn']# 计算检出率 (召回率)if tp + fn == 0:detection_rate = 0.0  # 真实框为空的情况else:detection_rate = tp / (tp + fn)# 计算误检率if tp + fp == 0:false_detection_rate = 0.0  # 预测框为空的情况else:false_detection_rate = fp / (tp + fp)# 存储计算结果results['per_label'][label]['detection_rate'] = detection_rateresults['per_label'][label]['false_detection_rate'] = false_detection_rate# 这里简化了AP计算，实际应用中应根据置信度阈值计算PR曲线并求面积# 对于本示例，我们使用简单的P-R计算if tp + fp == 0:precision = 0.0else:precision = tp / (tp + fp)if tp + fn == 0:recall = 0.0else:recall = tp / (tp + fn)results['per_label'][label]['precision'].append(precision)results['per_label'][label]['recall'].append(recall)# 简单AP计算（实际应用中应使用更精确的方法）results['per_label'][label]['ap'] = precision * recallaps.append(results['per_label'][label]['ap'])# 计算mAPif len(aps) > 0:results['mAP'] = sum(aps) / len(aps)else:results['mAP'] = 0.0return resultsdef print_evaluation_results(results):"""打印评估结果"""print("目标检测模型评估结果:")print("======================")# 打印每个标签的结果for label, stats in results['per_label'].items():print(f"\n标签: {label}")print(f"  检出率: {stats['detection_rate']:.4f}")print(f"  误检率: {stats['false_detection_rate']:.4f}")print(f"  精确率: {stats['precision'][0]:.4f}" if stats['precision'] else "  精确率: N/A")print(f"  召回率: {stats['recall'][0]:.4f}" if stats['recall'] else "  召回率: N/A")print(f"  AP: {stats['ap']:.4f}")print(f"  TP: {stats['tp']}, FP: {stats['fp']}, FN: {stats['fn']}")# 打印mAPprint("\n======================")print(f"mAP: {results['mAP']:.4f}")# 示例用法
if __name__ == "__main__":# 示例1: 正常情况 - 有真实框和预测框true_boxes1 = [{'box': [10, 10, 50, 50], 'label': 'car'},{'box': [60, 60, 100, 100], 'label': 'person'}]pred_boxes1 = [{'box': [12, 12, 52, 52], 'label': 'car', 'score': 0.9},{'box': [65, 65, 105, 105], 'label': 'person', 'score': 0.85},{'box': [120, 120, 150, 150], 'label': 'bike', 'score': 0.7}  # 误检]# 示例2: 真实框为空的情况true_boxes2 = []pred_boxes2 = [{'box': [20, 20, 40, 40], 'label': 'car', 'score': 0.6}  # 误检]# 示例3: 预测框为空的情况true_boxes3 = [{'box': [30, 30, 70, 70], 'label': 'car'}]pred_boxes3 = []  # 漏检# 示例4: 标签存在但真实框为空的情况true_boxes4 = [{'box': [80, 80, 120, 120], 'label': 'person'}]pred_boxes4 = [{'box': [100, 100, 140, 140], 'label': 'bike', 'score': 0.5}  # 对于bike标签，真实框为空]# 组合所有示例true_boxes_list = [true_boxes1, true_boxes2, true_boxes3, true_boxes4]pred_boxes_list = [pred_boxes1, pred_boxes2, pred_boxes3, pred_boxes4]# 评估evaluation_results = evaluate_detection(true_boxes_list, pred_boxes_list, iou_threshold=0.5)# 打印结果print_evaluation_results(evaluation_results)

