精华内容
下载资源
问答
  • 淘宝秒杀4.0:在3.0基础上优化了代码,更改了协议登录方式,一个较完整的exe桌面应用程序,但是淘宝的防爬比较严重,设置代理好像没作用,我猜他应该检测账号的吧?如果程序死了别意外,一定被反爬了,过5分钟...
  • <div><p>11-08 11:52:31.864 10343-14246/? E/dalvikvm: dlopen("...) failed: dlopen failed: cannot locate symbol "signal" referenced by "libApkPatchLibrary.so"... 11-08 11:52:31.894 ...
  • <div><p>VM122:2 Error: Failed to execute 'toDataURL' on 'HTMLCanvasElement': Tainted canvases may not be exported. at Error (native) ... at u (:1:2257) at :1:4644</p><p>该提问来源于开源...
  • <div><p>该提问来源于开源项目:littlecurl/AppProjects</p></div>
  • <div><p>RT。</p><p>该提问来源于开源项目:tigerAndBull/TABAnimated</p></div>
  • 前言: 收集了一些有趣的网页demo,这才程序员表达的最佳方式嘛,傲娇脸... 今晚吃呢?随机摇店名 总是在纠结吃什么,于是就可以… 主要原理:其实就是random一个数组,和随机摇数字的原理一样,只不过把数字...
    前言: 收集了一些有趣的网页demo,这才是程序员表达的最佳方式嘛,傲娇脸...

    今晚吃啥呢?随机摇店名

    总是在纠结吃什么,于是就可以…

    主要原理:其实就是random一个数组,和随机摇数字的原理一样,只不过把数字改成数组的下标就可以了。
    效果页面:https://nekodeng.gitee.io/demolist
    源码链接:https://gitee.com/nekodeng/some-funny-demo/tree/master/what2eat

    生日祝福文字打字机效果

    实现生日祝福文字,打字机效果循环执行。

    主要代码:

    <script type="text/javascript">
    var a = "HappyBirthday Bao" ;
    var b = 0 ; 
    setTimeout("birth()", 1000);
    function birth() { 
      document.getElementById("hbbao").innerHTML = a.substring(0, b);
      if (b == a.length){ 
        setTimeout("b=0",2000);
      } 
      else{
        b++;
      }
      setTimeout("birth()", 300); 
    }
    

    效果页面:https://nekodeng.gitee.io/demolist
    源码链接:https://gitee.com/nekodeng/some-funny-demo/tree/master/happybirth

    纯css画的卫生巾

    本来我还愁着卫生巾这玩意儿怎么玩都玩不出他那样的节操,不过我觉得我也已经把卫生巾玩到下限了。
    我感觉你们应该不需要这玩意儿的,不过代码我还是放出来吧,没啥意图,勿喷哈。
    然后就不放效果图了,感兴趣的去复制源码看效果。

    • css代码
        .jj{width:100px;height:100px;background:#fff;border-top-right-radius:100px;border-top-left-radius:100px;border:1px solid  #000;border-bottom:none}
        .jj2{width:100px;height:100px;background:#fff;border:1px solid  #000;border-top:none;border-bottom:none}
        .jj3{width:100px;height:100px;background:#fff;border:1px solid  #000;border-bottom-right-radius:100px; border-bottom-left-radius:100px;border-top:none; }
        .jj4{width:50px;height:80px;background:#fff;position:absolute; left:-50px;border:1px solid #000;border-bottom-left-radius:100px;border-top-left-radius:100px;border-right:none;}
        .jj5{ width:50px;height:80px;background:#fff; border-bottom-right-radius:100px;border-top-right-radius:100px;border:1px solid #000;border-left:none;position:absolute;  left:100px;    }
        .jian{ position:absolute; left:500px;top:200px;display:none  } 
        #jianjian:hover .jian{display:block}
        .jj6{ border-radius:200px / 250px;position:absolute;top:100px;left:30px;-webkit-animation:jianjian 2s ease-in;  -webkit-animation-fill-mode:forwards; -moz-animation:jianjian 2s ease-in;  -moz-animation-fill-mode:forwards;width: 60px;height: 120px;background: #9C0505;box-shadow: 0 0 60px #C20101,inset 0 0 10px #FF9B9B;  }  
        @-webkit-keyframes jianjian{  
          0%   {width:0px;height:0px;left:50%;top:50%; opacity:0;}  
          100% {width: 50px;height:80px; opacity:1;}  
        }  
        @-moz-keyframes jianjian{  
          0%   {width:0px;height:0px;left:50%;top:50%; opacity:0;}  
          100% {width: 50px;height:80px; opacity:1;} 
        } 
        .jj7{-webkit-animation: bleeding 1s linear 3s infinite;-moz-animation:  bleeding 1s linear 3s infinite;width:10px;height:10px;border-radius:200px ;position:absolute;top:120px;left:40px}
        @-webkit-keyframes bleeding {
        0% { -webkit-transform: translate3d(0,0,0) rotate(0deg);background:#9C0505;}
        100% {-webkit-transform: translate3d(0,1000px,0) rotate(360deg);}	
        }
        @-moz-keyframes bleeding {
        0% { -moz-transform: translate3d(0,0,0) rotate(0deg);background:#9C0505;}
        100% {-moz-transform: translate3d(0,1000px,0) rotate(360deg);}	
        }
        .jj8{-webkit-animation: bleeding2 5s ease-in 3s infinite;-moz-animation:bleeding2 5s ease-in 3s infinite;width:5px;height:10px;border-radius:200px ;position:absolute;top:170px;left:60px;}
        @-webkit-keyframes bleeding2 {
        0% {  height:0;background:#9C0505}
        100% {height:120px}	
        }
        @-moz-keyframes bleeding2 {
        0% {  height:0;background:#9C0505}
        100% {height:120px}	
        }
    
