0. 前言本文是基于知乎文章Android TensorFlow Lite实时人脸识别而写，本文更像是对知乎文章的观后总结，感兴趣可以阅读原文。本文要完成一个离线的人脸识别应用，涉及到人脸检测和人脸识别两项主要技术。1. 技术选择1.1 人脸检测人脸检测直接使用ML Kit，这是一个旨在Machine learning for mobile developers的库。1.2 人脸识别方案LFW精度

误检意味着模型检测到了不存在的目标，而漏检则指模型未能检测到真实存在的目标。通过合理的优化，可以大幅降低误检和漏检，提高 YOLOv5 在目标检测任务中的表现。如果背景复杂导致误检，可以减少强烈的数据增强，避免模型学到无关信息。如果漏检主要集中在某些特定角度或场景，可以增加相应的数据增强，例如。IoU 阈值，如 0.3-0.4，但不能太低，否则可能导致漏检。如果误检仍然较多，可以使用更大的 YOL

重启Ubuntu后，系统自动进入tty1，无法进入桌面。想到前几天安装了一些主题之类的，然后今天才重启，可能是这些主题造成冲突或者问题了把。，我之前使用的清华源，apt install全部提示依赖不满足，换成官方源就正常安装了。注意：源要改成官方的源，参考。

1、介绍pyqt5中的交互框有很多种，先介绍我用到的，后续有用到的再慢慢补充2、文件选择框：QFileDialog通过以下代码实现：imgName, imgType = QFileDialog.getOpenFileName(parent=None, caption="打开图片", directory="", filter="*.jpg;;*.png;;All Files(*)")paramete

在某些是否我们脚本能发送消息，比如监控电脑性能，满足条件后发送短信或者邮箱通知我们，但是短信门槛高且有费用，所以邮箱更方便

0. 前言本文是基于知乎文章Android TensorFlow Lite实时人脸识别而写，本文更像是对知乎文章的观后总结，感兴趣可以阅读原文。本文要完成一个离线的人脸识别应用，涉及到人脸检测和人脸识别两项主要技术。1. 技术选择1.1 人脸检测人脸检测直接使用ML Kit，这是一个旨在Machine learning for mobile developers的库。1.2 人脸识别方案LFW精度

YOLOv5-Seg在YOLOv5目标检测基础上，增加了掩码分支，实现了实例分割。输出增加了mask，需要结合proto进行解码。训练方式与YOLOv5类似，推理时需要额外处理mask。适用于需要同时进行目标检测和实例分割的任务，如医学影像、自动驾驶等。如果你对YOLOv5-Seg有任何问题，欢迎交流！🚀。

五种卷积神经网络解决猫狗分类问题(零)：总概要五种卷积神经网络解决猫狗分类问题(一)：V1 简单线性网络1. 介绍使用keras搭建简单线性网络。再猫狗数据集上训练，最终得到99%的训练精度和75%验证集精度，显然我们是想要验证集精度，但是75%不尽人意，不过我们也先来看看该方法。2. 网络结构网络通过卷积层、最大池化层和密集层搭建，网络结构如下：3. 数据集数据集是kaggle上的数据集，配合使

0. 效果展示这是GitHub项目地址偷了几张项目中的展示图感受下，要是喜欢这个风格，就继续往下看：1. 使用该项目我只在Ubuntu18成功运行过，Windows试过没有成功。1.1 克隆项目到本地1.2 安装相关ubuntu 16.04sudo apt-get install texlive-latex-extraubuntu 18.04sudo apt-get install texlive

误检意味着模型检测到了不存在的目标，而漏检则指模型未能检测到真实存在的目标。通过合理的优化，可以大幅降低误检和漏检，提高 YOLOv5 在目标检测任务中的表现。如果背景复杂导致误检，可以减少强烈的数据增强，避免模型学到无关信息。如果漏检主要集中在某些特定角度或场景，可以增加相应的数据增强，例如。IoU 阈值，如 0.3-0.4，但不能太低，否则可能导致漏检。如果误检仍然较多，可以使用更大的 YOL