助力路面智能巡检养护，基于YOLOv5开发轻量级路面缺陷智能检测系统

城市化建设浪潮中，修路是一个永恒的话话题，基本上我所在的城市、学校、小区，一年到头来的施工就从未停歇过，路面也是在不断地进行翻新，这个都是城市建设规划的内容，是否可以有更加智能化的手段，智能巡航检测，对破损路面及时预警上报采取修复呢？这也是现在很多厂商在探索实践的事情，本文主要也是基于实际的场景出发，尝试构建路面缺陷等问题的智能检测模型，首先看下效果图：

接下来看下数据集：

标注文件如下所示：

实例标注内容如下所示：

0 0.342578125 0.2111111111111111 0.01953125 0.03796296296296296
0 0.3716145833333333 0.20578703703703705 0.017708333333333333 0.020833333333333336
0 0.30559895833333334 0.22106481481481483 0.01171875 0.020833333333333336
0 0.2993489583333333 0.2724537037037037 0.01640625 0.024537037037037038
0 0.3399739583333333 0.2798611111111111 0.022135416666666668 0.034722222222222224
0 0.3657552083333333 0.2766203703703704 0.013802083333333333 0.020833333333333336
0 0.3328125 0.32453703703703707 0.015625 0.026851851851851852
0 0.369921875 0.34467592592592594 0.01953125 0.025462962962962965
0 0.2895833333333333 0.38125000000000003 0.017708333333333333 0.029166666666666667
0 0.3279947916666667 0.39513888888888893 0.021614583333333333 0.029166666666666667
0 0.2759114583333333 0.3303240740740741 0.01640625 0.02175925925925926
0 0.26315104166666664 0.24814814814814815 0.016927083333333332 0.026851851851851852
0 0.2752604166666667 0.19837962962962963 0.0109375 0.0125
0 0.21888020833333333 0.23310185185185187 0.016927083333333332 0.02638888888888889
0 0.24075520833333333 0.30439814814814814 0.01640625 0.025462962962962965
0 0.25859375 0.39004629629629634 0.013020833333333334 0.025462962962962965
0 0.2674479166666667 0.43217592592592596 0.01875 0.02638888888888889
0 0.30169270833333334 0.4337962962962963 0.014322916666666666 0.018518518518518517
0 0.339453125 0.44328703703703703 0.022135416666666668 0.025462962962962965
0 0.387890625 0.40208333333333335 0.026822916666666665 0.029166666666666667
0 0.415234375 0.3488425925925926 0.017447916666666667 0.024537037037037038
0 0.4109375 0.22222222222222224 0.013020833333333334 0.018518518518518517
0 0.4028645833333333 0.2701388888888889 0.022916666666666665 0.038425925925925926
0 0.4493489583333333 0.29560185185185184 0.022135416666666668 0.02638888888888889
0 0.4692708333333333 0.3576388888888889 0.01614583333333333 0.025462962962962965
0 0.43841145833333334 0.40208333333333335 0.022135416666666668 0.033796296296296297
0 0.4122395833333333 0.4534722222222222 0.020833333333333332 0.030092592592592594
0 0.4393229166666667 0.45763888888888893 0.0203125 0.029166666666666667
0 0.4708333333333333 0.45416666666666666 0.020833333333333332 0.031481481481481485
0 0.48971354166666664 0.40717592592592594 0.014322916666666666 0.020833333333333336
0 0.37421875 0.4479166666666667 0.0125 0.025462962962962965
0 0.335546875 0.49236111111111114 0.014322916666666666 0.02175925925925926
0 0.36666666666666664 0.5050925925925926 0.018229166666666668 0.028703703703703703
0 0.2984375 0.49930555555555556 0.015625 0.033796296296296297
0 0.2811197916666667 0.5483796296296296 0.013802083333333333 0.020833333333333336
0 0.3123697916666667 0.5537037037037037 0.013802083333333333 0.026851851851851852
0 0.34322916666666664 0.5594907407407408 0.0234375 0.03564814814814815
0 0.3833333333333333 0.5622685185185186 0.022916666666666665 0.034722222222222224
0 0.409375 0.5432870370370371 0.01614583333333333 0.02638888888888889
0 0.4477864583333333 0.5375 0.025260416666666667 0.05
0 0.47994791666666664 0.5282407407407408 0.018229166666666668 0.036111111111111115
0 0.5057291666666667 0.5039351851851852 0.021354166666666667 0.03564814814814815
0 0.52109375 0.43333333333333335 0.020833333333333332 0.03333333333333333
0 0.4881510416666667 0.5819444444444445 0.02265625 0.037037037037037035
0 0.4334635416666667 0.6050925925925926 0.019010416666666665 0.032407407407407406
0 0.4734375 0.625462962962963 0.0234375 0.040740740740740744
0 0.425 0.656712962962963 0.01614583333333333 0.029166666666666667
0 0.36796875 0.6462962962962964 0.026041666666666668 0.04259259259259259
0 0.32565104166666664 0.6694444444444445 0.016927083333333332 0.031481481481481485
0 0.32369791666666664 0.6162037037037037 0.015625 0.026851851851851852
0 0.278515625 0.6358796296296296 0.017447916666666667 0.031018518518518518
0 0.27825520833333334 0.7122685185185186 0.016927083333333332 0.029166666666666667
0 0.3130208333333333 0.7122685185185186 0.0125 0.024537037037037038
0 0.346875 0.7145833333333333 0.015104166666666667 0.02638888888888889
0 0.3826822916666667 0.7111111111111111 0.017447916666666667 0.026851851851851852
0 0.4236979166666667 0.7185185185185186 0.01614583333333333 0.02777777777777778
0 0.4555989583333333 0.7083333333333334 0.01484375 0.02777777777777778
0 0.4803385416666667 0.6960648148148149 0.01484375 0.031018518518518518
0 0.5177083333333333 0.6861111111111111 0.020833333333333332 0.037037037037037035
0 0.49244791666666665 0.7418981481481481 0.018229166666666668 0.030092592592592594
0 0.5287760416666667 0.7493055555555556 0.016927083333333332 0.033796296296296297
0 0.45234375 0.7747685185185186 0.01614583333333333 0.02638888888888889
0 0.48268229166666665 0.7974537037037037 0.02734375 0.030092592592592594
0 0.5233072916666667 0.7960648148148148 0.01640625 0.025462962962962965
0 0.44492187499999997 0.8372685185185186 0.01953125 0.031018518518518518
0 0.494921875 0.8673611111111111 0.02734375 0.043055555555555555
0 0.3930989583333333 0.8402777777777778 0.02421875 0.037037037037037035
0 0.3328125 0.8030092592592593 0.028645833333333332 0.04398148148148148
