由于训练阶段获取了3个预测图，所以在损失函数中，也需要结合这3个预测图与它们对应的真实标签分别构建3部分损失函数。# DB损失函数# 详细代码实现参考：https://github.com/PaddlePaddle/PaddleOCR/blob/release%2F2.4/ppocr/losses/det_db_loss.py"""args:"""alpha=5,beta=10,eps=1e-6,

本案例开放了表计检测数据集、指针和刻度分割数据集、表计测试图片（只有图片无真值标注），使用这些图片可以完成目标检测模型、语义分割模型的训练、模型预测。图像解码 —> 检测表计 -> 过滤检测框 -> 提取检测框所在图像区域 -> 图像缩放 -> 指针和刻度分割 -> 读数后处理 -> 打印读数 -> 可视化预测结果。如果部署时需要使用TensorRT，导出模型的时候需要固定模型的输入大小，具体导出

如果我们有完整的静止的背景帧，那么我们可以通过帧差法来计算像素差从而获取到前景对象。但是在大多数情况下，我们可能没有这样的图像，所以我们需要从我们拥有的任何图像中提取背景。为此引入了背景减除算法，通过这一方法我们能够从视频中分离出运动的物体前景，从而达到目标检测的目的。这个函数有些可选参数，比如要进行建模场景的时间长度，高斯混合成分的数量，阈值等。使用这些颜色(在整个视频中)存在时间的长短作为混合

1.下载git官方下载地址：https://git-scm.com/downloads2. 安装git双击安装包，傻瓜式安装模式，注意一下，勾选配置环境变量即可3 查看 git4 更新git版本。

表示词汇表的大小，它代表了序列中的每个时间步可能的输入的数量。在自然语言处理任务中，词汇表的大小通常对应于词汇表中不同词汇的数量。这个 RNN 层可以用来处理序列数据，例如文本数据，在文本数据中，每个时间步可以对应一个词汇表中的一个词或一个词的嵌入表示。，即 RNN 层内部神经元的数量。，返回一个全零的张量，其形状取决于 RNN 的层数、方向数、隐藏单元数以及批量大小。在循环神经网络中，输入数据通

在目标检测深度学习的训练过程中，正负样本的比例其实不均衡的，因为标注的数据就是正样本，数量肯定是固定的，为了保证正负样本的均衡，所以会选取一定的背景图片作为负样本，但是背景图片的样本集是一个open-set，不可能全部参与训练。，是VOC-07，08，09目标检测比赛的赢家，它是HOG方法的拓展。早期目标检测中，是提取特征加上分类器这样一个套路来进行目标检测的，分类器一般是线性分类器，但是线性分类

'span.address'span中class下面的数据用 span.address 取文件。# doc 取标签div中class下面的a标签 文件。标签处理 + 数据去重。保存Excel文件。

图像卷积就是卷积核在图像上按行滑动遍历像素时不断的相乘求和的过程 .

其中 Global.pretrained_model 指定了预训练模型的路径，"./pretrained_models/ch_PP-OCRv3_det_distill_train/student" 则。通过训练模型，可以得到一个可以用于文字检测的模型。指定了预训练模型的路径，"./pretrained_models/ch_PP-OCRv3_det_distill_train/best_accura

给 二号 精髓 更 深层 一个 维修工 单 内容 是 设备 次序 能耗 高 可能 与 精髓 不 稳定 有关 发送 给 王宁。----------------> 开始执行所有模型 语音识别， 录音文件：20250324_1106.wav。嗯啊给二号进水泵生成一个维修工单 内容是设备持续能耗高 可能与进水不稳定有关 发送给王林。--------------> 暂定选择模型：ali_speech_par