深度学习端上部署工具tvmcaffe2pytorch-mobiletf-litepaddle-litetensorRTncnn（腾讯）mace（小米）mnn（阿里）tf-litetensorflow，开源tesnorflow checkpoint/bp/fronzen graphAndroid/ios/arm64通用性最强，与 tensorflow 适配完美，不过性能一般roadmap 中预计年底

摘要 本文介绍了如何使用MCP协议构建网页浏览智能体，实现自动化的网页内容抓取与总结。通过MCP协议连接AI模型与外部工具，项目采用Playwright浏览器控制层，解决了AI应用中的知识时效性和操作自动化问题。文章详细展示了环境搭建、服务器配置、核心代码实现以及性能优化策略，包括内存管理和请求优化。该智能体可应用于竞品监控、学术研究等多种场景，并针对反爬虫机制、动态内容加载等挑战提供了解决方案。

opencv C++实现双目测距，opencv三维重建，c++实现三维重建，双目测距，WLS滤波，opencv视差图

本项目将实现水表数字识别，整套方案采用二阶段方法实现，即首先使用文本(数字)检测模型DBNet定位水表数字的区域，然后进行校正并裁剪水表数字区域，再使用CRNN模型对水表数字的区域进行文本(数字)识别。整套项目分为：数据集说明，DBNet文本(数字)检测模型训练、CRNN文本(数字)识别模型训练，以及水表数字识别边缘侧部署C++/Android等多个章节，本篇是项目《​​​​水表数字识别》系列文章

考虑到人脸人体检测的需求，本人开发了一套轻量化的，高精度的，可实时的人脸/人体检测Android Demo，主要支持功能如下：支持人脸检测算法模型支持人脸检测和人脸关键点检测(5个人脸关键点)算法模型支持人体检测(行人检测)算法模型支持人脸和人体同时检测算法模型所有算法模型都使用C++开发，推理框架采用TNN，Android通过JNI接口进行算法调用；所有算法模型都可在普通Android手机实时跑

​人体关键点检测（Human Keypoints Detection）又称为人体姿态估计2D Pose，是计算机视觉中一个相对基础的任务，是人体动作识别、行为分析、人机交互等的前置任务。一般情况下可以将人体关键点检测细分为单人/多人关键点检测、2D/3D关键点检测，同时有算法在完成关键点检测之后还会进行关键点的跟踪，也被称为人体姿态跟踪。本博客提供2D Pose的Python代码，以及C++版本的

本项目基于深度学习Pytorch，开发一个婴儿(宝宝、新生儿)哭声检测和识别的系统，可以精准检测识别婴儿哭声；项目网络模型支持CNN模型MobileNet和ResNet，也支持时延神经网络TDNN、ECAPA-TDNN以及LSTM等常见的模型，用户也可以自定义其他模型进行训练和测试，语音特征支持MelSpectrogram（梅尔频谱图）、 Spectrogram（频谱图）、MFCC（Mel-Fre

本项目基于深度学习Pytorch，开发一个婴儿(宝宝、新生儿)哭声检测和识别的系统，可以精准检测识别婴儿哭声；项目网络模型支持CNN模型MobileNet和ResNet，也支持时延神经网络TDNN、ECAPA-TDNN以及LSTM等常见的模型，用户也可以自定义其他模型进行训练和测试，语音特征支持MelSpectrogram（梅尔频谱图）、 Spectrogram（频谱图）、MFCC（Mel-Fre

人脸活体识别技术是确保人脸识别系统安全性的关键，主要用于区分真实人脸与伪造攻击（如照片、视频、3D面具等）。本项目基于深度学习技术，构建了一套高鲁棒性的面部活体检测系统，可精准识别眨眼（闭眼）、张嘴、点头（低头）、摇头（侧脸）等生物特征动作，可有效防范照片、视频、3D面具等伪造攻击等多种场景，​​可应用于金融支付、远程身份核验（如银行开户）等场景。整套项目分为人脸活体识别数据集说明，模型开发和训练

本项目基于深度学习Pytorch，开发一个婴儿(宝宝、新生儿)哭声检测和识别的系统，可以精准检测识别婴儿哭声；项目网络模型支持CNN模型MobileNet和ResNet，也支持时延神经网络TDNN、ECAPA-TDNN以及LSTM等常见的模型，用户也可以自定义其他模型进行训练和测试，语音特征支持MelSpectrogram（梅尔频谱图）、 Spectrogram（频谱图）、MFCC（Mel-Fre