0 0.2876302083333333 0.7835648148148149 0.01484375 0.025462962962962965
0 0.26979166666666665 0.8453703703703704 0.018229166666666668 0.026851851851851852
0 0.30494791666666665 0.8483796296296297 0.015625 0.020833333333333336
0 0.2954427083333333 0.8928240740740742 0.017447916666666667 0.02175925925925926
0 0.330859375 0.875925925925926 0.016927083333333332 0.02777777777777778
0 0.384375 0.7777777777777778 0.015625 0.02777777777777778
0 0.26315104166666664 0.7476851851851852 0.016927083333333332 0.02777777777777778
0 0.24270833333333333 0.6659722222222223 0.01614583333333333 0.024537037037037038
0 0.24049479166666665 0.6046296296296296 0.014322916666666666 0.024074074074074074
0 0.24440104166666665 0.5212962962962964 0.014322916666666666 0.026851851851851852
0 0.25221354166666665 0.47199074074074077 0.014322916666666666 0.025462962962962965
0 0.24401041666666667 0.9240740740740742 0.02395833333333333 0.028703703703703703
0 0.2934895833333333 0.9310185185185186 0.022916666666666665 0.036111111111111115
0 0.326953125 0.9303240740740741 0.016927083333333332 0.030092592592592594
0 0.36354166666666665 0.9293981481481481 0.013020833333333334 0.020833333333333336
0 0.44882812499999997 0.9430555555555556 0.014322916666666666 0.02314814814814815
0 0.47734375 0.9418981481481482 0.018229166666666668 0.030092592592592594
0 0.51640625 0.9391203703703704 0.0234375 0.03564814814814815
0 0.5356770833333333 0.9229166666666667 0.017708333333333333 0.01990740740740741
0 0.5321614583333333 0.8495370370370371 0.016927083333333332 0.02777777777777778
0 0.8097656249999999 0.781712962962963 0.029427083333333333 0.02175925925925926
0 0.8644531249999999 0.7481481481481482 0.02786458333333333 0.019444444444444445
0 0.7859375 0.6909722222222222 0.018229166666666668 0.016203703703703703
0 0.7990885416666667 0.6409722222222223 0.024739583333333332 0.016203703703703703
0 0.683203125 0.657175925925926 0.024739583333333332 0.025462962962962965
0 0.7192708333333333 0.5791666666666667 0.02395833333333333 0.022222222222222223
0 0.7817708333333333 0.8627314814814815 0.029166666666666667 0.029166666666666667
0 0.84453125 0.8696759259259259 0.03125 0.038425925925925926
0 0.8878906249999999 0.8615740740740742 0.021614583333333333 0.026851851851851852
0 0.921484375 0.8148148148148149 0.029947916666666668 0.018518518518518517
0 0.7244791666666667 0.7400462962962964 0.021354166666666667 0.03564814814814815
0 0.7303385416666667 0.8865740740740741 0.03463541666666667 0.05092592592592593
0 0.7876302083333333 0.9175925925925926 0.021614583333333333 0.018518518518518517
0 0.8432291666666667 0.9298611111111111 0.0234375 0.024537037037037038
0 0.8817708333333333 0.9275462962962964 0.013020833333333334 0.01712962962962963
0 0.873828125 0.7893518518518519 0.014322916666666666 0.02314814814814815
0 0.8833333333333333 0.6675925925925926 0.02395833333333333 0.037037037037037035
0 0.8670572916666667 0.576388888888889 0.021614583333333333 0.02777777777777778
0 0.6919270833333333 0.7893518518518519 0.0203125 0.032407407407407406
0 0.6669270833333333 0.8476851851851852 0.028645833333333332 0.040740740740740744
0 0.6470052083333333 0.7608796296296296 0.013802083333333333 0.02175925925925926
0 0.6131510416666667 0.5386574074074074 0.02265625 0.033796296296296297
0 0.6440104166666667 0.45416666666666666 0.020833333333333332 0.028703703703703703
0 0.6522135416666667 0.35810185185185184 0.02421875 0.038425925925925926
0 0.5805989583333333 0.6810185185185186 0.012239583333333333 0.022222222222222223
2 0.7453125 0.18888888888888888 0.00625 0.009259259259259259
2 0.75234375 0.20092592592592592 0.008854166666666666 0.011111111111111112
2 0.7567708333333333 0.21157407407407408 0.0078125 0.009259259259259259
2 0.759765625 0.22314814814814815 0.004427083333333333 0.009259259259259259
2 0.7611979166666667 0.23425925925925928 0.0067708333333333336 0.009259259259259259
2 0.763671875 0.2451388888888889 0.007552083333333333 0.011574074074074075
2 0.7669270833333334 0.25810185185185186 0.007291666666666667 0.010648148148148148
2 0.7727864583333334 0.27199074074074076 0.007552083333333333 0.009722222222222222
2 0.775390625 0.2849537037037037 0.0049479166666666664 0.0060185185185185185
2 0.7815104166666667 0.2969907407407408 0.008854166666666666 0.008796296296296297
2 0.7825520833333334 0.30949074074074073 0.0067708333333333336 0.008796296296296297
2 0.7856770833333333 0.3196759259259259 0.005208333333333333 0.006944444444444445
2 0.7881510416666666 0.3287037037037037 0.00703125 0.008333333333333333
2 0.7919270833333333 0.33796296296296297 0.008854166666666666 0.008333333333333333
2 0.7970052083333333 0.34837962962962965 0.009114583333333334 0.010648148148148148
2 0.8028645833333333 0.3597222222222222 0.008854166666666666 0.012962962962962964
2 0.8078124999999999 0.37060185185185185 0.009375 0.007870370370370371
2 0.8115885416666666 0.3770833333333333 0.00546875 0.0060185185185185185
2 0.13828125 0.16828703703703704 0.0036458333333333334 0.008796296296296297
2 0.14166666666666666 0.16782407407407407 0.0026041666666666665 0.008796296296296297
2 0.14388020833333334 0.16666666666666669 0.00234375 0.007407407407407408
2 0.14622395833333332 0.16643518518518519 0.0033854166666666668 0.010648148148148148
2 0.148828125 0.16689814814814816 0.00234375 0.006944444444444445
2 0.15143229166666666 0.16736111111111113 0.002864583333333333 0.005092592592592593