    • html代码
    <div class="jian">
    <div class="jj"> </div>
    <div class="jj4"> </div>
    <div class="jj5"> </div>
    <div class="jj2"> </div>
    <div class="jj3"> </div>
    <div class="jj6"> </div>
    <div class="jj7"> </div>
    <div class="jj8"> </div>
    </div>
    

    源码链接:https://gitee.com/nekodeng/some-funny-demo/tree/master/happybirth

    来源于博主:
    小蝴蝶

    展开全文
  • 小小的demo基于一张表的增删改查 环境:springBoot,mybatis,oracle等 bug调试问题有点不熟,太初心 还是有很多地方不熟啊,而且出错了,不是特别会精准定位到错误得到位置,中间遇到了很多莫名的错误,以及...
  • 第一步: 打开“微信支付接口签名校验工具” ... 第二步: 打开“安全规范-签名算法” ...打开“API列表-统一下单”找到“请求参数”,把必填为【】的字段全部添上 appid=wx03bcf42e33c60ce...

    第一步:

    打开“微信支付接口签名校验工具”

    https://pay.weixin.qq.com/wiki/doc/api/native.php?chapter=20_1

     

    第二步:

    打开“安全规范-签名算法”

    一般情况下错误都是这块的问题

     

    第三步:

    打开“API列表-统一下单”找到“请求参数”,把必填为【是】的字段全部添上

    appid=wx03bcf42e33c60cef&
    attach=附加数据&
    body=商品描述&
    detail=商品详情&
    device_info=iphone4s&
    fee_type=CNY&
    goods_tag=订单优惠标记&
    mch_id=1499992502&
    nonce_str=2019191035&
    notify_url=http://www.gerenwaibao.com/&
    out_trade_no=149999250220190428104818598&
    product_id=123456789&
    sign_type=HMAC-SHA256&
    spbill_create_ip=123.12.12.123&
    time_expire=20190428105819&
    time_start=20190428104819&
    total_fee=1&
    trade_type=NATIVE&
    key=qwertyuiopasdfghjklzxcvbnm123456

     

    第四步:排错

    根据【第二步】生成代码,然后,把生成的代码填入到【第一步】“校验工具”里确定字段无误,

    代码逐行运行,校验工具点击“校验签名”

    他们的最后的“sign”是否一样?

    我这里直接跑的微信例子他们的代码加密方式是“HMAC-SHA256”,但系统报错;

    后来,我改成“MD5”,他们最后的“sign”值是一样的,系统正常运行,无报错

     

    展开全文
  • flex 小demo

    2017-11-09 15:43:06
    flex小demo,工作的时候随便写的一个,我也忘了是啥,有兴趣的朋友可以下载一下,支持一下
  • SSM框架demo

