Pan_peter的博客

该项目提供了一套基于HTML+FastAPI+SQLite的YOLOv11网页检测系统，专为计算机视觉初学者设计。系统实现了图片/视频预测功能，采用SQLite数据库自动存储检测记录，无需额外配置。前端通过Vue.js+ElementUI构建，后端使用FastAPI框架，整合了YOLOv8目标检测和PaddleOCR文字识别功能。项目提供完整的部署方案，包含模型文件、中文支持字体和详细目录结构，用户只需安装Python3.8+环境和相关依赖库即可快速启动。特别适合非计算机专业学生完成相关课程作业

《YOLOv11安全帽检测网页版》是一个基于Vue.js+Element-UI前端和FastAPI后端的智能检测系统。该系统支持图片/视频上传检测，通过YOLOv8模型实现目标识别，并集成PaddleOCR进行文字识别。主要功能包括：可视化参数配置（置信度/IoU阈值调整）、实时视频帧检测、检测结果对比展示、状态监控等。技术栈涵盖WebSocket通信、HTML5视频处理、Canvas绘图等。用户只需安装Python环境及依赖库，即可通过网页界面便捷地进行安全帽检测。系统提供完整的图片/视频检测流程

该项目是基于YOLOv11的车牌识别网页系统，包含前端(Vue.js+Element-UI)和后端(FastAPI)两大模块。前端采用WebSocket实现实时通信，使用HTML5视频和画布元素处理视频帧；后端整合了YOLOv8目标检测和PaddleOCR文字识别，通过OpenCV进行图像处理。系统支持图片和视频检测，提供参数调整功能，可实时显示检测结果。部署需Python3.9+环境及FastAPI等第三方库，运行main.py即可启动服务

后端（Python + FastAPI）框架与库FastAPI：构建高性能 API，支持 HTTP 和 WebSocket 通信。：集成 YOLOv8 模型，提供图像 / 视频帧检测功能。：处理图像解码、绘制检测框和标签。WebSocket：实现实时视频流的帧传输与检测结果返回。核心功能模型管理：动态加载 YOLO 模型（如yolov8n.pt）并缓存，支持自定义模型（如车辆检测模型car-80.pt图像检测：通过接口接收 Base64 图像数据，返回标注后的检测结果。视频流检测。

因为我没有学过pytorch，所以看源码也是一头雾水，不过大概看懂的是yolo是对pytorch的再次封装，封装得很好，让我们无需对pytorch了解，也可以快速上手，训练自己的模型，进行目标检测！还可以获得不错的检测效果。我简单过了一遍源码，再去添加注意力机制的时候，就明白了许多，知道为什么要添加下一次添加的时候，我也知道哪几个地方需要修改了所以，建议没有看过yolo源码的话，还是建议看看，不然跟着改注意力容易出错哟！注意力机制是比较好添加的，反正我也了解，直接跟着博主们的教程修改就完事了。

本文将介绍关于车辆数据集和相关模型的研究成果。分享数据集。首先，我们将介绍作者所使用的数据集。还有我的一些心得：1、可以用【AI生成】其他角度图片，增加数据集2、走了个弯路：因为网上可以看【各个省份的高速公路监控】，我就跑去微信小程序查看，折腾半天后，把监控画面放大看，很糊，根本用不了！o(╥﹏╥)o3、图片大多数从【视频】里面截取，【百度图片】中获取4、最初没有用英语字母【排序数据集的索引】，导致我无法用【roboflow】来增强数据集

首先，我们将了解如何通过标记数据集来制作用于训练的数据集，并提供了相关的操作指南链接。接着，我们将介绍YOLOv8的模型训练过程，包括参数设置、跟踪模型性能变化等内容，并提供了一些有用的训练参数和工具。在进行模型训练之前，我们还需要购买适合的服务器，并上传必要的文件和库。同时，我们还会介绍如何使用TensorBoard等工具来监控训练过程中的参数和性能指标。在完成模型训练后，我们可以使用模型进行验证和推理预测。这些操作可帮助我们评估模型的质量和准确性，并应用于不同类型的输入数据

关于 yolo v8 模型的解析，主要包括了它的配置文件 yolov8.yaml 中 backbone、head、scales 等部分的详细解释，以及网络模型中的 Conv 和 Loss 层的解析。通过这篇笔记，读者可以了解 yolo v8 模型的结构和运作方式。

1、安装python环境2、安装VS的C++环境（因为CUDA在安装时，需要VS的里面的工具包来编译。3、安装cuda4、安装pytorch。

Python 中的 sentenceSimilarity 库是一个用于计算句子相似度的工具库，主要用于自然语言处理相关的应用中。在计算相似度时，只需将需要计算相似度的两个句子作为参数传入 similarity 方法即可。句子相似度计算广泛应用于自然语言处理中的各种任务，例如机器翻译、文本分类、信息检索等。通过计算不同文本之间的相似度，可以实现自动化的文本挖掘、信息抽取和知识管理等应用。除此之外，在社交网络和推荐系统中也有广泛的应用，例如协同过滤和基于内容的推荐等。文件大小：27.6 K|

基于YOLOv8+LPRNet进行车牌检测及识别，包括对车辆的车牌区域精确定位，利用校正探测器对定位的车牌进行边框校正处理，使用增强神经网络模型对车牌区域进行超分辨率技术处理和光学字符识别。经过多次试验测试，可以对视频中的车辆车牌实时识别以及图片中的车辆车牌进行准确定位和识别，识别速度快，准确率高，比那些传统车牌识别方法效果好很多。

一、使用labelimg制作数据集1.1、下载labelimg1.2、安装库并启动labelimg1.4、制作YOLO数据集二、使用YOLOv8训练模型2.1、下载库——ultralytics （记得换源）2.2、数据模板下载2.3、开始训练1、启动train.py，进行训练2、我们可以直接使用命令进行训练三、其他问题1、训练时，为什么会生成labels.cache文件？2、YOLOv8的训练图像和相应的标注文件应该放同一个文件夹里吗？还是应该分开放？

简介本文介绍的是基于Windows环境下的实现，因为自己是小白也摸索了很久，在此记录步骤。前言机缘巧合，接触到了github上的开源项目：AnimeGANv2实现效果： 【温馨提示：大家最好使用高清晰度的照片，这样效果更好】原作者使用的是TensorFlow，然后看见了周先森爱吃素大佬发表：AnimeGANv2：照片动漫化而他是基于Ubuntu实现的，所以在此记录用windows上记录详细步骤。步骤一：下载 项目文件 【里面包含了：项目文件+三个预训练模型文件，...