如何在Python中同时操作多个Excel文件避免重复控制?
创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
Python内容推荐
人脸识别(python实现)
代码转载自:https://pan.quark.cn/s/a4b39357ea24 OpenCV 3.2.0 运行前请先安装OpenCV Manager(必须)。 本示例基于OpenCV 3.2.0 版本在Android平台实现目标检测和目标追踪 目标检测 人脸检测 眼睛检测 微笑检测 上半身检测 下半身检测 全身检测 目标追踪 CamShift算法实现目标追踪 效果图 目标检测 目标检测 目标追踪 目标追踪 人脸识别 人脸识别(对比)请切换到master分支,基于OpenCV 2.4.11。
Nacos 本地启动,单机模式
Nacos 本地启动,单机模式。Nacos 版本不同,配置文件不同。常见 Nacos 2.x。单机启动: Linux/Mac: sh startup.sh -m standalone Windows: startup.cmd -m standalone 默认是集群模式?2.x 默认 cluster?Nacos 1.x startup.sh 默认 cluster,需要 -m standalone。Windows 的 startup.cmd 默认 standalone? 实际上 Nacos 2.x 的 startup.cmd 默认 MODE="standalone"?记不清。需要严谨。Nacos startup.cmd 里面 set MODE="standalone" 默认?在 Nacos 2.2/2.3,Windows startup.cmd 默认 standalone,Linux startup.sh 默认 cluster?我查记忆:Nacos 2.0 开始,startup.cmd -m standalone 启动单机。Windows 直接双击 startup.cmd 默认 cluster?还是 standalone?看源码:startup.cmd 中 set MODE="standalone" 默认是 standalone,注释:standalone or cluster, default standalone? 在 Nacos 1.4.1 startup.cmd 默认 standalone,startup.sh 默认 cluster。2.x 也类似?可能 Windows 默认 standalone,Linux 默认 cluster。需要说清楚:推荐显式加 -m standalone。 配置文件: 主配置文件:conf/application.properties。
YOLO26算法铁路轨道结构关键部件目标检测+训练好的模型+3571张数据集+pyqt可视化界面.zip
数据集可视化效果见下方。 【数据集概况】 · 检测类别(中文):[轨道螺栓(0), 轨道接头(1), 轨道磨损点(2)] · 训练集:3207 张 · 验证集:204 张 · 测试集:160 张 · 总计:3571 张 该数据集聚焦于铁路轨道基础设施的视觉检测需求,旨在为轨道状态智能巡检系统提供高质量标注样本。通过采集不同光照、角度和磨损程度下的轨道局部图像,数据集精准覆盖了轨道连接与损耗的核心检测区域,具有明确的工程应用导向。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 56 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.8041** mAP50-95 | 0.5083 Precision | 0.7258 Recall | 0.8034 train/box_loss | 2.4250 train/cls_loss | 1.3685 val/box_loss | 2.2434 val/cls_loss | 1.3967 【训练过程分析】 56 轮训练后 mAP50 为 0.8041,模型基本收敛但还有提升余地。Loss 曲线下降正常,后期趋于平缓。mAP50-95 为 0.5083,和 mAP50 差距 0.30,定位精度是主要短板。 【模型性能评估】 Precision 0.7258、Recall 0.8034,召回高于精度,存在一定误检。多类检测中,不同类别性能可能有差异,需关注难例类别的表现。 【预测效果展示】 验证集预测效果一般,大部分目标能被检出,但存在部分漏检或框边缘贴合度不足的情况。 【改进建议】 1. 增强难例挖掘:在...