    2015-08-24 15:56:14
    一个SSM框架的demo,我都不知道写的是啥,大家随意下载,免费的
  • 忘了这啥是啥

    2021-06-17 09:44:06
    from demo import loadData app=Flask(__name__) @app.route('/') def hello_world(): expenses,count=loadData() # print(expenses,count) expenses=list(map(lambda x:"%.2f元"%x,expenses)) return render_
    //app
    from flask import Flask,render_template
    from demo import loadData
    app=Flask(__name__)
    
    @app.route('/')
    def hello_world():
        expenses,count=loadData()
        # print(expenses,count)
        expenses=list(map(lambda x:"%.2f元"%x,expenses))
        return render_template("index.html",x=expenses,y=count)
    
    if __name__ == '__main__':
        app.run(debug=True)
    
    
    // demo
    from sklearn.cluster import KMeans
    import numpy as np
    def loadData():
        #city.txt处理成2=>城市列表,消费数据列表
        file=open("city.txt",encoding="utf-8")
        cityName=[]
        cityData=[]
        for line in file:
            items=line.split(",")
            cityName.append(items[0])
            cityData.append([items[i] for i in range(1,len(items))])
        # print(cityData)
        # print(cityName)
    
        #实例化kmeans算法类的对象
        kmeans=KMeans(n_clusters=5)
        #调用fit_predict()
        labels=kmeans.fit_predict(cityData)
        #将城市名称按簇的编号分类
        cityCluster=[[0],[1],[2],[3],[4]]
        print(cityName)
        print(labels)
        for i in range(len(cityName)):#利用cityname的长度产生下标范围
            cityCluster[labels[i]].append(cityName[i])
    
        expenses=np.sum(kmeans.cluster_centers_,axis=1)
        count=[]
        for i in range(len(cityCluster)):
            print("各消费水平:",expenses[i])
            print("各城市名称:",cityCluster[i])
            count.append(len(cityCluster[i]))
        return expenses,count
    
    if __name__ == '__main__':
        loadData()
    
    // index
    <!DOCTYPE html>
    <html lang="en">
    <head>
        <meta charset="UTF-8">
        <title>Title</title>
    </head>
    <body>
        <div id="box" style="width: 550px;height: 400px;margin: 0 auto"></div>
        <script src="/static/echarts.min.js"></script>
        <script>
            var myecharts=echarts.init(document.getElementById("box"),"dark")
            var option = {
        title : {
            text: '31省消费水平统计'
        },
        tooltip : {
            trigger: 'axis'
        },
        legend: {
            data:['城市数量']
        },
        xAxis : [
            {
                type : 'category',
                data : {{ x | safe }}
            }
        ],
        yAxis : [
            {
                type : 'value'
            }
        ],
        series : [
            {
                name:'城市数量',
                type:'bar',
                data:{{ y | safe }}
            },
    
        ]
    };
    
            myecharts.setOption(option);
        </script>
    </body>
    </html>
    
    展开全文
  • activeMQ Demo

    2017-05-18 22:39:10
    至于activeMQ的就不在这说了,项目部署到开发工具后,Windows下activeMQ的服务请在此链接下载:http://download.csdn.net/detail/u012816777/9846190 安装使用,请问百度吧! 配置好后,请用代码亲测。
  • 目录前言1,关于openVINO2,下载地址:3,运行demo4,总结 前言 相关TensorFlow 全部分类: https://blog.csdn.net/freewebsys/category_6872378.html 本文的原文连接: ...未经博主允许不得转载。...

    前言


    相关TensorFlow 全部分类:
    https://blog.csdn.net/freewebsys/category_6872378.html

    本文的原文连接是:
    https://blog.csdn.net/freewebsys/article/details/105321790

    未经博主允许不得转载。
    博主地址是:http://blog.csdn.net/freewebsys

    1,关于openVINO


    英特尔® OpenVINO™ 工具套件分发版支持快速部署可模拟人类视觉的应用和解
    决方案。该工具套件基于卷积神经网络 (CNN),可在英特尔® 硬件中扩展计算机
    视觉 (CV) 工作负载,实现卓越性能。英特尔® OpenVINO™ 工具套件分发版包括
    英特尔® 深度学习部署工具套件(英特尔® DLDT)。
    面向 Linux* 的英特尔® OpenVINO™ 工具套件分发版:

     在边缘支持基于 CNN 的深度学习推理
     支持跨英特尔® CPU、英特尔® 集成显卡、英特尔® Movidius™ 神经计算
    棒、英特尔® 神经计算棒 2 和采用英特尔® Movidius™ VPU 的英特尔® 视
    觉加速器设计的异构执行
     通过易于使用的计算机视觉函数库和预优化的内核缩短上市时间
     包括针对计算机视觉标准(包括 OpenCV* 和 OpenCL™)的优化调用
    安装包中包含的组件
    默认安装以下组件:

