坚强的强酸柠檬的博客

1）使用labelimg标注身份证号码所在区域，共标注241张数据，作为训练数据使用 2）提供的python训练代码已修改，并附有训练教程，可以方便一键训练自己的数据集，做到举一反三； 3）使用C++/Qt 部署导出的onnx模型，并提供UI交互界面，方便用户进行参数设置和结果展示 4）提供自己训练好的模型，方便初学者快速掌握DBNet网络模型原理 5）onnxruntime底层推理代码已封装好，可以直接调用api进行模型结果获取，简单易用。

工业图像异常检测最大的难题在于异常样本少，正常样本多，因此可以采用无监督方法，在训练过程中只使用正常样本。 SimpleNet 是一种用于检测和定位异常的简单且易于应用的神经网络。它包含四个主要组成部分： 1、预训练的特征提取器 (Feature Extractor)： 用于生成局部特征。这通常是一个在 ImageNet 等大型数据集上预训练的卷积神经网络，例如 ResNet 或 WideResNet。 2、浅层特征适配器 (Feature Adapter)： 用于将局部特征转换到目标领域。由于预训练模型是在通用图像上训练的，而目标任务（例如工业缺陷检测）的图像可能具有不同的特征分布，因此需要一个适配器来调整特征，以更好地适应目标领域。这个适配器通常是一个简单的卷积层或全连接层。 3、异常特征生成器 (Anomaly Feature Generator)： 通过向正常特征添加高斯噪声来伪造异常特征。这是 SimpleNet 的核心思想之一，它通过合成异常来训练模型，避免了对大量真实异常样本的依赖。 4、二元异常判别器 (Anomaly Discriminator)： 用于区分异常特征和

在当今这个信息爆炸的时代，图像作为最直观的信息载体之一，其重要性不言而喻。随着社交媒体、信息技术以及人工智能等领域的迅猛发展，海量的图像数据不断涌现，如何高效地管理和检索这些图像成为了亟待解决的问题。正是在这种背景下，该软件应运而生。作为一种图像匹配技术，致力于解决图像搜索领域内的关键挑战，即如何在庞大的图像库中快速找到与目标图像最为接近的那一个。 软件基于改进的深度学习模型Resnet18来提取特征，具有以下特点 1）准确性：使用改进resnet18模型训练花朵数据集，模型正确率可达99%以上 2）易用性：提供的代码文件均有注释，简单易懂，对于复杂的部署过程已经封装成dll，用户可直接调用接口，而无需理解原理 3）扩展性：提供训练代码和C++源码，方便用户训练和部署自己的数据集

本文基于AlexNet深度学习模型，通过百度爬取的较少图片，训练了一个进行中草药的识别模型,可用于识别11种不同的中草药类型有：{'曼陀罗': 0, '白花蛇舌草': 1, '芍药': 2, '苍耳': 3, '蒲公英': 4, '薄荷': 5, '藿香': 6, '蛇莓': 7, '金银花': 8, '鸡蛋花': 9, '龙葵': 10}。并基于此模型开发了一款带UI界面的中草药智能识别系统，可用于识别场景中的中草药类别，更方便进行功能的展示。该系统是基于python与c++ QT5开发的，支持图片识别检测。本文提供了完整的Python代码和使用教程，给感兴趣的小伙伴参考学习。

附上修改后的源码，以及训练数据集和教程，Yolov8_obb旋转框训练、测试、推理手把手教学

使用瑞芯微修改后的yolov8训练代码进行自己数据集的训练 方便onnx导出和部署 附有详细训练教程

使用上一篇deeplabv3训练的模型，导出onnx进行ARM端的部署 提供完整的部署工具链和第三方库 代码中均有详细注释 提供部署教程文档 亲测能够跑通 代码易于扩展在其他RK平台

这份代码在源码基础上经过简化，可以快速上手训练自己的数据集 提供简单的训练数据，帮助快速熟悉训练步骤 提供训练教程文档，以及代码中有详细注释 这份代码可以帮助大家在修改极少代码的条件下就能训练自己的数据集

找了很久才找到，很好用

可正常运行，包含客户端和服务端工程

含测试工具，亲测可用正常写入

并非完整C++工程，可供借鉴

c#复制和压缩例子可供参考