3.baidu版


import numpy as np
from collections import defaultdictclass DetectionEvaluator:def __init__(self, iou_threshold=0.5):self.iou_threshold = iou_thresholdself.reset()def reset(self):self.gt_counts = defaultdict(int)  # 每类真实框数量self.pred_counts = defaultdict(int)  # 每类预测框数量self.tp = defaultdict(list)  # 每类真正例(按置信度排序)self.fp = defaultdict(list)  # 每类假正例(按置信度排序)self.scores = defaultdict(list)  # 每类预测置信度def calculate_iou(self, box1, box2):"""计算两个边界框的IoU"""x1 = max(box1[0], box2[0])y1 = max(box1[1], box2[1])x2 = min(box1[2], box2[2])y2 = min(box1[3], box2[3])inter_area = max(0, x2 - x1) * max(0, y2 - y1)box1_area = (box1[2] - box1[0]) * (box1[3] - box1[1])box2_area = (box2[2] - box2[0]) * (box2[3] - box2[1])union_area = box1_area + box2_area - inter_areareturn inter_area / union_area if union_area > 0 else 0def evaluate_image(self, gt_boxes, pred_boxes):"""评估单张图像:param gt_boxes: 字典 {class_id: [[x1,y1,x2,y2], ...]}:param pred_boxes: 字典 {class_id: [[x1,y1,x2,y2,score], ...]}"""# 处理真实框为空的情况if not gt_boxes:for class_id in pred_boxes:for pred in pred_boxes[class_id]:self.fp[class_id].append(1)self.tp[class_id].append(0)self.scores[class_id].append(pred[4])self.pred_counts[class_id] += 1return# 处理预测框为空的情况if not pred_boxes:for class_id in gt_boxes:self.gt_counts[class_id] += len(gt_boxes[class_id])return# 统计每类真实框数量for class_id in gt_boxes:self.gt_counts[class_id] += len(gt_boxes[class_id])# 处理每类预测结果for class_id in pred_boxes:preds = pred_boxes[class_id]self.pred_counts[class_id] += len(preds)# 按置信度降序排序preds = sorted(preds, key=lambda x: x[4], reverse=True)# 初始化匹配状态gt_matched = set()for pred in preds:pred_box = pred[:4]max_iou = 0best_gt_idx = -1# 查找匹配的真实框if class_id in gt_boxes:for gt_idx, gt_box in enumerate(gt_boxes[class_id]):if gt_idx in gt_matched:continueiou = self.calculate_iou(pred_box, gt_box)if iou > max_iou:max_iou = ioubest_gt_idx = gt_idx# 判断TP/FPif max_iou >= self.iou_threshold:gt_matched.add(best_gt_idx)self.tp[class_id].append(1)self.fp[class_id].append(0)else:self.tp[class_id].append(0)self.fp[class_id].append(1)self.scores[class_id].append(pred[4])def calculate_metrics(self):"""计算各类评估指标"""metrics = {}for class_id in set(self.gt_counts.keys()).union(set(self.pred_counts.keys())):gt_count = self.gt_counts.get(class_id, 0)pred_count = self.pred_counts.get(class_id, 0)tp = np.array(self.tp.get(class_id, []))fp = np.array(self.fp.get(class_id, []))scores = np.array(self.scores.get(class_id, []))# 检出率 = TP / (TP + FN) = TP / GT总数detection_rate = np.sum(tp) / gt_count if gt_count > 0 else 0# 误检率 = FP / (TP + FP) = FP / 预测总数false_alarm_rate = np.sum(fp) / pred_count if pred_count > 0 else 0# 计算APap = self.calculate_ap(tp, fp, gt_count)metrics[class_id] = {'检出率': round(detection_rate,3),'误检率': round(false_alarm_rate,3),'ap': round(ap,3),'gt_count': gt_count,'pred_count': pred_count,'tp_count': int(np.sum(tp)),'fp_count': int(np.sum(fp))}# 计算mAPaps = [metrics[c]['ap'] for c in metrics if metrics[c]['gt_count'] > 0]mAP = np.mean(aps) if aps else 0return {'per_class': metrics,'mAP': mAP}def calculate_ap(self, tp, fp, gt_count):"""计算单类别的AP值"""if gt_count == 0:return 0tp_cumsum = np.cumsum(tp)fp_cumsum = np.cumsum(fp)recalls = tp_cumsum / gt_countprecisions = tp_cumsum / (tp_cumsum + fp_cumsum + 1e-6)# 计算PR曲线下面积ap = 0for t in np.arange(0, 1.1, 0.1):mask = recalls >= tif np.any(mask):p = np.max(precisions[mask])else:p = 0ap += p / 11return ap# 使用示例
if __name__ == "__main__":evaluator = DetectionEvaluator(iou_threshold=0.5)# 示例1: 正常情况gt_boxes = {'cat': [[10, 10, 50, 50], [100, 100, 150, 150]],  # 类别0的两个真实框'dog': [[200, 200, 250, 250]]  # 类别1的一个真实框}pred_boxes = {'cat': [[12, 12, 48, 48, 0.9], [105, 105, 155, 155, 0.8]],  # 类别0的两个预测框'dog': [[210, 210, 240, 240, 0.7], [300, 300, 350, 350, 0.6]]  # 类别1的两个预测框}evaluator.evaluate_image(gt_boxes, pred_boxes)# 示例2: 真实框为空的情况gt_boxes_empty = {}pred_boxes_normal = {'cat': [[10, 10, 50, 50, 0.9]]}evaluator.evaluate_image(gt_boxes_empty, pred_boxes_normal)# 示例3: 预测框为空的情况gt_boxes_normal = {'cat': [[10, 10, 50, 50]]}pred_boxes_empty = {}evaluator.evaluate_image(gt_boxes_normal, pred_boxes_empty)# 示例4: 标签存在但真实框为空的情况gt_boxes_with_empty_class = {'bird': [],  # 类别0存在但真实框为空'dog': [[200, 200, 250, 250]]}pred_boxes_normal = {'cat': [[10, 10, 50, 50, 0.9]],  # 类别0的预测框将被视为FP'dog': [[210, 210, 240, 240, 0.7]]}# 示例4: 标签存在但真实框为空的情况gt_boxes_with_empty_class = {'dog': [[200, 200, 250, 250]]}pred_boxes_normal = {'cat': [[10, 10, 50, 50, 0.9]],  # 类别0的预测框将被视为FP'dog': [[210, 210, 240, 240, 0.7]],'bird':[[10, 33, 22, 50, 0.9],[110, 323, 222, 520, 0.3]]}evaluator.evaluate_image(gt_boxes_with_empty_class, pred_boxes_normal)# 计算最终指标metrics = evaluator.calculate_metrics()import jsonprint("评估结果:", json.dumps(metrics, indent=4,ensure_ascii=False))