2 0.1546875 0.16689814814814816 0.0026041666666666665 0.009722222222222222
2 0.15755208333333334 0.16782407407407407 0.0036458333333333334 0.009722222222222222
2 0.16067708333333333 0.16736111111111113 0.0036458333333333334 0.007870370370370371
2 0.16432291666666665 0.16550925925925927 0.0026041666666666665 0.009722222222222222
2 0.16705729166666666 0.16574074074074074 0.0033854166666666668 0.008333333333333333
2 0.16927083333333334 0.1641203703703704 0.004166666666666667 0.007870370370370371
2 0.17278645833333334 0.1638888888888889 0.00234375 0.007407407407407408
2 0.17591145833333333 0.16319444444444445 0.002864583333333333 0.007870370370370371
2 0.17981770833333333 0.16435185185185186 0.00390625 0.008333333333333333
2 0.18359375 0.16435185185185186 0.0036458333333333334 0.008333333333333333
2 0.18736979166666667 0.16458333333333333 0.004427083333333333 0.007870370370370371
2 0.191015625 0.16342592592592592 0.00546875 0.010185185185185186
2 0.19622395833333334 0.16111111111111112 0.00390625 0.009259259259259259
2 0.201171875 0.16064814814814815 0.00390625 0.010185185185185186
2 0.20559895833333333 0.16087962962962962 0.00390625 0.009722222222222222
2 0.20950520833333333 0.15972222222222224 0.0033854166666666668 0.010185185185185186
2 0.21315104166666665 0.16041666666666668 0.00234375 0.008796296296296297
2 0.21653645833333332 0.1613425925925926 0.002864583333333333 0.007870370370370371
2 0.22005208333333334 0.16064814814814815 0.003125 0.008333333333333333
2 0.22434895833333332 0.16296296296296298 0.0049479166666666664 0.010185185185185186
2 0.22929687499999998 0.16087962962962962 0.0033854166666666668 0.008796296296296297
2 0.23372395833333334 0.1615740740740741 0.005989583333333333 0.011111111111111112
2 0.237890625 0.1590277777777778 0.00390625 0.008796296296296297
2 0.242578125 0.1599537037037037 0.00390625 0.011574074074074075
2 0.24622395833333333 0.1587962962962963 0.0033854166666666668 0.012037037037037037
2 0.2506510416666667 0.15856481481481483 0.0033854166666666668 0.009722222222222222
2 0.25494791666666666 0.16041666666666668 0.004166666666666667 0.011574074074074075
2 0.259765625 0.1590277777777778 0.0033854166666666668 0.013425925925925926
2 0.2635416666666667 0.1587962962962963 0.003125 0.010185185185185186
2 0.26705729166666664 0.15925925925925927 0.0033854166666666668 0.009259259259259259
2 0.271484375 0.16087962962962962 0.00390625 0.013425925925925926
2 0.27513020833333335 0.1564814814814815 0.004427083333333333 0.011111111111111112
2 0.2805989583333333 0.15671296296296297 0.0033854166666666668 0.011574074074074075
2 0.2852864583333333 0.1574074074074074 0.00390625 0.012962962962962964
2 0.2895833333333333 0.15717592592592594 0.0036458333333333334 0.010648148148148148
2 0.295703125 0.15833333333333333 0.00546875 0.017592592592592594
2 0.3013020833333333 0.1574074074074074 0.0036458333333333334 0.012037037037037037
2 0.30559895833333334 0.15810185185185185 0.00390625 0.011574074074074075
2 0.30950520833333334 0.1587962962962963 0.0033854166666666668 0.012037037037037037
2 0.31419270833333335 0.15555555555555556 0.005989583333333333 0.012962962962962964
2 0.31953125 0.1550925925925926 0.003125 0.012037037037037037
2 0.32369791666666664 0.15601851851851853 0.005208333333333333 0.014814814814814815
2 0.3286458333333333 0.15671296296296297 0.0046875 0.015277777777777779
2 0.33229166666666665 0.15717592592592594 0.0026041666666666665 0.015277777777777779
2 0.33515625 0.15671296296296297 0.0036458333333333334 0.011574074074074075
2 0.338671875 0.15763888888888888 0.002864583333333333 0.0125
2 0.3423177083333333 0.15833333333333333 0.004427083333333333 0.016666666666666666
2 0.346484375 0.15694444444444444 0.00390625 0.01388888888888889
2 0.35 0.15694444444444444 0.0026041666666666665 0.01388888888888889
2 0.3536458333333333 0.15671296296296297 0.0036458333333333334 0.014351851851851852
2 0.3579427083333333 0.15833333333333333 0.00390625 0.01388888888888889
2 0.36158854166666665 0.1574074074074074 0.00234375 0.01388888888888889
2 0.36471354166666664 0.15833333333333333 0.00390625 0.01388888888888889
2 0.36809895833333334 0.15856481481481483 0.002864583333333333 0.01712962962962963
2 0.3709635416666667 0.15717592592592594 0.0033854166666666668 0.015277777777777779
2 0.37447916666666664 0.15763888888888888 0.004166666666666667 0.01712962962962963
2 0.377734375 0.15810185185185185 0.0033854166666666668 0.013425925925925926
2 0.3807291666666667 0.1574074074074074 0.0046875 0.014814814814814815
2 0.38567708333333334 0.1553240740740741 0.005208333333333333 0.013425925925925926
2 0.39036458333333335 0.15555555555555556 0.004166666666666667 0.012037037037037037
2 0.39557291666666666 0.15486111111111112 0.005208333333333333 0.014351851851851852
2 0.4009114583333333 0.15555555555555556 0.00390625 0.01388888888888889
2 0.4063802083333333 0.15694444444444444 0.00390625 0.012962962962962964
2 0.4100260416666667 0.15671296296296297 0.002864583333333333 0.009722222222222222
2 0.4127604166666667 0.15486111111111112 0.0026041666666666665 0.007870370370370371
2 0.41705729166666666 0.15578703703703703 0.002864583333333333 0.009722222222222222
2 0.42161458333333335 0.15717592592592594 0.0026041666666666665 0.0125
2 0.42682291666666666 0.1553240740740741 0.003125 0.011574074074074075
