📓 Diary

Introduction YOLOSHOW is a graphical user interface (GUI) application embed with YOLOv5 YOLOv7 YOLOv8 YOLOv9 YOLOv10 YOLOv11 RT-DETR SAM MobileSAM FastSAM algorithm. English   |   简体中文 Demo Video YOLOSHOW v1.x : YOLOSHOW-YOLOv9/YOLOv8/YOLOv7/YOLOv5/RTDETR GUI YOLOSHOW v2.x : YOLOSHOWv2.0-YOLOv9/YOLOv8/YOLOv7/YOLOv5/RTDETR GUI Todo List Add YOLOv9 YOLOv10 RT-DETR YOLOv11 SAM MobileSAM FastSAM Algorithm Support Instance Segmentation （ YOLOv5 YOLOv8 YOLOv11 SAM MobileSAM FastSAM） Support Pose Estimation （ YOLOv8 YOLOv11） Support Oriented Bounding Boxes ( YOLOv8 YOLOv11 ) Support Http Protocol in RTSP Function ( Single Mode ) Add Model Comparison Mode（VS Mode） Support Dragging File Input Tracking & Counting ( Industrialization ) Functions 1. Support Image / Video / Webcam / Folder (Batch) / IPCam Object Detection Choose Image / Video / Webcam / Folder (Batch) / IPCam in the menu bar on the left to detect objects. ...

介绍 YOLOSHOW 是一款集合了 YOLOv5 YOLOv7 YOLOv8 YOLOv9 YOLOv10 YOLOv11 RT-DETR SAM MobileSAM FastSAM 的图形化界面程序 English   |   简体中文 演示视频 YOLOSHOW v1.x : YOLOSHOW-YOLOv9/YOLOv8/YOLOv7/YOLOv5/RTDETR GUI YOLOSHOW v2.x : YOLOSHOWv2.0-YOLOv9/YOLOv8/YOLOv7/YOLOv5/RTDETR GUI 待做清单 加入 YOLOv9 YOLOv10 RT-DETR YOLOv11 SAM MobileSAM FastSAM算法 支持实例分割 （ YOLOv5 YOLOv8 YOLOv11 SAM MobileSAM FastSAM） 支持姿态估计 （YOLOv8 YOLOv11） 支持旋转框 (YOLOv8 YOLOv11) RTSP 功能 支持 Http 协议 ( Single Mode ) 支持模型对比模式（VS Mode） 支持拖拽文件输入 追踪和计数模型 ( 工业化 ) 功能 1. 支持 图片 / 视频 / 摄像头 / 文件夹（批量）/ 网络摄像头 目标检测 选择左侧菜单栏的图片 / 视频 / 摄像头 / 文件夹（批量）/ 网络摄像头 进行目标检测 ...

安装 Xshell 和 Xftp https://www.netsarang.com/en/xshell-download/ # Xshell下载连接 https://blog.csdn.net/m0_67400972/article/details/125346023 # 安装教程 添加Xshell连接 其中 server.ip 为服务器公网ip地址，端口为 6969 安装Anaconda3 每个用户均被分配 AnacondaAnaconda3-2023.07-1-Linux-x86_64.sh 于主目录 bash AnacondaAnaconda3-2023.07-1-Linux-x86_64.sh # 安装anaconda3 输入 yes 后， 再按回车键 即可 初始化Anaconda3 conda init bash # 初始化conda 然后重新使用Xshell 连接即可 Magic Network 下载外网文件、克隆Github项目等操作，必须使用Magic Network export http_proxy=http://127.0.0.1:7890 export https_proxy=http://127.0.0.1:7890 取消Magic Network unset http_proxy unset https_proxy 如果使用上面的命令，不能连接Google. 需要远程桌面连接，打开CFW (默认是打开的) nohup bash /home/dell/LYJ/Clash/cfw > cfw.out 国内镜像下载 pip 清华源下载 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple packge # packge为包名 conda 配置镜像 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ # 以上两条是Anaconda官方库的镜像 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ # 以上是Anaconda第三方库 Conda Forge的镜像 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ # 以上是Pytorch的Anaconda第三方镜像 远程桌面连接 远程连接直接找师兄问 向日葵 和 Teamviewer 密码，连接即可 ...

FRP配置 跳板机 # frps.ini 配置 [common] bind_port = 7000 #frps服务监听的端口 token = 123 # 链接口令 ./frps -c frps.ini # 启动frps 服务器 # frpc.ini [common] server_addr = x.x.x.x # 此处为 跳板机 的公网ip server_port = 7000 # 跳板机上frps服务监听的端口 token = 123 # 链接口令 [ssh] type = tcp local_ip = 127.0.0.1 local_port = 22 # 需要暴露的内网机器的端口 remote_port = 6000 # 暴露的内网机器的端口在vps上的端口 SSH连接 ssh -p 6000 swimmingliu@server.ip # 普通ssh 连接 ssh swimmingliu@server.ip 6000 # xshell ssh连接 用户管理 添加用户 sudo adduser xxx 删除用户 sudo deluser xxx Magic Network export http_proxy=http://127.0.0.1:7890 export https_proxy=http://127.0.0.1:7890 Anaconda3 安装和配置 安装Anaconda3 wget --user-agent="Mozilla" https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2023.07-1-Linux-x86_64.sh bash Anaconda3-2023.07-1-Linux-x86_64.sh # https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive 清华源 配置之前的envs cp -r old_envs_path anaconda/envs/ #迁移之前的envs环境 完结撒花❀❀❀