Agent-Runtime-Security-Handoff-Readiness-Matrix-v1.0-原创源码与文档.zip
原创 Node.js/JavaScript 工程工具合集。每个压缩包均包含独立源码、3项自动化测试、README、运行说明、MIT License、原创与授权声明、可复现合成示例、离线 HTML/JSON/SVG 报告及 1080×720 真实运行效果图。零远程运行依赖,不含榜单项目源码、模型权重、品牌素材、官方截图或第三方受限内容。
Agent-Runtime-Security-Audit-Trail-Diff-Analyzer-v1.0-原创源码与文档.zip
原创 Node.js/JavaScript 工程工具合集。每个压缩包均包含独立源码、3项自动化测试、README、运行说明、MIT License、原创与授权声明、可复现合成示例、离线 HTML/JSON/SVG 报告及 1080×720 真实运行效果图。零远程运行依赖,不含榜单项目源码、模型权重、品牌素材、官方截图或第三方受限内容。
onnxruntime-gpu-1.5.2-cp36-cp36m-linux-aarch64.whl
onnxruntime_gpu-1.5.2-cp36-cp36m-linux_aarch64.whl whl 相当于把 Python 库提前打包好的“离线安装包”,不用联网下载依赖,直接本地安装。使用时在命令行里运行 pip install 你的文件名.whl,把“你的文件名.whl”换成对应的 whl 路径就能完成安装。
C# 保留小数-下载即用.zip
已经博主授权,源码转载自 https://pan.quark.cn/s/a60b5c0c6c16 达成C#中保留数位小数的函数,简便易行,借助Math.Round函数
如何提升高校科技成果转化效率?.docx
如何提升高校科技成果转化效率?
科研院所在线转化科技成果需要哪些系统支撑?.docx
科研院所在线转化科技成果需要哪些系统支撑?
SQL 数据血缘分析平台 Esther v0.10.0-preview(Windows 试用版)
Esther v0.10.0-preview(Windows 试用版) Esther · SQL 数据血缘分析平台 | The Wise Guardian of Your Data 这是 Esther 的首个公开试用版本(Windows 私有化部署预览版)。解压即可运行,无需安装 Python、数据库或其他运行库。 下载与部署 文件 说明 esther-server-win-0.10.0-preview.zip Windows 免安装试用包 1. 下载 zip 并解压到任意目录 2. 双击 start_esther.bat 启动服务 3. 浏览器打开 http://localhost:8000 修改端口:设置环境变量 ESTHER_PORT 后重启 首次打开“数据血缘”页面会自动运行演示 SQL,开箱即可看到血缘图谱 本版本核心功能 列级数据血缘分析 — 从 SQL 文本自动提取字段级数据流转关系,区分直传、转换、聚合、过滤、关联等 9 种边类型 28 种 SQL 方言 — 覆盖 MySQL、PostgreSQL、Oracle、SQL Server 等主流数据库,以及达梦、人大金仓、神通、瀚高、GBase、OceanBase 等信创数据库;支持方言自动检测(可用方言以产品内列表为准) 存储过程深度解析 — PL/SQL、PL/pgSQL、T-SQL、MySQL 存储过程,含局部变量、游标、控制流(IF/LOOP)、触发器(NEW/OLD)与跨过程调用 可视化血缘图谱 — 卡片式交互图谱,点击列即高亮完整上下游链路,连线徽章可查看转换表达式/过滤条件,支持导出 PNG 上游溯源 / 下游影响分析 — 元数据采集后基于图数据库的持久化血缘,多跳遍历评估变更影响
关于塔防建造打小怪的小游戏
里面是一个塔防小游戏,适合无聊的时候打发时间用
Agent-Social-Scheduling-Audit-Trail-Diff-Analyzer-v1.0-原创源码与文档.zip
原创 Node.js/JavaScript 工程工具合集。每个压缩包均包含独立源码、3项自动化测试、README、运行说明、MIT License、原创与授权声明、可复现合成示例、离线 HTML/JSON/SVG 报告及 1080×720 真实运行效果图。零远程运行依赖,不含榜单项目源码、模型权重、品牌素材、官方截图或第三方受限内容。
高校院所如何提升科技成果转化效率?.docx
高校院所如何提升科技成果转化效率?
如何解决院所与企业间的技术供需错配问题?技术合作如何实现精准匹配?.docx
如何解决院所与企业间的技术供需错配问题?技术合作如何实现精准匹配?