2 0.430078125 0.15763888888888888 0.002864583333333333 0.010648148148148148
2 0.43450520833333334 0.15949074074074074 0.00390625 0.0125
2 0.4375 0.15671296296296297 0.0036458333333333334 0.010648148148148148
2 0.4421875 0.15439814814814815 0.0036458333333333334 0.010648148148148148
2 0.4458333333333333 0.15416666666666667 0.003125 0.01388888888888889
2 0.45 0.15717592592592594 0.0046875 0.0125
2 0.45481770833333335 0.15787037037037038 0.00390625 0.011111111111111112
2 0.46015625 0.15555555555555556 0.003125 0.012037037037037037
2 0.4649739583333333 0.15300925925925926 0.004427083333333333 0.011574074074074075
2 0.469921875 0.15162037037037038 0.0033854166666666668 0.0125
2 0.4744791666666667 0.15439814814814815 0.004166666666666667 0.011574074074074075
2 0.48020833333333335 0.15486111111111112 0.004166666666666667 0.015277777777777779
2 0.48606770833333335 0.15625 0.00390625 0.015277777777777779
2 0.49179687499999997 0.15694444444444444 0.00390625 0.012962962962962964
2 0.4973958333333333 0.15625 0.004166666666666667 0.013425925925925926
2 0.5033854166666667 0.15625 0.00625 0.016203703703703703
2 0.5102864583333333 0.1553240740740741 0.0033854166666666668 0.014351851851851852
2 0.5170572916666667 0.15694444444444444 0.0049479166666666664 0.01388888888888889
2 0.5239583333333333 0.15763888888888888 0.004166666666666667 0.013425925925925926
2 0.5309895833333333 0.1574074074074074 0.003125 0.01388888888888889
2 0.5368489583333333 0.15972222222222224 0.005989583333333333 0.01388888888888889
2 0.544140625 0.15856481481481483 0.00546875 0.011574074074074075
2 0.55 0.15810185185185185 0.0036458333333333334 0.0125
2 0.5559895833333334 0.15717592592592594 0.0067708333333333336 0.013425925925925926
2 0.562890625 0.1599537037037037 0.006510416666666667 0.01712962962962963
2 0.5697916666666667 0.15949074074074074 0.0067708333333333336 0.015277777777777779
2 0.5774739583333334 0.15949074074074074 0.00703125 0.0125
2 0.5842447916666667 0.15949074074074074 0.005989583333333333 0.0125
2 0.5912760416666667 0.16111111111111112 0.005989583333333333 0.012962962962962964
2 0.598046875 0.1615740740740741 0.0033854166666666668 0.012962962962962964
2 0.603125 0.1625 0.007291666666666667 0.012962962962962964
2 0.6110677083333333 0.1650462962962963 0.008072916666666666 0.0125
2 0.618359375 0.16481481481481483 0.005989583333333333 0.010185185185185186
2 0.6251302083333333 0.16527777777777777 0.005989583333333333 0.008333333333333333
2 0.633203125 0.16527777777777777 0.005989583333333333 0.012037037037037037
2 0.640625 0.16666666666666669 0.0067708333333333336 0.012962962962962964
2 0.6484375 0.16689814814814816 0.0046875 0.008796296296296297
2 0.6546875 0.16712962962962963 0.0046875 0.010185185185185186
2 0.6614583333333334 0.1685185185185185 0.0046875 0.010185185185185186
2 0.6680989583333333 0.16944444444444445 0.00546875 0.012037037037037037
2 0.6765625 0.16944444444444445 0.0067708333333333336 0.01388888888888889
2 0.6833333333333333 0.1712962962962963 0.005729166666666666 0.008333333333333333
2 0.690234375 0.1712962962962963 0.00859375 0.012037037037037037
2 0.6998697916666666 0.17222222222222222 0.00859375 0.016666666666666666
2 0.70703125 0.1738425925925926 0.005729166666666666 0.0125
2 0.7139322916666666 0.1738425925925926 0.00703125 0.016203703703703703
2 0.720703125 0.17407407407407408 0.005989583333333333 0.011111111111111112
2 0.72734375 0.1736111111111111 0.00625 0.005555555555555556
2 0.732421875 0.17199074074074075 0.006510416666666667 0.009722222222222222
2 0.7408854166666666 0.1726851851851852 0.0078125 0.011111111111111112
2 0.748828125 0.17500000000000002 0.005989583333333333 0.012037037037037037
2 0.7552083333333334 0.17824074074074076 0.00625 0.010185185185185186
2 0.7630208333333334 0.1800925925925926 0.0078125 0.012037037037037037
2 0.7703125 0.18217592592592594 0.005729166666666666 0.009722222222222222
2 0.778125 0.18356481481481482 0.0067708333333333336 0.011574074074074075
2 0.7861979166666666 0.18333333333333335 0.005729166666666666 0.012962962962962964
2 0.79296875 0.18564814814814815 0.00625 0.012962962962962964
2 0.8006510416666667 0.18796296296296297 0.005989583333333333 0.009259259259259259
2 0.8071614583333333 0.18796296296296297 0.00859375 0.011111111111111112
2 0.816015625 0.1902777777777778 0.008072916666666666 0.012962962962962964
2 0.8256510416666667 0.19467592592592595 0.009635416666666667 0.014351851851851852
2 0.8364583333333333 0.19768518518518519 0.009375 0.015740740740740743
2 0.8440104166666667 0.19652777777777777 0.007291666666666667 0.0125
2 0.8505208333333333 0.19768518518518519 0.007291666666666667 0.007407407407407408
2 0.8575520833333333 0.19722222222222224 0.008854166666666666 0.010185185185185186
2 0.8649739583333333 0.19837962962962963 0.007552083333333333 0.008796296296296297
2 0.873046875 0.20069444444444445 0.008072916666666666 0.010648148148148148
2 0.881640625 0.20046296296296298 0.007552083333333333 0.012962962962962964
2 0.889453125 0.20231481481481484 0.006510416666666667 0.007407407407407408
2 0.896484375 0.2039351851851852 0.007552083333333333 0.007870370370370371
2 0.904296875 0.20439814814814816 0.00390625 0.009722222222222222
2 0.9108072916666666 0.20601851851851852 0.00703125 0.012962962962962964
2 0.91875 0.20740740740740743 0.0078125 0.011111111111111112
2 0.9259114583333333 0.20717592592592593 0.006510416666666667 0.007870370370370371

