基于YOLOv8深度学习的独居老人情感状态监护系统(PyQt5界面+数据集+训练代码)

本研究提出了一种创新的独居老人情感状态监护系统,基于YOLOV8深度学习模型,旨在通过对老年人面部表情的实时监测与分析,来精准识别其情感变化,从而提高独居老人的生活质量,确保其心理健康。本系统通过整合先进的YOLOV8算法进行图像检测与情感识别,具备高效的情感状态判断能力。YOLOV8模型在情感识别领域具有出色的性能表现,能够在复杂场景中准确定位和分析面部表情,为情感状态监控提供了坚实的技术支持。

在系统架构方面,研究采用了基于PyQt5的用户界面开发框架,界面设计简洁直观,操作流程友好,便于用户快速上手。系统通过数据集的全面训练和测试,不仅能准确检测老年人面部表情的细微变化,还能对多种情感状态进行精准分类,如快乐、悲伤、愤怒、焦虑等。此外,系统具有强大的实时监控功能,能够持续追踪老年人的情绪变化。

为了确保系统的实际应用价值,本研究通过多个独居老人的数据集进行训练与测试,验证了其在情感状态识别中的高准确性和稳定性。实验结果表明,该系统在实时性、鲁棒性与精确性等关键性能指标上均表现优异,能够适应各种复杂的家庭或养老院环境。进一步的应用分析显示,该系统不仅可以有效提升老年人的生活质量,还可以为社会老龄化问题提供一种技术支持方案,具有广阔的应用前景。

本系统未来的优化方向可能包括进一步提升情感识别的精度,扩展支持的情感种类,甚至结合音频数据进行多模态情感分析。同时,增加与智能家居、健康监测设备的联动性,打造更加全面的老年人情感状态监护网络,将为独居老年人群体提供更全面、更安全的生活环境。

算法流程

项目数据

通过搜集关于数据集为各种各样的老人情感状态相关图像,并使用Labelimg标注工具对每张图片进行标注,分8个检测类别,分别是’老人愤怒’,’老人鄙视’,’老人厌恶’,’老人恐惧’,’老人高兴’,’老人平和’,’老人悲伤’,’老人惊讶’。

目标检测标注工具
(1)labelimg:开源的图像标注工具,标签可用于分类和目标检测,它是用python写的,并使用Qt作为其图形界面,简单好用(虽然是英文版的)。其注释以 PASCAL VOC格式保存为XML文件,这是ImageNet使用的格式。此外,它还支持 COCO数据集格式。
(2)安装labelimg 在cmd输入以下命令 pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

结束后,在cmd中输入labelimg

初识labelimg

打开后,我们自己设置一下

在View中勾选Auto Save mode

接下来我们打开需要标注的图片文件夹

并设置标注文件保存的目录(上图中的Change Save Dir)
接下来就开始标注,画框,标记目标的label,然后d切换到下一张继续标注,不断重复重复。

Labelimg的快捷键

(3)数据准备
这里建议新建一个名为data的文件夹(这个是约定俗成,不这么做也行),里面创建一个名为images的文件夹存放我们需要打标签的图片文件;再创建一个名为labels存放标注的标签文件;最后创建一个名为 classes.txt 的txt文件来存放所要标注的类别名称。

data的目录结构如下:
│─img_data
│─images 存放需要打标签的图片文件
│─labels 存放标注的标签文件
└ classes.txt 定义自己要标注的所有类别(这个文件可有可无,但是在我们定义类别比较多的时候,最好有这个创建一个这样的txt文件来存放类别)

首先在images这个文件夹放置待标注的图片。
生成文件如下:

“classes.txt”定义了你的 YOLO 标签所引用的类名列表。

(4)YOLO模式创建标签的样式

存放标签信息的文件的文件名为与图片名相同,内容由N行5列数据组成。
每一行代表标注的一个目标,通常包括五个数据,从左到右依次为:类别id、x_center、y_center、width、height。
其中:
–x类别id代表标注目标的类别;
–x_center和y_center代表标注框的相对中心坐标;
–xwidth和height代表标注框的相对宽和高。

注意:这里的中心点坐标、宽和高都是相对数据!!!

