项目介绍:基于YOLOv5和DeepSORT改进的车道线检测与跟踪模型 项目概述 本项目旨在开发一个高效的车道线检测与目标跟踪模型,结合 YOLOv5 和 DeepSORT 算法,通过深度学习方法实时检测车道线并对目标车辆进行多目标跟踪,适用于自动驾驶、智能交通监控等领域。YOLOv5作为一款优秀的目标检测模型,能够实现高速且准确的车道线检测,而DeepSORT(Deep Learning-based SORT)通过结合深度学习特征和SORT(Simple Online and Realtime Tracking)算法,能在复杂环境下稳定地进行目标追踪。 通过对YOLOv5和Deep...
狂团 chatGpt 后台管理分为系统设置、会员管理、对话记录、营销管理、订单管理、模型管理增 值功能对使用狂团 chatGpt 的配置和会员用户的展示和管理和创作 模型和角色模型的管理等功能。...
二次开发 label Studio 库 ,利用官方的前端 api 实现图片、文字、结构化数据等 使用 antDesign 的 Layout、Table、 Pagination、 Form、DatePicker 等实现页面的布局和表单的功能 二次封装 simple-upload 库,对单个文件分片、校验文件 MD5 值、记录分片数实现 单个 5G 大文件压缩包分片上传和断点续传和秒传功能。 使用 file.slice()方法把 5G 以上的文件分出 1M 大小的文件,并使用 papaparse.js 库把 csv 文件转化为数组 ,并用正则表达式对 csv 的 表头进行内容的判断...
二次开发 label Studio 库 ,利用官方的前端 api 实现图片、文字、结构化数据等 使用 antDesign 的 Layout、Table、 Pagination、 Form、DatePicker 等实现页面的布局和表单的功能 二次封装 simple-upload 库,对单个文件分片、校验文件 MD5 值、记录分片数实现 单个 5G 大文件压缩包分片上传和断点续传和秒传功能。 使用 file.slice()方法把 5G 以上的文件分出 1M 大小的文件,并使用 papaparse.js 库把 csv 文件转化为数组 ,并用正则表达式对 csv 的 表头进行内容的判断...
项目描述: 通过分析车辆上传的充电日志数据,在车辆充电时自动判断车型。通过该算法,可以实现在充电过程中无需人工 干预,自动识别车辆的车型信息,并为后续的管理和服务提供便利。 项目职责: 1、数据收集与处理: 与数据团队合作,收集和整理车辆上传的充电日志数据集,包括温度、电压、功率等信息。 对充电日志数据进行清洗和预处理,处理异常值、填充缺失值,并对数据进行统一格式化和标准化。 2、特征提取与选择: 分析充电日志数据的特征,抽取有意义的特征变量,如充电时长、充电速率等。 进行特征选择和降维处理,通过统计分析和机器学习方法,选择最相关的特征用于车型判断模型的建立。...
项目描述: 通过分析车辆上传的充电日志数据,在车辆充电时自动判断车型。通过该算法,可以实现在充电过程中无需人工 干预,自动识别车辆的车型信息,并为后续的管理和服务提供便利。 项目职责: 1、数据收集与处理: 与数据团队合作,收集和整理车辆上传的充电日志数据集,包括温度、电压、功率等信息。 对充电日志数据进行清洗和预处理,处理异常值、填充缺失值,并对数据进行统一格式化和标准化。 2、特征提取与选择: 分析充电日志数据的特征,抽取有意义的特征变量,如充电时长、充电速率等。 进行特征选择和降维处理,通过统计分析和机器学习方法,选择最相关的特征用于车型判断模型的建立。...
通过对电动车辆充电过程中的相关数据进行分析和建模,实现对剩余充满时长的准确预测。该项目的主要目标是 帮助用户了解电动车辆充电时还需多长时间才能完全充满,并提供更好的充电管理和使用体验。 项目职责: 1、数据收集与处理: 协助数据团队收集车辆充电过程中的数据,包括充电开始时间、电池当前电量、充电速率等。 对采集到的数据进行清洗、转换和标准化,确保数据质量和格式的统一 。 2、特征工程与模型设计: 分析车辆充电过程中的特征变量,如充电速率变化、电池电量变化等。 设计特征工程流程,提取能够影响剩余充满时长的关键特征。 选择合适的预测模型,如回归模型、时间序列模...
该项目旨在构建一个基于海量数据接入、汇聚、分析的服务体系,通过物联网、大数据、低代码等新兴技术的叠加应用,打造更精准、实时、高效的数据接入体系。经过前期的开发与实施,项目一期已经初步完成了边缘层、数据中台、基础平台(工业 PaaS )以及智能工业应用的核心层级建设...