数据中一共标注了三种检测对象：破损、裂缝和坑洞。

默认使用轻量级的s系列的模型，如下所示：

# YOLOv5  by Ultralytics, GPL-3.0 license

# Parameters
nc: 1  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32


# Backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]


# Head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

默认执行100次epoch的迭代计算，结果如下：

数据可视化如下所示：

混淆矩阵如下：

batch计算实例如下：

从指标上直观来看的话，这个场景的检测效果远远不如常规的目标检测，比如：车辆行人之类的确切目标的检测效果。

【目标检测数据集】卡车数据集1073张VOC+YOLO格式熬夜写代码的平头哥∰ 目标检测 YOLO 人工智能
数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：1073标注数量(xml文件个数)：1073标注数量(txt文件个数)：1073标注类别数：1标注类别名称:["truck"]每个类别标注的框数：truck框数=1120总框数：1120使用标注工具：labelImg标注
钢筋长度超限检测检数据集VOC+YOLO格式215张1类别 futureflsl 数据集 YOLO 深度学习机器学习
数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：215标注数量(xml文件个数)：215标注数量(txt文件个数)：215标注类别数：1标注类别名称:["iron"]每个类别标注的框数：iron框数=215总框数：215使用标注工具：labelImg标注规则：对类别进
COCO 格式的数据集转化为 YOLO 格式的数据集 QYQY77 YOLO python
"""--json_path输入的json文件路径--save_path保存的文件夹名字，默认为当前目录下的labels。"""importosimportjsonfromtqdmimporttqdmimportargparseparser=argparse.ArgumentParser()parser.add_argument('--json_path',default='./instances
yolov5＞onnx＞ncnn＞apk 图像处理大大大大大牛啊 opencv实战代码讲解 yolo onnx ncnn 安卓
一.yolov5pt模型转onnx条件：colabnotebookyolov51.安装环境!pipinstallonnx>=1.7.0#forONNXexport!pipinstallcoremltools==4.0#forCoreMLexport!pipinstallonnx-simplifier2.修改common.py在classFocus下面
[数据集][目标检测]汽车头部尾部检测数据集VOC+YOLO格式5319张3类别 FL1623863129 数据集目标检测汽车 YOLO
数据集制作单位：未来自主研究中心(FIRC)版权单位：未来自主研究中心(FIRC)版权声明：数据集仅仅供个人使用，不得在未授权情况下挂淘宝、咸鱼等交易网站公开售卖,由此引发的法律责任需自行承担数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：5319标注数量(xml文件
遥感图像分割系统：融合空间金字塔池化（FocalModulation)改进YOLOv8 xuehaisj YOLO 人工智能计算机视觉 yolov8
1.研究背景与意义项目参考AAAIAssociationfortheAdvancementofArtificialIntelligence研究背景与意义遥感图像分割是遥感技术领域中的一个重要研究方向，它的目标是将遥感图像中的不同地物或地物类别进行有效的分割和识别。随着遥感技术的不断发展和遥感图像数据的大规模获取，遥感图像分割在农业、城市规划、环境监测等领域具有广泛的应用前景。然而，由于遥感图像的特
如何理解深度学习的训练过程奋斗的草莓熊深度学习人工智能 python scikit-learn virtualenv numpy pandas
文章目录1.训练是干什么？2.预训练模型进行训练，主要更改的是预训练模型的什么东西？1.训练是干什么？以yolov5为例子，训练的目的是把一组输入猫狗图像放到神经网络中，得到一个输出模型，这个模型下次可以直接用来识别哪个是猫，哪个是狗2.预训练模型进行训练，主要更改的是预训练模型的什么东西？超参数（Hyperparameters）：这是模型结构中定义的参数，比如：卷积核大小（kernel_size
基于YOLOV5人脸检测打上码赛克 Deep-white YOLO 人工智能深度学习
还在为自己的隐私而烦恼吗，还在为拍摄的视频因不想露脸而无法发布吗。yolov5检测人脸，并打上马赛克，保护自己的隐私。只需下载代码，解压缩后就可以传入你想要打马赛克的视频或者图片了。这个是需要你对代码有一些了解的，等我开发一下使大家都可以用。里面权重已经训练好了，也有一些人脸的数据集，数据量不多，训练完的权重不是很好，但是给自己的视频打上马赛克足够了。大家要是想去增加数据集，可以使用里面的权重利用
yolov5单目测距+速度测量+目标跟踪 cv_2025 YOLO 目标跟踪人工智能计算机视觉机器学习图像处理 opencv
要在YOLOv5中添加测距和测速功能，您需要了解以下两个部分的原理：单目测距算法单目测距是使用单个摄像头来估计场景中物体的距离。常见的单目测距算法包括基于视差的方法（如立体匹配）和基于深度学习的方法（如神经网络）。基于深度学习的方法通常使用卷积神经网络（CNN）来学习从图像到深度图的映射关系。单目测距代码单目测距涉及到坐标转换，代码如下：defconvert_2D_to_3D(point2D,R,
粉尘识别数据集——工地/矿下粉尘数据识别，数据集已划分，YOLO格式-有权重，相关指数，map相当高毕设宇航 YOLO 机器学习目标跟踪
数据集名称粉尘识别数据集数据集描述这是一个专门针对工地或矿下粉尘识别设计的数据集，包含了大量的高清图像，用于识别施工或采矿环境中产生的粉尘。数据集已经按照标准的数据划分方法分为训练集、验证集和测试集，并且以YOLO格式进行了标注。此外，数据集中还包含了预训练的模型权重和相关性能指标，如mAP（MeanAveragePrecision），表明模型在粉尘识别任务上的表现优异。数据集特点高清图像：所有图
YOLOV8改进-C2f添加Deformable Conv V2 森爱。 YOLOV8改进 YOLO
目录1DeformableConvV2介绍2YOLOV8添加DeformableConvV22.1代码添加到Blocks2.1.1C2f_DCN代码2.1.2加入_all_导入2.1.3加入modules导入2.2添加至运行模块tasks2.2.1导入包2.2.2解析参数添加2.3在_init_中增加名称2.4模型配置文件yaml替换1DeformableConvV2介绍论文地址:https://
结合YOLOv8和OpenCV WeChat QRCode打造一款二维码识别器搜狐技术产品小编2023 YOLO opencv 微信人工智能计算机视觉
本文字数：3876字预计阅读时间：25分钟01引言二维码（QRCode）在现代生活中有广泛应用，从支付系统到信息传递，它们无处不在。本文提出了一种如何识别二维码的方法，主要贡献在于优化处理分辨率较高的图像时，由于二维码在整张图片中占据的比例较小，传统的OpenCVWeChatQRCode的识别方法表现不佳的问题。下面描述详细的优化过程。02OpenCVWeChatQRCodeWeChatQRCod
【目标检测数据集】番茄叶片病害数据集13940张9类VOC+YOLO格式熬夜写代码的平头哥∰ 数据集目标检测 YOLO 目标跟踪
数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：13946标注数量(xml文件个数)：13946标注数量(txt文件个数)：13946标注类别数：9标注类别名称:["EarlyBlight","Healthy","LateBlight","LeafMiner","Le