Introduction 基于知识图谱和neo4j图数据库的电影知识问答系统 Workflow DataBase 爬取豆瓣TOP1000电影信息数据 Frontend 获取用户输入的信息 （语音输入 / 文本输入） 向电影知识问答后端服务器发送请求 获取返回结果 (成功 -> 4 / 失败 -> 5) 如果返回结果包含image信息，则显示图片和文字，否则只显示文字 请求基于gpt的AI模型服务器，并显示返回结果 Backend ​ [准备工作] 训练 TF-IDF 向量算法和朴素贝叶斯分类器，用于预测用户文本所属的问题类别 接受前端请求，获取用户输入信息 使用分词库解析用户输入的文本词性，提取关键词 根据贝叶斯分类器，分类出用户文本的问题类型 结合关键词与问题类别，在 Neo4j 中查询问题的答案 返回查询结果 （若问题类型为 演员信息 / 电影介绍，则附加图片url） WorkFlow Graph Frame DataBase Frontend ...

程序设计作业接口文档 统一返回格式 { code: ..., # 状态码 msg: ..., # 描述信息 data: { # 数据 ... } } code = { 200 == 成功, 500 == 失败, } msg = { success == 成功 fail == 失败 ... } data = { key : value } 前端 虚拟换衣功能 @请求格式 （请求后端） # 前后端需统一样例图片id { userId: ...<int>, # 标识哪个用户的请求 isUploadCloth: ...<bool>, # 若上传衣服图片使用base64，否则用id isUploadPerson: ...<bool>, # 若上传人物图片使用base64，否则用id clothData: ...<base64||null>, # 衣服图片base64编码 personData: ...<base64||null>, # 人物图片base64编码 exampleClothId: ...<int>, # 衣服样例图片id examplePersonId: ...<int> # 任务样例图片id } 动漫头像功能 @请求格式 （请求后端） { userId: ...<int>, # 标识哪个用户的请求 imgData: ...<base64> # 需要动漫化的图片 } 后端 虚拟换衣功能 前端请求API: https://talented-civet-separately.ngrok-free.app/tryon/ @返回格式 (返回前端) { code: ...<int>, # 状态码 (200表示成功, 500表示失败) msg: ...<string>, # 消息 (success / fail) data: { tryon_result : ...<url>, # 处理后的图片url } } 动漫头像功能 前端请求API: https://talented-civet-separately.ngrok-free.app/anime/ @返回格式 (返回前端) { code: ...<int>, # 状态码 (200表示成功, 500表示失败) msg : ...<string>, # 消息 (success / fail) data: { anime_result : ...<url>, # 处理后的图片url } } 模型端 虚拟换衣功能 后端请求API: https://certain-ideally-foal.ngrok-free.app/tryon/predict/ @请求格式 (后端发出请求) { userid : ...<int>, # 用户id cloth : ...<url>, # 衣服图片url链接 person : ...<url> # 人物图片url链接 } @返回格式 （返回后端） { code: ...<int>, # 状态码 (200表示成功, 500表示失败) msg: ...<string>, # 消息 (success / fail) data: { image_value : ...<base64>, # 处理后的图片base64编码 } } 动漫头像功能 后端请求API: https://certain-ideally-foal.ngrok-free.app/anime/predict/ @请求格式 { userid : ...<int>, # 用户id origin_image : ...<url>, # 原图片url链接 } @返回格式 { code: ...<int>, # 状态码 (200表示成功, 500表示失败) msg: ...<string>, # 消息 (success / fail) data: { image_value : ...<base64>, # 处理后的图片base64编码 } }

地大服务器使用教程 1. 服务器环境介绍 NVIDIA RTX 3090 (24GB) NVIDIA RTX 2080 Ti (11GB) 2. 配置实验环境 2.1 Conda环境安装 每位同学都会分配个人用户，大家在自己的用户上使用Conda进行环境配置。 Conda安装教程：https://blog.csdn.net/JineD/article/details/129507719 大家按照教程步骤安装即可, 由于安装时间较长, 视频中暂不进行演示。 2.2 Conda环境配置 （以YOLOv8为例） # 创建conda环境 名为yolov8_lyj python版本为3.9 conda create -n yolov8_lyj python=3.9 # 激活环境 conda activate yolov8_lyj # 选择合适的路径，克隆github项目代码 git clone https://github.com/ultralytics/ultralytics # 进入到项目路径下 cd ultralytics/ # 安装相关依赖包 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple 2.3 准备数据集 下载需要训练的数据集 （最好找顶刊/顶会论文中的公开数据集） 按照算法指定的数据集格式，对数据集格式进行调整。 ​ 目标检测中数据集格式之间的相互转换：（VOC、COCO、YOLO格式） ​ https://zhuanlan.zhihu.com/p/461488682 2.4 开始实验 在算法中指定数据集的存放路径 （相对/绝对路径均可） 初始化算法的参数 batch-size 批处理大小：每一次处理图片的个数，根据显卡内存进行调整 epochs 迭代次数：算法总共需要训练的轮次 workers 载入数据进程数：每一次调用多少个进程来载入数据 device 选择显卡设备： '0'使用3090，'1'使用2080ti，'0,1'使用两张卡 开始训练 # 运行训练代码 python mian.py (注：使用向日葵的同学，可以直接在Pycharm当中运行) ...