    组件 描述
    模型优化器
    该工具可将在常见框架上训练的模型导入、转换与优化
    为可供英特尔工具(特别是推理引擎)使用的格式。
    常见框架包括 Caffe*、TensorFlow*、MXNet* 和
    ONNX*。
    推理引擎
    这是一款运行深度学习模型的引擎。它包括一组库,可
    将推理轻松集成至您的应用。
    面向 OpenCL™ 版本 2.1
    的驱动程序和运行时
    在英特尔® 处理器或是英特尔®处理器显卡上支持
    OpenCL
    英特尔® 媒体软件开发
    套件
    支持访问硬件加速视频编解码器和帧处理
    OpenCV 针对英特尔® 硬件编译的 OpenCV* 社区版本
    示例应用
    一组简单的控制台应用,演示了如何在应用中使用推理
    引擎
    演示
    一组控制台应用,演示了如何在应用中使用推理引擎处
    理特定用例
    其他工具 一组用于处理模型的工具
    预训练模型文档 针对预训练模型的文档详见 Open Model Zoo 存储库
    开发与目标平台
    开发和目标平台具有相同的要求,但是您可以在安装过程中根据您的预期用途,选
    择不同的组件。
    硬件
     第六代到第十代智能英特尔® 酷睿™ 处理器
     英特尔® 至强® v5 产品家族
     英特尔® 至强® v6 产品家族
     采用英特尔® 核芯显卡的英特尔® 奔腾® 处理器 N4200/5、N3350/5、
    N3450/5
     英特尔® Movidius™ 神经计算棒
     英特尔® 神经计算棒 2
     采用英特尔® Movidius™ VPU 的英特尔® 视觉加速器设计

    https://docs.openvinotoolkit.org/cn/index.html

    2,下载地址:


    https://software.intel.com/en-us/openvino-toolkit/choose-download

    https://software.intel.com/en-us/openvino-toolkit/choose-download/free-download-linux

    需要填的信息,然后就有下载页面了:

    在这里插入图片描述

    特别好的地方是,重要到正式版本了。 1.0 了。之前一直都是R1 R3 啥的版本。

    解压缩:

    ls -lh 
    l_openvino_toolkit_p_2020.1.023.tgz
    
    tar -zxvf l_openvino_toolkit_p_2020.1.023.tgz
    
    cd l_openvino_toolkit_p_2020.1.023
    sh install_GUI.sh 
    
    

    带界面的安装:

    libswscale-dev
    libavcodec-dev
    libavformat-dev

    Intel® Graphics Compute Runtime for OpenCL™ Driver is missing but you will be prompted to install later
    You will be prompted later to install the required Intel® Graphics Compute Runtime for OpenCL™ Driver For applications that offload computation to your Intel® GPU, the Intel® Graphics Compute Runtime for OpenCL™ Driver package for Linux is required.
    
    

    安装完成的文档:

    https://docs.openvinotoolkit.org/2020.1/_docs_install_guides_installing_openvino_linux.html#install-external-dependencies

    可以看到同时安装了 OpenCV :

    $ ls
    bin  data_processing  deployment_tools  documentation  inference_engine  install_dependencies  licensing  opencv  openvino_toolkit_uninstaller  python
    
    

    在这里插入图片描述
    在这里插入图片描述

    3,运行demo


    ls openvino/deployment_tools/demo$ 
    
    car_1.bmp  demo_benchmark_app.sh              demo_security_barrier_camera.sh  demo_squeezenet_download_convert_run.sh  README.txt            utils.sh
    car.png    demo_security_barrier_camera.conf  demo_speech_recognition.sh       how_are_you_doing.wav                    squeezenet1.1.labels
    
    

    然后执行 demo_benchmark_app
    特别注意这个是个 bash 脚步。不能用sh 执行。!!!!

    bash  demo_benchmark_app.sh
    然后输入管理员密码,一顿下载省略中。。。
    
    
    ###################################################
    
    Convert a model with Model Optimizer
    
    Run python3 /media/test/NewDisk1/opt/intel/openvino_2020.1.023/deployment_tools/open_model_zoo/tools/downloader/converter.py --mo /media/test/NewDisk1/opt/intel/openvino_2020.1.023/deployment_tools/model_optimizer/mo.py --name squeezenet1.1 -d /home/test/openvino_models/models -o /home/test/openvino_models/ir --precisions FP16
    