YOLOv8数据增强热心小张研究生 yolov8
1.找到augment.py（ultralytics/data/augment.py），修改对应内容#TransformsT=[A.Blur(p=0.01),A.MedianBlur(p=0.01),A.ToGray(p=0.01),A.CLAHE(p=0.01),A.RandomBrightnessContrast(p=0.0),A.RandomGamma(p=0.0),A.ImageCompr
[数据集][目标检测]血细胞检测数据集VOC+YOLO格式2757张4类别 FL1623863129 数据集目标检测 YOLO 人工智能
数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：2757标注数量(xml文件个数)：2757标注数量(txt文件个数)：2757标注类别数：4标注类别名称:["Platelets","RBC","WBC","sicklecell"]每个类别标注的框数：Platelet
目标检测YOLO系列从入门到精通技术详解100篇-【目标检测】工业相机格图素书数码相机目标检测人工智能
目录知识储备深度相机1TOF2双目视觉3结构光4智能门锁应用5手机应用算法原理相机的成像与标定模型相机标定的实施·标定过程的算法实施相机标定的扩展CCD工业相机、镜头倍率及相关参数计算方法知识储备深度相机1TOF1.1Kinectv2Kinectv2是Microsoft在2014年发售的，如图1-1所示。相比于Kinectv1在硬件和软件上作出了很大的进化，且在深度测量的系统和非系统误差方面表现出
ERROR: Could not install packages due to an OSError: [Errno 2] No such file or directory:错误解决 nomoremorphine python pip 计算机视觉目标检测
安装yolov8时(pipinstallultralytics)报错：ERROR:CouldnotinstallpackagesduetoanOSError:[Errno2]没有那个文件或目录:‘xxxx/anaconda3/envs/v8-test/lib/python3.7/site-packages/numpy-1.21.6.dist-info/METADATA’问题原因：安装环境里对应的安
论文阅读笔记（十九）：YOLO9000: Better, Faster, Stronger __Sunshine__ 笔记 YOLO9000 detection classification
WeintroduceYOLO9000,astate-of-the-art,real-timeobjectdetectionsystemthatcandetectover9000objectcategories.FirstweproposevariousimprovementstotheYOLOdetectionmethod,bothnovelanddrawnfrompriorwork.Theim
Yolo-v3利用GPU训练make时发生错误：/usr/bin/ld: cannot find -lcuda 徐小妞66666
一.利用GPU训练Yolov3时，首先要修改MakeFile文件，修改格式如下：GPU=1(原来为0)CUDNN=1(原来为0)NVCC=/usr/local/cuda/bin/nvcc(新建,注意自己本机的地址)二.此时make产生错误/usr/bin/ld:cannotfind-lcuda1.查看MakeFile文件找到该行代码：LDFLAGS+=-L/usr/local/cuda/lib64
yolov5 +gui界面+单目测距实现对图片视频摄像头的测距毕设宇航 QQ767172261 yolov5 单目测距
可实现对图片，视频，摄像头的检测项目概述本项目旨在实现一个集成了YOLOv5目标检测算法、图形用户界面（GUI）以及单目测距功能的系统。该系统能够对图片、视频或实时摄像头输入进行目标检测，并估算目标的距离。通过结合YOLOv5的强大检测能力和单目测距技术，系统能够在多种应用场景中提供高效、准确的目标检测和测距功能。技术栈YOLOv5：用于目标检测的深度学习模型。OpenCV：用于图像处理和单目测距
目标检测-YOLOv3 wydxry 深度学习目标检测 YOLO 深度学习
YOLOv3介绍YOLOv3(YouOnlyLookOnce,Version3)是YOLO系列目标检测模型的第三个版本，相较于YOLOv2有了显著的改进和增强，尤其在检测速度和精度上表现优异。YOLOv3的设计目标是在保持高速的前提下提升检测的准确性和稳定性。下面是对YOLOv3改进和优势的介绍，以及YOLOv3核心部分的代码展示。相比YOLOv2的改进与优势多尺度特征金字塔YOLOv3引入了FP
使用TensorRT对YOLOv8模型进行加速推理 fengbingchun Deep Learning CUDA/TensorRT YOLOv8 TensorRT
这里使用GitHub上shouxieai的infer框架对YOLOv8模型进行加速推理，操作过程如下所示：1.配置环境，依赖项，包括：(1).CUDA:11.8(2).cuDNN:8.7.0(3).TensorRT:8.5.3.1(4).ONNX:1.16.0(5).OpenCV:4.10.02.cloneinfer代码：https://github.com/shouxieai/infer3.使用
使用yolov8识别+深度相机+机械臂实现垃圾分拣机械臂（代码分享）调包侠@ YOLO 数码相机毕业设计
文章目录垃圾分拣机械臂总体介绍主要功能与特色视频演示文件目录程序主代码完整代码链接垃圾分拣机械臂总体介绍本作品将视觉识别技术部署在嵌入式设备，自动控制机械臂进行分拣任务，在我们的设计中，首先使用深度相机将图像信息发送到嵌入式设备，视觉识别算法进行分类检测，将垃圾分为感染性，损失性，病理性，药物性，化学性，并根据相机的深度值计算出目标的三维坐标，由于系统使用眼在手外的结构，根据手眼标定的结果，将坐标
【深度学习实战】行人检测追踪与双向流量计数系统【python源码+Pyqt5界面+数据集+训练代码】YOLOv8、ByteTrack、目标追踪、双向计数、行人检测追踪、过线计数阿_旭 AI应用软件开发实战深度学习实战深度学习 python 行人检测行人追踪过线计数
《博主简介》小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~感谢小伙伴们点赞、关注！《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体
pytorch训练后pt模型中保存内容详解(yolov8n.pt为例) yueguang8 yolo算法 pytorch YOLO 人工智能
在PyTorch中，.pt模型文件通常包含以下几类数据：模型参数：存储模型的权重和偏置参数。优化器状态：包含优化器的状态信息，以便在恢复训练时能够从中断的地方继续。训练状态：一些训练过程中的信息，例如当前的epoch数和训练进度。其他元数据：包括模型的配置、训练时使用的超参数等。在讲解pytorchpt(pth)文件中保存了什么内容之前，需要先了解pt在保存时保存了那些参数。以YOLO系列pt保存
实训day4 yolo1代码运行 Hazelyu27
yolo1代码运行今天主要是在pycharm上运行pytorch的yolo1训练和测试代码。主要遇到的问题：1.训练文件路径的修改，开始没有找到tmp_file文件，就在该文件夹下创建了这个txt文件，但是发现：ifisinstance(list_file,list):#Catmultiplelistfilestogether.#Thisisespeciallyusefulforvoc07/voc
[数据集][目标检测]街道乱堆垃圾检测数据集VOC+YOLO格式94张1类别 FL1623863129 数据集目标检测 YOLO 人工智能