存放标签类别的文件的文件名为classes.txt (固定不变),用于存放创建的标签类别。

完成后可进行后续的yolo训练方面的操作。

模型训练

模型的训练、评估与推理

1.YOLOv8的基本原理

YOLOv8是一个SOTA模型,它建立在Yolo系列历史版本的基础上,并引入了新的功能和改进点,以进一步提升性能和灵活性,使其成为实现目标检测、图像分割、姿态估计等任务的最佳选择。其具体创新点包括一个新的骨干网络、一个新的Ancher-Free检测头和一个新的损失函数,可在CPU到GPU的多种硬件平台上运行。

YOLOv8是Yolo系列模型的最新王者,各种指标全面超越现有对象检测与实例分割模型,借鉴了Yolov5、Yolov6、YoloX等模型的设计优点,在全面提升改进Yolov5模型结构的基础上实现,同时保持了Yolov5工程化简洁易用的优势。

Yolov8模型网络结构图如下图所示:

2.数据集准备与训练

本研究使用了包含各种老年情绪状态相关图像的数据集,并通过Labelimg标注工具对每张图像中的目标边框(Bounding Box)及其类别进行标注。然后主要基于YOLOv8n这种模型进行模型的训练,训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。模型训练和评估流程基本一致,包括:数据集准备、模型训练、模型评估。本次标注的目标类别为老年情绪状态,数据集中共计包含25262张图像,其中训练集占17101张,验证集占5406张,测试集占2755张。部分图像如下图所示:

部分标注如下图所示:

图片数据的存放格式如下,在项目目录中新建datasets目录,同时将检测的图片分为训练集与验证集放入datasets目录下。

接着需要新建一个data.yaml文件,用于存储训练数据的路径及模型需要进行检测的类别。YOLOv8在进行模型训练时,会读取该文件的信息,用于进行模型的训练与验证。
data.yaml的具体内容如下:

train: “E:/ElderlyEmotionsObjective_v8/datasets/train/images”训练集的路径
val: “E:/ElderlyEmotionsObjective_v8/datasets//valid/images”验证集的路径
test: “E:/ElderlyEmotionsObjective_v8/datasets/test/images”测试集的路径

nc: 8 模型检测的类别数,共有8个类别。

names:
[
“Anger”,
“Contempt”,
“Disgust”,
“Fear”,
“Happy”,
“Neutral”,
“Sad”,
“Surprise”,
]

这个文件定义了用于模型训练和验证的数据集路径,以及模型将要检测的目标类别。

数据准备完成后,通过调用train.py文件进行模型训练,epochs参数用于调整训练的轮数,batch参数用于调整训练的批次大小(根据内存大小调整,最小为1)。

CPU/GPU训练代码如下:

加载名为 yolov8n.pt 的预训练YOLOv8模型,yolov8n.pt是预先训练好的模型文件。
使用YOLO模型进行训练,主要参数说明如下:
(1)data=data_yaml_path: 指定了用于训练的数据集配置文件。
(2)epochs=150: 设定训练的轮数为150轮。
(3)batch=4: 指定了每个批次的样本数量为4。
(4)optimizer=’SGD’):SGD 优化器。
(7)name=’train_v8′: 指定了此次训练的命名标签,用于区分不同的训练实验。

3.训练结果评估

在深度学习的过程中,我们通常通过观察损失函数下降的曲线来了解模型的训练情况。对于YOLOv8模型的训练,主要涉及三类损失:定位损失(box_loss)、分类损失(cls_loss)以及动态特征损失(dfl_loss)。训练完成后,相关的训练过程和结果文件会保存在 runs/ 目录下,具体如下:

各损失函数作用说明:
定位损失box_loss:预测框与标定框之间的误差(GIoU),越小定位得越准;
分类损失cls_loss:计算锚框与对应的标定分类是否正确,越小分类得越准;
动态特征损失(dfl_loss):DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时,目标框需要缩放到特征图尺度,即除以相应的stride,并与预测的边界框计算Ciou Loss,同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分,通过计算DFLLoss可以更准确地调整预测框的位置,提高目标检测的准确性。

训练结果如下:

