寿阳网站建设,网站建设公司电话,响应式企业网站案例,做正规小说网站有哪些河道治理漂浮物识别监测系统通过yolov7网络模型深度视觉分析技术#xff0c;河道治理漂浮物识别监测算法模型实时检测着河道水面是否存在漂浮物、水浮莲以及生活垃圾等#xff0c;识别到河道水面存在水藻垃圾等漂浮物#xff0c;立即抓拍存档预警。You Only Look Once说的是…河道治理漂浮物识别监测系统通过yolov7网络模型深度视觉分析技术河道治理漂浮物识别监测算法模型实时检测着河道水面是否存在漂浮物、水浮莲以及生活垃圾等识别到河道水面存在水藻垃圾等漂浮物立即抓拍存档预警。You Only Look Once说的是只需要一次CNN运算Unified指的是这是一个统一的框架提供end-to-end的预测而Real-Time体现是Yolo算法速度快。整体来看Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测相比R-CNN算法其是一个统一的框架其速度更快而且Yolo的训练过程也是end-to-end的。
YOLOv7 在 5 FPS 到 160 FPS 范围内速度和精度都超过了所有已知的目标检测器 并在V100 上30 FPS 的情况下达到实时目标检测器的最高精度 56.8% AP。YOLOv7 是在 MS COCO 数据集上从头开始训练的不使用任何其他数据集或预训练权重。相对于其他类型的工具YOLOv7-E6 目标检测器56 FPS V10055.9% AP比基于 transformer 的检测器 SWINL Cascade-Mask R-CNN9.2 FPS A10053.9% AP速度上高出 509%精度高出 2%比基于卷积的检测器 ConvNeXt-XL Cascade-Mask R-CNN (8.6 FPS A100, 55.2% AP) 速度高出 551%精度高出 0.7%。
YOLOv7 的发展方向与当前主流的实时目标检测器不同研究团队希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备。除了架构优化之外该研究提出的方法还专注于训练过程的优化将重点放在了一些优化模块和优化方法上。这可能会增加训练成本以提高目标检测的准确性但不会增加推理成本。
Adapter接口定义了如下方法
public abstract void registerDataSetObserver (DataSetObserver observer)
Adapter表示一个数据源这个数据源是有可能发生变化的比如增加了数据、删除了数据、修改了数据当数据发生变化的时候它要通知相应的AdapterView做出相应的改变。为了实现这个功能Adapter使用了观察者模式Adapter本身相当于被观察的对象AdapterView相当于观察者通过调用registerDataSetObserver方法给Adapter注册观察者。
public abstract void unregisterDataSetObserver (DataSetObserver observer)
通过调用unregisterDataSetObserver方法反注册观察者。
public abstract int getCount () 返回Adapter中数据的数量。
public abstract Object getItem (int position)
Adapter中的数据类似于数组里面每一项就是对应一条数据每条数据都有一个索引位置即position根据position可以获取Adapter中对应的数据项。
public abstract long getItemId (int position)
获取指定position数据项的id通常情况下会将position作为id。在Adapter中相对来说position使用比id使用频率更高。
public abstract boolean hasStableIds ()
hasStableIds表示当数据源发生了变化的时候原有数据项的id会不会发生变化如果返回true表示Id不变返回false表示可能会变化。Android所提供的Adapter的子类包括直接子类和间接子类的hasStableIds方法都返回false。
public abstract View getView (int position, View convertView, ViewGroup parent)
getView是Adapter中一个很重要的方法该方法会根据数据项的索引为AdapterView创建对应的UI项。