数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：94标注数量(xml文件个数)：94标注数量(txt文件个数)：94标注类别数：1标注类别名称:["baolu"]每个类别标注的框数：baolu框数=107总框数：107使用标注工具：labelImg标注规则：对类别进行
地平线旭日x3派部署yolov8 巴啦啦魔仙变！！ YOLO python 数学建模
地平线旭日x3派部署yolov8总体流程1.导出onnx模型导出YOLOV8_onnxruntime.py验证onnxutils.py2.在开发机转为bin模型2.1准备数据图片2.2转换必备的yaml文件2.3开始转换3.开发机验证**quantized_model.onnx4.板子运行bin模型资源链接总体流程1.导出onnx模型导出使用yolov8的github库导出onnx模型。注意设置o
YOLOv8改进 | 检测头篇 | YOLOv8引入DynamicHead检测头小李学AI YOLOv8有效涨点专栏 YOLO 深度学习目标检测计算机视觉机器学习人工智能
1.DynamicHead描述1.1摘要：在目标检测中，定位和分类相结合的复杂性导致了各种方法的蓬勃发展。以往的工作试图提高各种目标检测头的性能，但未能呈现出统一的观点。本文根据目标检测的特点，推导了一种新的动态头部框架，将目标检测头部与注意力统一起来。该方法通过在特征层次间、空间位置间和输出通道内协调组合多种自注意机制，在不增加计算开销的情况下显著提高了目标检测头的表示能力。进一步的实验表明，本
YOLOv8 只检测人只画框不要标签 waketzheng YOLO
参考了这个：YOLOv8只检测人（或其他一种或者多种类别）_yolov8只检测指定类别-CSDN博客1.只检测人：predict的时候指定参数classes=[0]2.只画框不要标签：plot的时候传入labels=False3.标签中去掉置信度：result.plot(conf=False)示例代码如下：#!/usr/bin/envpythonimportcontextlibfromdateti
mongodb3.03开启认证 21jhf mongodb
下载了最新mongodb3.03版本，当使用--auth 参数命令行开启mongodb用户认证时遇到很多问题，现总结如下：（百度上搜到的基本都是老版本的，看到db.addUser的就是，请忽略） Windows下我做了一个bat文件，用来启动mongodb，命令行如下： mongod --dbpath db\data --port 27017 --directoryperdb --logp
【Spark103】Task not serializable bit1129 Serializable
Task not serializable是Spark开发过程最令人头疼的问题之一，这里记录下出现这个问题的两个实例，一个是自己遇到的，另一个是stackoverflow上看到。等有时间了再仔细探究出现Task not serialiazable的各种原因以及出现问题后如何快速定位问题的所在，至少目前阶段碰到此类问题，没有什么章法 1. package spark.exampl
你所熟知的 LRU(最近最少使用) dalan_123 java
关于LRU这个名词在很多地方或听说，或使用，接下来看下lru缓存回收的实现 1、大体的想法 a、查询出最近最晚使用的项 b、给最近的使用的项做标记通过使用链表就可以完成这两个操作，关于最近最少使用的项只需要返回链表的尾部；标记最近使用的项，只需要将该项移除并放置到头部，那么难点就出现你如何能够快速在链表定位对应的该项？这时候多
Javascript 跨域周凡杨 JavaScript jsonp 跨域 cross-domain
linux下安装apache服务器 g21121 apache
安装apache 下载windows版本apache，下载地址：http://httpd.apache.org/download.cgi 1.windows下安装apache Windows下安装apache比较简单，注意选择路径和端口即可，这里就不再赘述了。 2.linux下安装apache：下载之后上传到linux的相关目录，这里指定为/home/apach
FineReport的JS编辑框和URL地址栏语法简介老A不折腾 finereport web报表报表软件语法总结
JS编辑框： 1.FineReport的js。作为一款BS产品，browser端的JavaScript是必不可少的。 FineReport中的js是已经调用了finereport.js的。大家知道，预览报表时，报表servlet会将cpt模板转为html，在这个html的head头部中会引入FineReport的js，这个finereport.js中包含了许多内置的fun
根据STATUS信息对MySQL进行优化墙头上一根草 status
mysql 查看当前正在执行的操作，即正在执行的sql语句的方法为: show processlist 命令 mysql> show global status;可以列出MySQL服务器运行各种状态值，我个人较喜欢的用法是show status like '查询值%';一、慢查询mysql> show variab
我的spring学习笔记7-Spring的Bean配置文件给Bean定义别名 aijuans Spring 3
本文介绍如何给Spring的Bean配置文件的Bean定义别名？原始的 <bean id="business" class="onlyfun.caterpillar.device.Business"> <property name="writer"> <ref b
高性能mysql 之性能剖析 annan211 性能 mysql mysql 性能剖析剖析
1 定义性能优化 mysql服务器性能，此处定义为响应时间。在解释性能优化之前，先来消除一个误解，很多人认为，性能优化就是降低cpu的利用率或者减少对资源的使用。这是一个陷阱。资源时用来消耗并用来工作的，所以有时候消耗更多的资源能够加快查询速度，保持cpu忙绿，这是必要的。很多时候发现编译进了新版本的InnoDB之后，cpu利用率上升的很厉害，这并不
主外键和索引唯一性约束百合不是茶索引唯一性约束主外键约束联机删除
目标;第一步;创建两张表用户表和文章表第二步;发表文章 1,建表; ---用户表 BlogUsers --userID唯一的 --userName --pwd --sex create
线程的调度 bijian1013 java 多线程 thread 线程的调度 java多线程
1. Java提供一个线程调度程序来监控程序中启动后进入可运行状态的所有线程。线程调度程序按照线程的优先级决定应调度哪些线程来执行。 2. 多数线程的调度是抢占式的（即我想中断程序运行就中断，不需要和将被中断的程序协商） a)
查看日志常用命令 bijian1013 linux 命令 unix
一.日志查找方法，可以用通配符查某台主机上的所有服务器grep "关键字" /wls/applogs/custom-*/error.log 二.查看日志常用命令1.grep '关键字' error.log：在error.log中搜索'关键字'2.grep -C10 '关键字' error.log：显示关键字前后10行记录3.grep '关键字' error.l
【持久化框架MyBatis3一】MyBatis版HelloWorld bit1129 helloworld
MyBatis这个系列的文章，主要参考《Java Persistence with MyBatis 3》。样例数据本文以MySQL数据库为例，建立一个STUDENTS表，插入两条数据，然后进行单表的增删改查 CREATE TABLE STUDENTS ( stud_id int(11) NOT NULL AUTO_INCREMENT,
【Hadoop十五】Hadoop Counter bit1129 hadoop
1. 只有Map任务的Map Reduce Job File System Counters FILE: Number of bytes read=3629530 FILE: Number of bytes written=98312 FILE: Number of read operations=0 FILE: Number of lar