这张图展示了YOLOv8模型在训练和验证过程中的多个重要指标的变化趋势,具体如下:

train/box_loss:
(1)这是训练过程中边界框损失的变化。边界框损失用于衡量模型预测的目标框与实际目标框的差异。
(2)随着训练的进行,损失逐渐减少,表明模型在定位目标时的误差逐渐减少。

train/cls_loss:
(1)这是训练集上的分类损失。分类损失衡量模型对目标类别的预测准确性。
(2)损失值随着训练逐渐减少,表明模型在分类目标类别时的准确性逐渐提高。

train/dfl_loss:
(1)这是分布聚焦损失(distribution focal loss),用于帮助模型对目标框的精确定位。
(2)此损失通常用于边界框精度的优化,损失下降表明模型在预测边界框时的性能有所提升。

metrics/precision(B):
(1)这是训练集上的精度(precision)曲线。精度表示模型在检测到的目标中有多少是真正的目标。
(2)图中曲线表明精度随着训练的进行逐渐提高。

metrics/recall(B):
(1)这是训练集上的召回率(recall)曲线。召回率表示模型检测出的真实目标的比例。
(2)召回率逐步提高,表明模型在识别所有正类样本上的表现越来越好。

val/box_loss:
(1)这是验证集上的边界框损失曲线。
(2)与训练损失类似,验证损失的下降表明模型在验证集上也表现得越来越好。

val/cls_loss:
(1)这是验证集上的分类损失曲线。
(2)损失下降意味着模型在验证集上的分类性能有所提升。

val/dfl_loss:
(1)这是验证集上的分布聚焦损失曲线。
(2)下降趋势表明模型在验证集上定位边界框的精度在提高。

metrics/mAP50(B):
(1)这是验证集上的mAP50曲线,表示在交并比阈值为0.5时模型的平均精度(mean Average Precision)。
(2)数值越高表示模型在目标检测任务中的表现越好。

metrics/mAP50-95(B):
(1)这是验证集上的mAP50-95曲线,表示在不同交并比阈值(从0.5到0.95)下模型的平均精度。
(2)曲线平稳上升,表示模型整体性能较为稳定且表现良好。

这组图展示了模型在训练和验证过程中的表现,模型的各项损失均随着训练的进行逐渐减少,而各项指标则逐渐提高,表明模型的性能逐步优化。

这张图展示的是 Precision-Recall 曲线,用于评估模型在不同类别下的检测性能。以下是详细解释:

每条彩色曲线:
(1)代表一个特定类别的精确率和召回率之间的变化关系。
(2)图例中列出了每个类别的名称以及其平均精度(mAP@0.5)值。
(3)例如,“Happy”类别的mAP值为0.956,说明该类别在不同阈值下的平均精度较高。

蓝色粗线:
(1)代表所有类别的总体精确率-召回率曲线,并且图例中显示了总体的mAP@0.5值为0.829。
(2)这意味着模型在所有类别上的平均精度为82.9%。

mAP@0.5:
(1)平均精度(mean Average Precision),是在不同的阈值(通常为0.5)下计算的精确率和召回率的综合性能指标。
(2)图中的mAP@0.5值代表模型在该阈值下的平均表现,值越高表示模型的整体检测性能越好。

曲线形状:
(1)不同类别的曲线反映了模型在该类别下的表现。
(2)例如,“Happy”类别的曲线接近图的右上角,表明该类别的模型表现非常好,精确率和召回率都较高。
(3)而“Neutral”类别的曲线较低,表示该类别的模型表现相对较弱。

该图直观展示了模型在多个情感类别(如Anger, Contempt, Disgust, Fear, Happy, Neutral, Sad, Surprise)上的分类性能。通过分析每个类别的精确率-召回率曲线,可以帮助我们了解模型在哪些类别上表现良好,在哪些类别上还需要改进。

4.检测结果识别

模型训练完成后,我们可以得到一个最佳的训练结果模型best.pt文件,在runs/train/weights目录下。我们可以使用该文件进行后续的推理检测。
imgTest.py 图片检测代码如下:

加载所需库:
(1)from ultralytics import YOLO:导入YOLO模型类,用于进行目标检测。
(2)import cv2:导入OpenCV库,用于图像处理和显示。

加载模型路径和图片路径:
(1)path = ‘models/best.pt’:指定预训练模型的路径,这个模型将用于目标检测任务。
(2)img_path = “TestFiles/imagetest.jpg”:指定需要进行检测的图片文件的路径。

加载预训练模型:
(1)model = YOLO(path, task=’detect’):使用指定路径加载YOLO模型,并指定检测任务为目标检测 (detect)。
(2)通过 conf 参数设置目标检测的置信度阈值,通过 iou 参数设置非极大值抑制(NMS)的交并比(IoU)阈值。

检测图片:
(1)results = model(img_path):对指定的图片执行目标检测,results 包含检测结果。

显示检测结果:
(1)res = results[0].plot():将检测到的结果绘制在图片上。
(2)cv2.imshow(“YOLOv8 Detection”, res):使用OpenCV显示检测后的图片,窗口标题为“YOLOv8 Detection”。
(3)cv2.waitKey(0):等待用户按键关闭显示窗口

