
相关推荐
Wider Face+YOLOV7人脸检测
使用Wider Face数据集训练YOLOV7
赛道规则重塑:生鲜零售回归社区,连盒马也调头
生鲜消费的核心战场不在城市中心的精品超市,而在家周边 500 米到 1 千米的社区商业——这是高频、刚需、就近的真实需求所在。竞争从「谁的模型更先进」,切换到「谁离消费者更近」。
计算机视觉(相机标定;内参;外参;畸变系数)
目录 一、预备知识 1、坐标系变换过程(相机成像过程) (1)相机坐标系转换为图像坐标系(透视投影变换遵循的是针孔成像原理) (2)齐次坐标的引入原因:(为什么引入齐次坐标???) 2、内参与外参矩阵的构成 3、畸变参数 二、相机标定 1、张正友标定法(光学标定)及其求解思路 2、求解内参矩阵与外参矩阵的思路: (1)计算内参与外参矩阵的乘积M (2)求解内参矩阵A (3)求解外参矩阵(R1 R2 T) 三、参数优化 1、L-M算法 2、相机标定步骤 四、相关代码及其实验结.
从 T+1 到实时:制造、零售、民生三个行业,FineDatalink 5.0 实时计算分别解决了什么
离线报表看的是昨天,决策却要面对此刻。这是相当一部分企业数据应用的真实状态:数据在夜间批量跑批,第二天早上生成报表,管理者看到的经营结果与当前正在发生的业务之间,始终存在一个固定的时间差。这个时间差曾经是可以接受的。当业务节奏以天为单位推进,T+1 的报表已经足够支撑大多数决策。但当产线、门店、设备这些环节的运行节奏进入分钟级甚至秒级,昨天生成的数据就失去了对当下的解释能力。问题不在于数据量不够,而在于数据到达决策点的速度不够。
JS逆向-B站评论数据w_rid参数和wts参数
本文是该专栏的第69篇,后面会持续分享python爬虫干货知识。本文以B站的评论数据为例,通过JS逆向获取其中的w_rid参数以及wts参数生成规律。具体的“逆向”思路逻辑,笔者将会详细介绍每个步骤,并且将在正文结合“完整代码”来详细介绍。废话不多说,具体细节部分以及详细思路逻辑,笔者将在正文结合完整代码进行详细说明。(附带完整代码)
L2正则化与Ridge回归的关系
非常感谢您提供的详细任务描述和要求。我会尽力按照您的指引来撰写这篇技术博客文章。 L2正则化与Ridge回归的关系 1. 背景介绍 机器学习模型在训练过程中容易出现过拟合的问题,这会导致模型在训练集上表现很好但在测试集上泛化性能较差。为了解决这一问题,正则化技术应运而生。其中
院内商超系统技术拆解:门店零售+院内外卖+福利商城的一体化架构
院内商超系统是医院数字后勤中一个容易被低估的模块。它的技术难点不在于"收银",而在于"一体化":要把食堂与商超两套原本独立的账户、支付、库存、数据,统一到一套体系里。本文从技术视角拆解其五大能力——门店零售、院内外卖、福利商城、库存同步、补贴通用,并给出优惠券与消费积分的规则引擎实现思路。 一、为什么"一体化"是核心难点 传统院内商超往往是一台孤立的收银机:百货零售走条码计价,生鲜零售走称重计价,
断层错动和近断层地震动联合作用下软岩隧洞衬砌损伤分析
摘要 本文提出了一种基于Python的软岩隧洞衬砌损伤分析系统,重点研究断层错动和近断层地震动的联合作用效应。系统采用有限元方法建立隧洞-围岩体系模型,通过非线性动力分析评估衬砌结构损伤。研究内容包括:1)建立考虑应变软化的软岩本构模型;2)基于位错理论模拟断层错动过程;3)合成具有速度脉冲效应的近断层地震动;4)开发完整的动力响应分析流程。结果表明,所提出的方法能有效评估软岩隧洞在复杂地质条件下的抗震性能,为工程设计提供理论依据。 关键词:软岩隧洞、断层错动、近断层地震动、损伤分析、Python、有限元法
工程单和零售单抢同一批货,建材ERP的库存锁定该做到什么粒度?