    ========= Converting squeezenet1.1 to IR (FP16)
    Conversion command: /usr/bin/python3 -- /media/test/NewDisk1/opt/intel/openvino_2020.1.023/deployment_tools/model_optimizer/mo.py --framework=caffe --data_type=FP16 --output_dir=/home/test/openvino_models/ir/public/squeezenet1.1/FP16 --model_name=squeezenet1.1 '--input_shape=[1,3,227,227]' --input=data '--mean_values=data[104.0,117.0,123.0]' --output=prob --input_model=/home/test/openvino_models/models/public/squeezenet1.1/squeezenet1.1.caffemodel --input_proto=/home/test/openvino_models/models/public/squeezenet1.1/squeezenet1.1.prototxt
    
    Model Optimizer arguments:
    Common parameters:
    	- Path to the Input Model: 	/home/test/openvino_models/models/public/squeezenet1.1/squeezenet1.1.caffemodel
    	- Path for generated IR: 	/home/test/openvino_models/ir/public/squeezenet1.1/FP16
    	- IR output name: 	squeezenet1.1
    	- Log level: 	ERROR
    	- Batch: 	Not specified, inherited from the model
    	- Input layers: 	data
    	- Output layers: 	prob
    	- Input shapes: 	[1,3,227,227]
    	- Mean values: 	data[104.0,117.0,123.0]
    	- Scale values: 	Not specified
    	- Scale factor: 	Not specified
    	- Precision of IR: 	FP16
    	- Enable fusing: 	True
    	- Enable grouped convolutions fusing: 	True
    	- Move mean values to preprocess section: 	False
    	- Reverse input channels: 	False
    Caffe specific parameters:
    	- Path to Python Caffe* parser generated from caffe.proto: 	/media/test/NewDisk1/opt/intel/openvino_2020.1.023/deployment_tools/model_optimizer/mo/front/caffe/proto
    	- Enable resnet optimization: 	True
    	- Path to the Input prototxt: 	/home/test/openvino_models/models/public/squeezenet1.1/squeezenet1.1.prototxt
    	- Path to CustomLayersMapping.xml: 	Default
    	- Path to a mean file: 	Not specified
    	- Offsets for a mean file: 	Not specified
    Model Optimizer version: 	2020.1.0-61-gd349c3ba4a
    
    [ SUCCESS ] Generated IR version 10 model.
    [ SUCCESS ] XML file: /home/test/openvino_models/ir/public/squeezenet1.1/FP16/squeezenet1.1.xml
    [ SUCCESS ] BIN file: /home/test/openvino_models/ir/public/squeezenet1.1/FP16/squeezenet1.1.bin
    [ SUCCESS ] Total execution time: 4.52 seconds. 
    [ SUCCESS ] Memory consumed: 82 MB. 
    
    
    
