Halcon车牌识别源码

由于近期的TA_Lib的资源网站https://www.lfd.uci.edu/~gohlke/pythonlibs/无法找到相应的文件，整理了从python3.7到3.11的TA_Lib文件

img和对应的mask：png格式 13218张图片，大小64*64（只包含肺结节区域）LIDC-IDRI原数据集处理太麻烦了，下载感觉都比较费劲；（github有个代码可以处理获得比较精确的mask，但是本身LIDC-IDRI原数据集就很大，下载感觉有些费事，所以也就没去尝试）LUNA16数据集我根据网上DSB tutorial以及参考这个的处理方法最终得到的图片训练得到的dice才为0.3左右，而且LUNA16数据集的mask都是圆形（我觉得这样用于语义分割不太准确吧，毕竟是像素级分类）找了很久，忘记在哪里下载的了，找到这个数据集，使用U-net训练，得到的dice是0.8816. 如果有大佬可以分享一下512*512的图片，不胜感激。侵，则删~

用于配置Mamba环境，安装mamba依赖。

本篇博客带大家看的是Informer模型进行时间序列预测的实战案例，它是在2019年被提出并在ICLR 2020上被评为Best Paper，可以说Informer模型在当今的时间序列预测方面还是十分可靠的，Informer模型的实质是注意力机制+Transformer模型，Informer模型的核心思想是将输入序列进行自注意力机制的处理，以捕捉序列中的长期依赖关系，并利用Transformer的编码器-解码器结构进行预测，通过阅读本文你可以学会利用个人数据集训练模型。Informer是一种用于长序列时间序列预测的Transformer模型,但是它与传统的Transformer模型又有些不同点，与传统的Transformer模型相比，Informer具有以下几个独特的特点：1. ProbSparse自注意力机制：Informer引入了ProbSparse自注意力机制，该机制在时间复杂度和内存使用方面达到了O(Llog L)的水平，能够有效地捕捉序列之间的长期依赖关系。2. 自注意力蒸馏：通过减少级联层的输入，自注意力蒸馏技术可以有效处理极长的输入序列，提高了模型处理长序列的能力

目标检测模型，典型代表有YOLO、SSD和Yolo等。这些方法采用基于回归的思想，在输入图像的多个位置直接回归出区域框坐标和物体类别，具有快速的识别速度和与faster R-CNN相当的准确率。本实例项目基与yolov8n-pose预训练模型实现人的站立、跌倒、坐的姿 态估计。

课堂专注度及考试作弊系统、课堂动态点名，情绪识别、表情识别和人脸识别结合转头(probe)+低头(peep)+传递物品(passing)课堂专注度+表情识别侧面的传递物品识别**人脸识别**：dlib_face_recognition_resnet_model_v1.dat- detection_system/face_recog/weights**人脸对齐**：shape_predictor_68_face_landmarks.dat- detection_system/face_recog/weights**作弊动作分类器**：cheating_detector_rfc_kp.pkl## 使用### 运行setup.py安装必要内容## 使用### 运行setup.py安装必要内容```shellpython setup.py build develop```[windows上安装scipy1.1.0可能会遇到的问题](https://github.com/MVIG-SJTU/AlphaPose/issues/722)### 运行

CIFAR-100 图片格式数据集，按 100 分类文件夹储存https://github.com/cyizhuo/CIFAR-100-dataset

一个著名的共享单车数据集，可以用来做神经网络分类器入门练习

李宏毅视频课作业3-食物分类任务使用的微型数据集。

ncnn量化int所需的校准图像

新手入门必备，可以尝试一下，这里可以直接用自己的数据集替换掉就好了，也可以私信我进行替换！

毫米波雷达与相机联合标定体验版。半开源代码。在Ubuntu16.04和18.04已测试。校准原理： https://blog.csdn.net/hgz_gs/article/details/114288657