杉木石业做石材,供应商分布在各大洲,货物要走海运,运费、装箱卸箱、关税、抽查罚款、运输损益都要摊到具体货品上。系统为每一块板材建立唯一码,采购入库后按批次录入非货品成本,再按唯一码个数平均分摊,每个唯一码都带着自己的成本。丽晶星云-零售平台在这类场景里的做法,是把锁定层级做成品类参数:瓷砖按批次锁,石材按唯一码锁,门店端看到的只有可承诺量。石材必须按唯一码锁,因为不可互换。这个拆分看起来只是多两个字段,实际决定了门店会不会私自卖工程货——系统不给他看真实可用量,他就靠人情和经验判断,超卖就是从这儿开始的。
基于R-CNN深度学习的生活垃圾检测与分类系统:数据集、模型和UI界面的完整实现
我们将使用一个公开的垃圾分类数据集来训练我们的模型。一个常见的数据集是TACO数据集(Trash Annotations in Context),该数据集包含多种垃圾类别,适用于垃圾分类任务。TACO数据集中的图像标注了垃圾的类别以及其在图像中的位置,适合用于目标检测任务。图片数据:每张图片中包含不同种类的垃圾。标签文件:每个图像有相应的标签文件,标注了图像中垃圾的类别、位置(通常为边界框坐标)等信息。dataset/images/image1.jpgimage2.jpg......其中,
Kriging克里金模型实现数据回归预测Matlab代码
Kriging克里金模型实现数据回归预测Matlab代码
零售AI的下半场,比的不是谁卖得多,而是谁敢“砍”
联华华商在做一件更基础但更狠的事:推进DPP(直接产品盈利性)分析,不只给采购价,而是从产品全生命周期做成本分析,以确定每个产品的实际利润,用于供应链管理、产品选择、组合规划和货架布局设计——这事“很艰难”,艰难的不是算,是算完之后所有人必须接受同一个答案。如果施工发生在供应链端——在一盘货的库存协同里、在补货单生成里、在SKU汰换的审批流里、在渠道间每一次调拨的路径计算里——AI才真正进入零售的经营内核。这时候谈“砍SKU”是治标,因为问题不在SKU数量,而在同一批货在不同渠道之间的错位。
多组学联合高级Mantel-test热图
对应的是「metabo」中物质间的相关性热图,单元格色块颜色表示相关系数大小,橙色表示+相关,绿色表示-相关;单元格内的数值表示相关性值大小,星号表示显著性。双组学(微生物组/ 转录组/代谢组等两两组合)关联分析,可视化组学特征间的关联显著性、强度及相关方向。表示<trans>与<metabo>中物质的Mantel test结果。表示整体相关的系数,连线颜色表示相关系数的显著性检验结果。宿主-微生物互作、疾病多组学机制、环境-生物多组学关联。为物质名称,不允许存在空值、重复值。
零售AI操作系统建设解读:SenWOO胜券在握平台赋能零售业务
SenWOO 胜券在握平台的发布,为零售企业提供了一个让 AI 进入业务流程的底层系统,让订单、库存、会员、财务数据在统一架构下实现协同运转,并通过 AI 能力将沉淀的行业经验转化为可复用的生产力。过去十年,零售企业的系统建设基本遵循“业务需要什么就上什么”的路径:电商部门接入天猫、京东、抖音,线下门店部署 POS 系统,私域团队搭建小程序商城,财务部门单独运行核算工具。订单管理:系统统一接入多个主流电商平台订单,自动完成库存核验、门店匹配与配送触发,支持网订店发、网订店提、店订仓发等多种履约模式。
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
百胜智能中台项目再迎集中上线、验收季:让AI落地零售业务场景
2025年发布的E3+企业智能中台,将E3+企业中台V3.2与胜券AI平台V1.0深度融合,基于云原生架构,让中台从流程承载工具进一步走向数据驱动、辅助决策的智能中枢。每一次项目交付,不只是上线一套系统,也在沉淀可复用的生产资产,让研发能力形成持续迭代的飞轮。大批项目能够集中上线验收,靠的不是单点冲刺,而是F5作战梯队与DevOps体系支撑下的全生命周期协同——业务、产品、技术、交付、职能五条线共同覆盖“规划—研发—交付—运维”。AI智能不再是概念展示,而是嵌入配补货、库存、营销履约这些日常动作里。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具
零售交易与行为数据分析:指标口径、客群留存建模与增量验证实践
在零售消费领域的数据分析中,单纯依赖当期销量容易掩盖退货损耗与客群质量差异。本文围绕可复用的数据分析方法,系统阐述零售交易口径规范、订单退款处理机制、商品与客户多对象关联建模、分批留存观察窗口设计,以及 RFM 交易基线与行为信号的互补应用,并深入剖析算法预测概率与 A/B 实验增量(Uplift)的统计边界。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
无人超市边缘AI方案:AI视觉防损+智能运营+视频存管,打造24小时无人零售新标杆