    ###################################################
    
    Build Inference Engine samples
    
    -- The C compiler identification is GNU 7.5.0
    -- The CXX compiler identification is GNU 7.5.0
    -- Check for working C compiler: /usr/bin/cc
    -- Check for working C compiler: /usr/bin/cc -- works
    -- Detecting C compiler ABI info
    -- Detecting C compiler ABI info - done
    -- Detecting C compile features
    -- Detecting C compile features - done
    -- Check for working CXX compiler: /usr/bin/c++
    -- Check for working CXX compiler: /usr/bin/c++ -- works
    -- Detecting CXX compiler ABI info
    -- Detecting CXX compiler ABI info - done
    -- Detecting CXX compile features
    -- Detecting CXX compile features - done
    -- Looking for C++ include unistd.h
    -- Looking for C++ include unistd.h - found
    -- Looking for C++ include stdint.h
    -- Looking for C++ include stdint.h - found
    -- Looking for C++ include sys/types.h
    -- Looking for C++ include sys/types.h - found
    -- Looking for C++ include fnmatch.h
    -- Looking for C++ include fnmatch.h - found
    -- Looking for strtoll
    -- Looking for strtoll - found
    -- Found InferenceEngine: /media/test/NewDisk1/opt/intel/openvino_2020.1.023/deployment_tools/inference_engine/lib/intel64/libinference_engine.so (Required is at least version "2.1") 
    -- Configuring done
    -- Generating done
    -- Build files have been written to: /home/test/inference_engine_samples_build
    Scanning dependencies of target gflags_nothreads_static
    Scanning dependencies of target format_reader
    [  7%] Building CXX object thirdparty/gflags/CMakeFiles/gflags_nothreads_static.dir/src/gflags_reporting.cc.o
    [ 21%] Building CXX object thirdparty/gflags/CMakeFiles/gflags_nothreads_static.dir/src/gflags.cc.o
    [ 21%] Building CXX object thirdparty/gflags/CMakeFiles/gflags_nothreads_static.dir/src/gflags_completions.cc.o
    [ 28%] Building CXX object common/format_reader/CMakeFiles/format_reader.dir/bmp.cpp.o
    [ 35%] Building CXX object common/format_reader/CMakeFiles/format_reader.dir/MnistUbyte.cpp.o
    [ 42%] Building CXX object common/format_reader/CMakeFiles/format_reader.dir/format_reader.cpp.o
    [ 50%] Building CXX object common/format_reader/CMakeFiles/format_reader.dir/opencv_wraper.cpp.o
    [ 57%] Linking CXX shared library ../../intel64/Release/lib/libformat_reader.so
    [ 57%] Built target format_reader
    [ 64%] Linking CXX static library ../../intel64/Release/lib/libgflags_nothreads.a
    [ 64%] Built target gflags_nothreads_static
    Scanning dependencies of target benchmark_app
    [ 71%] Building CXX object benchmark_app/CMakeFiles/benchmark_app.dir/inputs_filling.cpp.o
    [ 78%] Building CXX object benchmark_app/CMakeFiles/benchmark_app.dir/statistics_report.cpp.o
    [ 85%] Building CXX object benchmark_app/CMakeFiles/benchmark_app.dir/main.cpp.o
    [ 92%] Building CXX object benchmark_app/CMakeFiles/benchmark_app.dir/utils.cpp.o
    [100%] Linking CXX executable ../intel64/Release/benchmark_app
    [100%] Built target benchmark_app
    
    
    ###################################################
    
    Run Inference Engine benchmark app
    
    Run ./benchmark_app -d CPU -i /home/test/newDisk1/opt/intel/openvino/deployment_tools/demo/car.png -m /home/test/openvino_models/ir/public/squeezenet1.1/FP16/squeezenet1.1.xml -pc -niter 1000
    
    [Step 1/11] Parsing and validating input arguments
    [ INFO ] Parsing input parameters
    [ INFO ] Files were added: 1
    [ INFO ]     /home/test/newDisk1/opt/intel/openvino/deployment_tools/demo/car.png
    [ WARNING ] -nstreams default value is determined automatically for a device. Although the automatic selection usually provides a reasonable performance,but it still may be non-optimal for some cases, for more information look at README.
    
    [Step 2/11] Loading Inference Engine
    [ INFO ] InferenceEngine: 
    	API version ............ 2.1
    	Build .................. 37988
    	Description ....... API
    [ INFO ] Device info: 
    	CPU
    	MKLDNNPlugin version ......... 2.1
    	Build ........... 37988
    
    [Step 3/11] Setting device configuration
    [Step 4/11] Reading the Intermediate Representation network
    [ INFO ] Loading network files
    [ INFO ] Read network took 153.06 ms
    [Step 5/11] Resizing network to match image sizes and given batch
    [ INFO ] Network batch size: 1, precision: MIXED
    [Step 6/11] Configuring input of the model
    [Step 7/11] Loading the model to the device
    [ INFO ] Load network took 400.16 ms
    [Step 8/11] Setting optimal runtime parameters
    [Step 9/11] Creating infer requests and filling input blobs with images
    [ INFO ] Network input 'data' precision U8, dimensions (NCHW): 1 3 227 227 
    [ WARNING ] Some image input files will be duplicated: 4 files are required but only 1 are provided
    [ INFO ] Infer Request 0 filling
    [ INFO ] Prepare image /home/test/newDisk1/opt/intel/openvino/deployment_tools/demo/car.png
    [ WARNING ] Image is resized from (787, 259) to (227, 227)
    [ INFO ] Infer Request 1 filling
    [ INFO ] Prepare image /home/test/newDisk1/opt/intel/openvino/deployment_tools/demo/car.png
    [ WARNING ] Image is resized from (787, 259) to (227, 227)
    [ INFO ] Infer Request 2 filling
    [ INFO ] Prepare image /home/test/newDisk1/opt/intel/openvino/deployment_tools/demo/car.png
    [ WARNING ] Image is resized from (787, 259) to (227, 227)
    [ INFO ] Infer Request 3 filling
    [ INFO ] Prepare image /home/test/newDisk1/opt/intel/openvino/deployment_tools/demo/car.png
    [ WARNING ] Image is resized from (787, 259) to (227, 227)
    [Step 10/11] Measuring performance (Start inference asyncronously, 4 inference requests using 4 streams for CPU, limits: 1000 iterations)
    