解决Tomcat数据连接池无法释放 ronin47 tomcat 连接池　优化
近段时间，公司的检测中心报表系统(SMC)的开发人员时不时找到我，说用户老是出现无法登录的情况。前些日子因为手头上有Jboss集群的测试工作，发现用户不能登录时，都是在Tomcat中将这个项目Reload一下就好了，不过只是治标而已，因为大概几个小时之后又会再次出现无法登录的情况。今天上午，开发人员小毛又找到我，要我协助将这个问题根治一下，拖太久用户难保不投诉。简单分析了一
java-75-二叉树两结点的最低共同父结点 bylijinnan java
import java.util.LinkedList; import java.util.List; import ljn.help.*; public class BTreeLowestParentOfTwoNodes { public static void main(String[] args) { /* * node data is stored in
行业垂直搜索引擎网页抓取项目 carlwu Lucene Nutch Heritrix Solr
公司有一个搜索引擎项目，希望各路高人有空来帮忙指导，谢谢！这是详细需求：（1）通过提供的网站地址(大概100-200个网站)，网页抓取程序能不断抓取网页和其它类型的文件（如Excel、PDF、Word、ppt及zip类型），并且程序能够根据事先提供的规则，过滤掉不相干的下载内容。（2）程序能够搜索这些抓取的内容，并能对这些抓取文件按照油田名进行分类，然后放到服务器不同的目录中。
[通讯与服务]在总带宽资源没有大幅增加之前,不适宜大幅度降低资费 comsci 资源
降低通讯服务资费，就意味着有更多的用户进入，就意味着通讯服务提供商要接待和服务更多的用户，在总体运维成本没有由于技术升级而大幅下降的情况下，这种降低资费的行为将导致每个用户的平均带宽不断下降，而享受到的服务质量也在下降，这对用户和服务商都是不利的。。。。。。。。 &nbs
Java时区转换及时间格式 Cwind java
本文介绍Java API 中 Date, Calendar, TimeZone和DateFormat的使用，以及不同时区时间相互转化的方法和原理。问题描述：向处于不同时区的服务器发请求时需要考虑时区转换的问题。譬如，服务器位于东八区（北京时间，GMT+8:00），而身处东四区的用户想要查询当天的销售记录。则需把东四区的“今天”这个时间范围转换为服务器所在时区的时间范围。
readonly,只读，不可用 dashuaifu js jsp disable readOnly readOnly
readOnly 和 readonly 不同，在做js开发时一定要注意函数大小写和jsp黄线的警告！！！我就经历过这么一件事：使用readOnly在某些浏览器或同一浏览器不同版本有的可以实现“只读”功能，有的就不行，而且函数readOnly有黄线警告！！！就这样被折磨了不短时间！！！（期间使用过disable函数，但是发现disable函数之后后台接收不到前台的的数据！！！）
LABjs、RequireJS、SeaJS 介绍 dcj3sjt126com js Web
LABjs 的核心是 LAB（Loading and Blocking）：Loading 指异步并行加载，Blocking 是指同步等待执行。LABjs 通过优雅的语法（script 和 wait）实现了这两大特性，核心价值是性能优化。LABjs 是一个文件加载器。RequireJS 和 SeaJS 则是模块加载器，倡导的是一种模块化开发理念，核心价值是让 JavaScript 的模块化开发变得更
[应用结构]入口脚本 dcj3sjt126com PHP yii2
入口脚本入口脚本是应用启动流程中的第一环，一个应用（不管是网页应用还是控制台应用）只有一个入口脚本。终端用户的请求通过入口脚本实例化应用并将将请求转发到应用。 Web 应用的入口脚本必须放在终端用户能够访问的目录下，通常命名为 index.php，也可以使用 Web 服务器能定位到的其他名称。控制台应用的入口脚本一般在应用根目录下命名为 yii（后缀为.php），该文
haoop shell命令 eksliang hadoop hadoop shell
cat chgrp chmod chown copyFromLocal copyToLocal cp du dus expunge get getmerge ls lsr mkdir movefromLocal mv put rm rmr setrep stat tail test text
MultiStateView不同的状态下显示不同的界面 gundumw100 android
只要将指定的view放在该控件里面，可以该view在不同的状态下显示不同的界面，这对ListView很有用，比如加载界面，空白界面，错误界面。而且这些见面由你指定布局，非常灵活。 PS：ListView虽然可以设置一个EmptyView，但使用起来不方便，不灵活，有点累赘。 <com.kennyc.view.MultiStateView xmlns:android=&qu
jQuery实现页面内锚点平滑跳转 ini JavaScript html jquery html5 css
平时我们做导航滚动到内容都是通过锚点来做，刷的一下就直接跳到内容了，没有一丝的滚动效果，而且 url 链接最后会有“小尾巴”，就像#keleyi，今天我就介绍一款 jquery 做的滚动的特效，既可以设置滚动速度，又可以在 url 链接上没有“小尾巴”。效果体验：http://keleyi.com/keleyi/phtml/jqtexiao/37.htmHTML文件代码： &
kafka offset迁移 kane_xie kafka
在早前的kafka版本中（0.8.0），offset是被存储在zookeeper中的。到当前版本（0.8.2）为止，kafka同时支持offset存储在zookeeper和offset manager（broker）中。从官方的说明来看，未来offset的zookeeper存储将会被弃用。因此现有的基于kafka的项目如果今后计划保持更新的话，可以考虑在合适
android > 搭建 cordova 环境 mft8899 android
1 , 安装 node.js http://nodejs.org node -v 查看版本 2, 安装 npm 可以先从 https://github.com/isaacs/npm/tags 下载源码解压到
java封装的比较器，比较是否全相同，获取不同字段名字 qifeifei
非常实用的java比较器，贴上代码： import java.util.HashSet; import java.util.List; import java.util.Set; import net.sf.json.JSONArray; import net.sf.json.JSONObject; import net.sf.json.JsonConfig; i
记录一些函数用法 .Aky. 位运算 PHP 数据库函数 IP
高手们照旧忽略。想弄个全天朝IP段数据库，找了个今天最新更新的国内所有运营商IP段，copy到文件，用文件函数，字符串函数把玩下。分割出startIp和endIp这样格式写入.txt文件，直接用phpmyadmin导入.csv文件的形式导入。（生命在于折腾，也许你们觉得我傻X，直接下载人家弄好的导入不就可以，做自己的菜鸟，让别人去说吧）当然用到了ip2long()函数把字符串转为整型数
sublime text 3 rust wudixiaotie Sublime Text
1.sublime text 3 => install package => Rust 2.cd ~/.config/sublime-text-3/Packages 3.mkdir rust 4.git clone https://github.com/sp0/rust-style 5.cd rust-style 6.cargo build --release 7.ctrl

助力路面智能巡检养护，基于YOLOv5开发轻量级路面缺陷智能检测系统

你可能感兴趣的:(YOLO)