但行业发展始终面临核心痛点:商品偷盗、偷换、漏结算造成的高损耗,货架缺货、排面混乱影响的运营效率,以及消防、人员安全隐患;偷盗、偷换商品、漏结算、夹带带出是无人超市的核心痛点,传统依赖重力感应、RFID标签不仅成本高,还容易被规避,比如高价商品换低价标签、商品装袋不结算等行为难以识别;无人零售的核心竞争力在于成本与效率的平衡,AI视觉+边缘计算的方案,既解决了传统无人超市损耗高、云端依赖、运营粗的核心痛点,又具备部署快、易复制、性价比高的优势,是无人零售从“概念化”走向“规模化盈利”的关键技术支撑。
多门店零售 IT 运维实践:收银终端批量故障如何远程处置,并做到操作可审计
多门店无人值守设备运维面临权限不清、管理分散、操作低效等难题。通过Splashtop方案,实现基于角色的精细权限控制、统一纳管异构终端(Windows/Android等),并支持补丁分发、批量重启等任务自动化执行,故障处理效率提升50%以上。900+门店、2.2万台设备实践表明:安全可控的远程通道,让总部可随时、可追溯地处置问题,真正实现“敢用、好用、高效”的无人值守运维。
数据孤岛之困:零售数字化为何系统越多越难协同
过去十年,零售企业的系统建设基本遵循“业务需要什么就上什么”的路径:电商部门接入天猫、京东、抖音,线下门店部署 POS,私域团队搭建小程序商城,财务部门单独运行核算工具。破解数据孤岛,核心不是再上一套新系统,而是建立一个统一的数据与业务底座。全渠道库存一盘货:将电商仓、分公司仓和门店库存整合为全域库存统一视图,支持按仓库、门店、货号、SKU 等维度灵活共享配置,动态分配与实时更新。统一主数据:建立商品、客户、供应商、门店主数据管理中心,把分散在各系统的编码统一、集中、标准化管理,全链路数据同源。
【78】零售收银商品数据集(有v8/v11模型)/YOLO零售收银商品检测
本文介绍一个包含30000张标注图片的零售商品检测数据集,涵盖200个类别,按20983:4491:4526划分训练、验证和测试集。基于该数据集,训练了YOLOv8(mAP0.993)和YOLOv11(mAP0.995)模型,均表现优异。
胜宏科技泰国A1厂房满产,高端PCB扩产延伸至越南
胜宏科技泰国A1厂房满产,高端PCB扩产延伸至越南
北京盛元广通科技有限公司推出高校实验室危化品溯源管理软件
“高校实验室危化品溯源管理软件”不仅仅是一款简单的管理工具,它代表了现代信息化管理在高校化学实验领域的一次重要突破。通过这款软件,高校实验室能够在保证安全的同时,提高管理效率,为科研工作提供强有力的支持。因此,对于那些还在为化学品管理问题头疼的高校来说,不妨考虑引入这款软件,为自己的实验室带来全新的面貌。
情感交互机器人融资,四川具身科技的「爱湫」登场
当前人形机器人的主流战场是工业、仓储、巡检这些「干活」的场景,而「爱湫」把重心放在了「陪伴」上——通过面部投影和情绪识别,让机器人和人之间多一层情感层面的交互。情感交互机器人的市场,其实一直存在,只是过去被「能干活」的主流叙事盖住了。它主推的产品「爱湫」,是一款主打情感交互的人形机器人,搭载 3D 投影面部技术,情感交互机器人的逻辑,是面向养老陪伴、文旅服务、展厅导览这类「不要求重体力、但要求互动感」的场景。真正的考验不在发布会,而在它能不能在真实的养老和陪伴场景里,被用户用起来、留下来。
探秘优质 LED 智能海报屏厂家,解锁广告展示新科技
例如,传统 LED 屏安装极为繁琐,拆装成本居高不下,数据表明,一次大型活动中传统屏的安装和拆卸费用能占到总成本的 30%左右。与传统海报屏方案相比,其核心优势明显,“免安装、插电即用”解决了工程布线与结构搭建的烦恼,缩短了安装时间,提高了效率;公司的三折叠双面 LED 海报屏更是行业首创,无需安装,插电即用,左右展开变身超大全景屏,折叠后秒变双面独立屏,360°全方位吸睛。用户反馈也证明了其产品的价值,众多客户表示使用该公司的海报屏后,广告展示效果大幅提升,同时降低了使用成本和维护成本。
陪诊陪护系统:科技赋能温情守护,打造智慧养老新生态:SpringBoot + Uniapp 三端架构,用户端、师傅端、管理端一次讲透
本文详解一套同城上门维修系统的完整实现,基于SpringBoot+Uniapp+Vue技术栈,涵盖用户端、师傅端、管理端三端设计。重点解析订单流转、派单策略、现场加价防控、结算对账等核心业务难点,强调状态机统一管理与关键节点留痕。系统支持多端发布、可扩展至多城市与会员营销,适合家政、维修类项目开发者参考,具备高可用性与运营闭环能力。
收入增长、毛利率下行:从宇树科技三季报看现阶段行业的共性矛盾
宇树的三季报,更像一张产业分水岭的快照。它证明,硬件层面的交付能力已经跑通,但行业真正的考验才刚刚开始。赛道增长的确定性来自供应链成熟、整机制造能力提升;而最大的不确定性,恰恰来自于具身智能能不能打通物理世界,让机器人变成可以稳定创造经济价值的生产力工具。未来一段时间,行业也许不会迎来全面爆发,但一定会持续分化。能够守住硬件底盘、持续迭代具身能力、锁定场景闭环的企业,才有机会穿越周期,缺少长期投入能力的玩家,则会逐步被市场出清。
8408



被折叠的 条评论
为什么被折叠?