    [Step 11/11] Dumping statistics report 
    
    Full device name: Intel(R) Core(TM) i5-7200U CPU @ 2.50GHz
    
    Count:      1000 iterations
    Duration:   5812.04 ms
    Latency:    21.63 ms
    Throughput: 172.06 FPS
    Peak Virtual Memory (VmPeak) Size, kBytes: 680688
    Peak Resident Memory (VmHWM) Size, kBytes:  100152
    
    
    ###################################################
    
    Inference Engine benchmark app completed successfully.
    
    

    运行成功。还是 linux 方便。

    可以制定参数是 cpu 还是 gpu 当然是intel 的集成显卡了。

    bash demo_benchmark_app.sh -d CPU
    
    Full device name: Intel(R) Core(TM) i5-7200U CPU @ 2.50GHz
    
    Count:      1000 iterations
    Duration:   5403.40 ms
    Latency:    21.26 ms
    Throughput: 185.07 FPS
    Peak Virtual Memory (VmPeak) Size, kBytes: 671476
    Peak Resident Memory (VmHWM) Size, kBytes:  99756
    
    
    

    要使用 GPU 进行运行呢。需要安装下驱动:

    $ sudo intel/openvino/install_dependencies/install_NEO_OCL_driver.sh

    然后执行下:

    bash demo_benchmark_app.sh -d CPU
    
    Total time: 21394    microseconds
    
    Full device name: Intel(R) Core(TM) i5-7200U CPU @ 2.50GHz
    
    Count:      1000 iterations
    Duration:   5428.91 ms
    Latency:    21.28 ms
    Throughput: 184.20 FPS
    Peak Virtual Memory (VmPeak) Size, kBytes: 680688
    Peak Resident Memory (VmHWM) Size, kBytes:  99772
    
    

    尴尬了。这个比 cpu 还慢点呢。不制定执行的对不对呢。之前倒是遇到了几个错误。
    安装了驱动就可以执行了。

    然后执行车牌识别程序:

    ./demo_security_barrier_camera.sh
    
    [ INFO ] InferenceEngine: 0x7fbba84a6040
    [ INFO ] Files were added: 1
    [ INFO ]     /home/test/newDisk1/opt/intel/openvino/deployment_tools/demo/car_1.bmp
    [ INFO ] Loading device CPU
    	CPU
    	MKLDNNPlugin version ......... 2.1
    	Build ........... 37988
    
    [ INFO ] Loading detection model to the CPU plugin
    [ INFO ] Loading Vehicle Attribs model to the CPU plugin
    [ INFO ] Loading Licence Plate Recognition (LPR) model to the CPU plugin
    [ INFO ] Number of InferRequests: 1 (detection), 3 (classification), 3 (recognition)
    [ INFO ] 4 streams for CPU
    [ INFO ] Display resolution: 1920x1080
    [ INFO ] Number of allocated frames: 3
    [ INFO ] Resizable input with support of ROI crop and auto resize is disabled
    0.0FPS for (3 / 1) frames
    Detection InferRequests usage: 0.0%
    
    [ INFO ] Execution successful
    
    
    

    在这里插入图片描述

    车牌识别成功,河北, MD711 。车辆是黑色的。

    4,总结


    OpenVINO 上还是有很多样例可以学习的,同时利用好 CPU 和 lib 库,样例做好物体识别。
    https://docs.openvinotoolkit.org/cn/index.html
    这里使用的 CPU 是 Intel® Core™ i5-7200U CPU @ 2.50GHz。

    我还特意买了本书。
    https://item.jd.com/12824906.html
    在这里插入图片描述
    特别特别的新呢。3 月份才出的。同时, opencv 的版本是:
    4.2.0-82-g4de7015cf (OpenVINO/2019R4)
    也可买个 OpenCV 看看呢。