        代码可直接运行，如果需要评估本地txt结果和标注xml结果的相关检出率，误检率和map，可自行根据验证输入调用相关函数即可。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.pswp.cn/news/917710.shtml
繁体地址，请注明出处：http://hk.pswp.cn/news/917710.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

python的高校班级管理系统

python的高校班级管理系统

前端开发框架:vue.js 数据库 mysql 版本不限 后端语言框架支持： 1 java(SSM/springboot)-idea/eclipse 2.NodejsVue.js -vscode 3.python(flask/django)–pycharm/vscode 4.php(thinkphp/laravel)-hbuilderx 数据库工具：Navicat/SQLyog等都可以 在高校教…
阅读更多...
Scrapy 工作流程深度解析：引擎驱动的完美协作

Scrapy 工作流程深度解析：引擎驱动的完美协作

一、Scrapy 核心组件全景图 #mermaid-svg-KWCKN9n4urijbSws {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-KWCKN9n4urijbSws .error-icon{fill:#552222;}#mermaid-svg-KWCKN9n4urijbSws .error-text{fill:#552222;…
阅读更多...
PCIe Base Specification解析（七）

PCIe Base Specification解析（七）

文章目录3.6 Data Integrity Mechansisms3.6.1 Introduction3.6.2 LCRC, Sequence Number, and Retry Management (TLP Transmitter)3.6.2.1 LCRC and Sequence Number Rules (TLP Transmitter)3.6.2.2 Handling of Received DLLPs3.6.3 LCRC and Sequence Number (TLP Receive…
阅读更多...
Windows 11 使用Windows Hello使用人脸识别登录失败，重新录入人脸识别输入PIN后报Windows Hello安装程序白屏无响应的问题解决