广东省法规闪电发货干啥的风格
第三方轨道是否广东省法规是
基于多种主流大模型的RAG检索增强生成简化实现系统源码+文档说明及全部资料.zip
基于多种主流大模型的RAG检索增强生成简化实现系统源码+文档说明及全部资料.zip ThinkRAG 大模型检索增强生成系统,可以轻松部署在笔记本电脑上,实现本地知识库智能问答。 该系统基于 LlamaIndex 和 Streamlit 构建,针对国内用户在模型选择、文本处理等诸多领域进行了优化。 主要特性 ThinkRAG 是为专业人士、科研人员、学生等知识工作者开发的大模型应用系统,可在笔记本电脑上直接使用,且知识库数据都保存在电脑本地。 ThinkRAG 具备以下特点: LlamaIndex 框架的完整应用 开发模式支持本地文件存储,无需安装任何数据库 无需 GPU 支持,即可在笔记本电脑上运行 支持本地部署的模型和离线使用 特别地,ThinkRAG 还为国内用户做了大量定制和优化: 使用 Spacy 文本分割器,更好地处理中文字符 采用中文标题增强功能 使用中文提示词模板进行问答和细化过程 默认支持国内大模型厂商,如DeepSeek,Moonshot和Zhipu等 使用双语嵌入模型,如 BAAI的bge-large-zh-v1.5 模型支持 ThinkRAG 可使用 LlamaIndex 数据框架支持的所有模型。关于模型列表信息,请参考相关文档。 ThinkRAG致力于打造一个直接能用、有用、易用的应用系统。 因此,在各种模型、组件与技术上,我们做了精心的选择与取舍。 首先,使用大模型,ThinkRAG支持OpenAI API 以及所有兼容的 LLM API,包括国内主流大模型厂商,例如: 深度求索(DeepSeek) 月之暗面(Moonshot) 智谱(Zhipu) ……
如何提升高校科研院所科技成果转化效率?.docx
如何提升高校科研院所科技成果转化效率?
【电力系统智能诊断】项目介绍 MATLAB实现基于CNN-ST-MHA卷积神经网络(CNN)结合S变换时频图(ST)和多头注意力机制(MHA)进行低压电弧故障检测(含模型描述及部分示例代码)
内容概要:本文介绍了一种基于CNN-ST-MHA的低压电弧故障检测方法,通过结合S变换(ST)、卷积神经网络(CNN)和多头注意力机制(MHA),实现对复杂工况下低压电弧故障的智能识别。首先利用S变换将一维电流信号转化为二维时频图,以保留电弧故障的瞬态高频特征;随后采用CNN提取时频图中的局部纹理特征,如能量团簇、谐波条纹等;再引入MHA模块捕捉远距离时频区域间的关联性,增强模型对间歇性放电模式的建模能力;最终通过分类网络输出故障概率。文中提供了MATLAB环境下的模型构建流程与关键代码示例,涵盖信号预处理、S变换实现、网络结构设计、训练参数设置及性能评估方法,并配套生成模拟数据集用于实验验证。该方案提升了在多负载、强噪声场景下的检测准确率与鲁棒性,具备工程部署潜力。; 适合人群:电气工程、自动化、智能电网及相关领域的科研人员与工程师,具备一定信号处理与深度学习基础的技术人员;适用于从事配电系统安全监测、故障诊断算法开发的专业群体。; 使用场景及目标:①应用于低压配电系统、工业控制柜、充电桩、光伏支路等场景中的电弧故障早期预警;②解决传统保护装置因电弧电流未达阈值而无法识别的问题;③在复杂负载干扰下提高故障识别的召回率与精确率,降低误报与漏报;④为智能断路器、边缘计算终端提供可集成的深度学习模型方案。; 阅读建议:此资源以MATLAB为实现平台,强调从信号处理到模型训练的全流程实践,建议读者结合提供的代码示例与数据生成逻辑,动手复现S变换过程与网络结构,深入理解CNN与MHA在时频特征融合中的作用机制,并可通过调整网络参数、优化注意力结构进一步提升检测性能。
如何解决高校院所科技成果转化中的资源匹配难题?.docx
如何解决高校院所科技成果转化中的资源匹配难题?
高校院所如何提高科技成果转化效率?.docx
高校院所如何提高科技成果转化效率?
最新推荐