    本文的原文连接是:
    https://blog.csdn.net/freewebsys/article/details/105321790

    博主地址是:https://blog.csdn.net/freewebsys

    展开全文
  • 最初的想法仿写win7的泡泡屏保效果,但是对于小球的斜碰问题一直没搞明白(如果你会这个,欢迎留言或者做个demo),所以只是简单处理了碰撞后的速度,有时候会看起来很搞笑~~~funny guy 话不多说,先上demo ...
  • javareflect 这我的java练手项目,里面有java反射,和jdbc基础,还有些mybatis的,总之乱七八糟都有
  • ![图片说明](https://img-ask.csdn.net/upload/201711/27/1511765001_297746.jpg) 理论上一个解释4/5,另一个0,但是为我输出的结果20?? 求解~~
  • Markdown demo

    2018-03-12 01:09:00
    这个写点呢 又一个二级标题 这个呢 反正一共可以添加6级标题 列表 加上-就可以,要有空格符号和文本之间有空格 第一点 第二点 还可以引用 风萧萧兮一水寒冷 斜体 粗体你好 斜体**很重要 ** 代码引用 这个666 ...
  • Android Studio APP demo

    2021-05-14 15:39:46
    Demo没有连接数据库,用的数据都在代码写死的,主要的功能登录模块,页面展示列表,按钮触发事件,页面跳转,数据获取,其他也没了。 用admin登录时: MainActivity.java package com.example.demo; ...
  • 分析有功能,就知道从哪下手 1-点击发布的按钮的时候, 2-根据输入框的内容创建li标签,li里面还要有内容 p,button 3-删除按钮 添加点击事件,点击的时候删除 按钮所在的li --> <input type="text...
  • 最早因为在使用Google安卓架构组件的时候,存在一些涉及网络请求的demo,自己不上手写,总感觉不踏实。又不想重新去搞java ee,一回想,去年的rails还有点印象,要不这下自己来试试。买好书,一点一点来看。 书...
  • 命名管道Demo

    2018-02-21 18:08:00
    2:界面友好,这不是界面花哨或贴个图的,而是比如服务器端可最小化到托盘,客户端打开管道的交互界面更符合习惯,Simplest and best。 原本想用于ARINC 429板卡,以实现多个程序可以共享一块板卡,但春节期间我...
  • Android 网络爬虫demo

    千次阅读 2016-07-26 16:22:44
    所以这个demo抓取的我们学校新闻网页的东西 看一下效果 抓的这个网页 然后写了一个APP 这样的 把listview做成卡片式的了 然后配色弄的也很有纸质感啊啊啊 反正自己还挺喜欢的 然后就看看怎么弄的 看...
  • 实际上通过上边的介绍,模式拼接和hasura 基本没关系了,...这个官方提供的demo git clone https://github.com/hasura/graphql-schema-stitching-demo 运行 依赖安装 yarn 运行 H...
  • <div><p>起服务器的命令还有数据库的命令是啥呀</p><p>该提问来源于开源项目:Nealyang/React-Express-Blog-Demo</p></div>
  • java爬虫小demo

    2019-07-05 14:51:41
    java爬虫小demo jsoup jsoup 一款Java 的HTML解析器,可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API,可通过DOM,CSS以及类似于jQuery的操作方法来取出和操作数据。 为要写这篇文章呢,就是...
  • 关于Spring,也我们常用的IOC在java下一种实现了,不过相对.net下IOC的实现,Spring相对更强大(反正之前在.Net下,我习惯了都去配置,在Java下才知道有一种Scan模式,本Demo中也用到了,不知道的可以查查...
  • spring mvc demo

    2012-03-30 15:59:25
    比strut mvc 强大多了。方便,发上来和大家共享一下,最新的的。用的spring3。还在等。赶紧的
  • 俄罗斯方块Demo

    千次阅读 2017-04-30 19:48:46
    起因其实面京东伤心了,问啥啥不会,就拿个项目认真写写,写呢?俄罗斯方块呗;主要其实想玩一下io还有序列化;现在都基本实现了一下,下一步就是认真看看这两东西,或者就是看看socket方面的东西,反正就是一句...
  • 公司最近想研究下cat组件,派我调研下。花了几天的时间搭建了一个最简单的springboot 埋点demo...坑也算是比较多,有些东西也想了很久才明白为,就把东西发上来,给有需要的人参考,参考哈!注意参考。不喜勿喷。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,314
精华内容 525
关键字:

demo是啥