Windows 11 使用Windows Hello使用人脸识别登录失败，重新录入人脸识别输入PIN后报Windows Hello安装程序白屏无响应的问题解决

Windows 11 使用Windows Hello使用人脸识别登录失败，重新录入人脸识别输入PIN后报Windows Hello安装程序白屏无响应的问题解决：遇到此种情况时：1、在“开始”右键——设置——账号——登录选项2、需要在PIN这里先进行删除此登录选项&#xff…
阅读更多...
qq scheme

qq scheme

QQ intent scheme跳转 1.跳转指定说说（root） 2.跳转指定说说（非root） 3. 跳转聊天框 4. 跳转用户主页 5. 跳转加群 6. 跳转指定用户空间 1.跳转指定说说（root） 该方法需root权限 app.startActivity({className: "com.qzone.reborn.base.QZoneTransparentShellActivi…
阅读更多...
C语言基础_随机数、数组、函数、指针

C语言基础_随机数、数组、函数、指针

0、随机数： 要用C语言产生随机数，首先在预处理程序部分要引入stdlib.h头文件，然后就可以用rand()在后续程序中生成随机数了。如果不设置随机数种子srand()，后面生成的随机数序列就是以41开头的一个固定序列，因此一般以…
阅读更多...
PHP‑ORT扩展构建纯PHP机器学习的推荐系统

PHP‑ORT扩展构建纯PHP机器学习的推荐系统

结合 PHP‑ORT 构建推荐系统的核心思想是：使用 ONNX 格式的机器学习模型，在 PHP 中本地执行推理，实时给出推荐结果。下面是一个完整的架构设计与实现路径，适合你快速上手。🎯 场景目标 你想在一个 PHP 网站中实现推荐功…
阅读更多...
PromptPilot搭配Doubao-seed-1.6：定制你需要的AI提示prompt

PromptPilot搭配Doubao-seed-1.6：定制你需要的AI提示prompt

目录 一、PromptPilot 二、基于产品评价的用户情感分析 2.1 使用PromptPiolt工具进行提示词生成 2.2 基于prompt的模型调试 2.3 基于prompt的批量数据测评 2.4 基于多轮对话的prompt测试 如今，我们正身处一个 AI 技术飞速迭代的时代。人工智能早已不再是实验室…
阅读更多...
MSPM0开发学习笔记：二维云台结合openmv实现小球追踪

MSPM0开发学习笔记：二维云台结合openmv实现小球追踪

文章目录前言一、硬件选择二、原理介绍（UART）三、硬件连线三、软件代码1、视觉部分代码（Openart）2、控制部分代码（MSPM0）（1） UART部分（2） 计算函数部分&#…
阅读更多...
【CTF-WEB-SQL】SQL注入基本流程（sql-labs的Less11）（用burp抓取post然后用sqlmap盲注）

【CTF-WEB-SQL】SQL注入基本流程（sql-labs的Less11）（用burp抓取post然后用sqlmap盲注）

题目 从第11less开始，就是POST表单了burp抓取数据包将抓取到的数据包存放到桌面，保存为post.txt数据包内容如下：POST /Less-11/ HTTP/1.1 Host: 223.112.39.132:44537 Content-Length: 39 Cache-Control: max-age0 Accept-Language: zh-CN,zh…
阅读更多...
WPF 与 Winform ：Windows 桌面开发该用谁？

WPF 与 Winform ：Windows 桌面开发该用谁？

WPF 与 Winform ：Windows 桌面开发该用谁？ 一、 WPF 与 Winform的概念 WPF：颜值与实力并存的 “后起之秀” Winform：简单直接的 “老前辈” 二、WPF 与 Winform 的核心差异 1. 设计理念：分离 vs 耦合 2. 布局系统：灵活适配 vs 固定坐标 3. 视觉效果：绚丽动画 vs 朴素原生…
阅读更多...
【Git学习】入门与基础

【Git学习】入门与基础

目录 Git的安装 Git 配置用户信息 Git 初始化本地仓库 Git 工作区、暂存区和版本库 Git 跟踪文件 Git 修改文件 Git 删除文件 Git 撤销本地文件的修改 Git 取消暂存 Git 跳过暂存区 Git 版本回退 Git 撤销提交 Git 设置忽略文件 Git 比较文件差异 Git 代码托管平台…
阅读更多...
idea添加gitlab访问令牌

idea添加gitlab访问令牌

1.按下图所示顺序操作gitlab,获取到对应的token;2.填写对应的gitlab地址和第一步获取的token
阅读更多...
人工智能领域、图欧科技、IMYAI智能助手2025年5月更新月报

人工智能领域、图欧科技、IMYAI智能助手2025年5月更新月报

2025年5月IMYAI平台技术动态与模型更新综述 摘要： 本文整理了2025年5月期间IMYAI平台发布的主要技术更新、新模型上线信息及功能调整公告，涵盖DeepSeek、Gemini、Claude、即梦、Suno等模型动态及平台功能优化。 正文： 一、 模型更新与上线Dee…
阅读更多...
机器人权利：真实还是虚幻，机器人权利研究如何可能，道德权利与法律权利

机器人权利：真实还是虚幻，机器人权利研究如何可能，道德权利与法律权利

一、机器人权利：真实还是虚幻？机器人权利的讨论源于技术进步对传统法律与伦理体系的冲击，其真实性取决于技术发展阶段与社会接受度的互动。当前，机器人权利仍呈现“虚幻与真实交织”的特征：技术基础：从工具…
阅读更多...
通信小白产品学习碎片01

通信小白产品学习碎片01

1. 云中继（Cloud Media Relay） 运营商在Volte/Vonr场景中引入的核心网关键功能，用于优化媒体流的传输路径，解决跨运营商、跨地域通信时的网络绕行问题。 传统：A终端—>A核心网—>跨网互联点—>B核心网—>…
阅读更多...
⭐CVPR2025 3D 生成新框架｜Kiss3DGen 让 2D 扩散模型玩转 3D 资产生成

⭐CVPR2025 3D 生成新框架｜Kiss3DGen 让 2D 扩散模型玩转 3D 资产生成

⭐CVPR 3D 生成新框架｜Kiss3DGen 让 2D 扩散模型玩转 3D 资产生成 📄论文题目：Kiss3DGen: Repurposing Image Diffusion Models for 3D Asset Generation ✍️作者及机构：Jiantao Lin、Xin Yang、Meixi Chen 等（HKUST …
阅读更多...
HTTP基本结构

HTTP基本结构

目录前言1. 概念2. HTTP基本格式2.1 抓包原理2.2 抓包软件使用2.3 抓包结果3. HTTP请求3.1 URL3.2 方法3.3 版本号3.4 HTTP报头3.4 正文部分4. HTTP响应4.1 HTTP状态码4.2 其他部分总结前言 本篇文章介绍HTTP的基本结构。 1. 概念 HTTP全称为超文本传输协议，是一…
阅读更多...
CVPR优秀论文 | DashGaussian：在200秒内优化三维高斯点绘制

CVPR优秀论文 | DashGaussian：在200秒内优化三维高斯点绘制

本文选自gongzhonghao【图灵学术SCI论文辅导】关注我们，掌握更多顶会顶刊发文资讯1.导读1.1 论文基本信息论文标题：DashGaussian: Optimizing 3D Gaussian Splatting in 200 Seconds作者：Youyu Chen、Junjun Jiang、Kui Jiang、Xiao Tang、Zh…
阅读更多...
知识蒸馏 - 基于KL散度的知识蒸馏 HelloWorld 示例 采用PyTorch 内置函数F.kl_div的实现方式

知识蒸馏 - 基于KL散度的知识蒸馏 HelloWorld 示例 采用PyTorch 内置函数F.kl_div的实现方式

知识蒸馏 - 基于KL散度的知识蒸馏 HelloWorld 示例 采用PyTorch 内置函数F.kl_div的实现方式 flyfish kl_div 是 Kullback-Leibler Divergence的英文缩写。 其中，KL 对应提出该概念的两位学者（Kullback 和 Leibler）的姓氏首字母“div”是 div…
阅读更多...
最新文章

Copyright @ 2022~2023