此代码的功能是加载一个预训练的YOLOv8模型,对指定的图片进行目标检测,并将检测结果显示出来。

执行imgTest.py代码后,会将执行的结果直接标注在图片上,结果如下:

这段输出是基于YOLOv8模型对图片“imagetest.jpg”进行检测的结果,具体内容如下:

图像信息:
(1)处理的图像路径为:TestFiles/imagetest.jpg。
(2)图像尺寸为 640×500 像素。

检测结果:
(1)模型在该图片上检测到 1 个鄙视(”1 Contempt”)

处理速度:
(1)预处理时间:3.7 毫秒
(2)推理时间:35.5 毫秒
(3)后处理时间:53.9 毫秒

模型在约 35.5 毫秒内成功检测出图像中的 “轻蔑” 表情,并输出了检测框和相关信息。

运行效果

– 运行 MainProgram.py

1.主要功能:
(1)可用于实时检测目标图片中的独居老人情绪状态;
(2)支持图片、视频及摄像头进行检测,同时支持图片的批量检测;
(3)界面可实时显示目标位置、目标总数、置信度、用时等信息;
(4)支持图片或者视频的检测结果保存。

2.检测结果说明:

这张图表显示了基于YOLOv8模型的目标检测系统的检测结果界面。以下是各个字段的含义解释:

用时(Time taken):
(1)这表示模型完成检测所用的时间为0.023秒。
(2)这显示了模型的实时性,检测速度非常快。

目标数目(Number of objects detected):
(1)检测到的目标数目为1,表示这是当前检测到的第1个目标。

目标选择(下拉菜单):全部:
(1)这里有一个下拉菜单,用户可以选择要查看的目标类型。
(2)在当前情况下,选择的是“全部”,意味着显示所有检测到的目标信息。

类型(Type):
(1)当前选中的行为类型为 “老人高兴”,表示系统正在高亮显示检测到的“Happy”。

置信度(Confidence):
(1)这表示模型对检测到的目标属于“老人高兴”类别的置信度为99.01%。
(2)置信度反映了模型的信心,置信度越高,模型对这个检测结果越有信心。

目标位置(Object location):
(1)xmin: 0, ymin: 0:目标的左上角的坐标(xmin, ymin),表示目标区域在图像中的位置。
(2)xmax: 2421, ymax: 30125:目标的右下角的坐标(xmax, ymax),表示目标区域的边界。

这些坐标表示在图像中的目标区域范围,框定了检测到的“老人高兴”的位置。

这张图展示了独居老人情绪状态的一次检测结果,包括检测时间、检测到的种类、各行为的置信度、目标的位置信息等。用户可以通过界面查看并分析检测结果,提升独居老人情绪状态监测的效率。

3.图片检测说明
(1)老人悲伤情绪状态

(2)老人鄙视情绪状态

(3)老人愤怒情绪状态

(4)老人高兴情绪状态

(5)老人厌恶情绪状态

(6)老人惊讶情绪状态

(7)老人恐惧情绪状态

(8)老人平和情绪状态

点击打开图片按钮,选择需要检测的图片,或者点击打开文件夹按钮,选择需要批量检测图片所在的文件夹。
操作演示如下:
(1)点击目标下拉框后,可以选定指定目标的结果信息进行显示。
(2)点击保存按钮,会对检测结果进行保存,存储路径为:save_data目录下。

检测结果:系统识别出图片中的老年人情绪状态,并显示检测结果,包括总目标数、用时、目标类型、置信度、以及目标的位置坐标信息。

4.视频检测说明

点击视频按钮,打开选择需要检测的视频,就会自动显示检测结果,再次点击可以关闭视频。
点击保存按钮,会对视频检测结果进行保存,存储路径为:save_data目录下。

检测结果:系统对视频进行实时分析,检测到老年人情绪状态并显示检测结果。表格显示了视频中多个检测结果的置信度和位置信息。

这个界面展示了系统对视频帧中的多目标检测能力,能够准确识别老年人情绪状态,并提供详细的检测结果和置信度评分。

5.摄像头检测说明

点击打开摄像头按钮,可以打开摄像头,可以实时进行检测,再次点击,可关闭摄像头。

检测结果:系统连接摄像头进行实时分析,检测到老年人情绪状态并显示检测结果。实时显示摄像头画面,并将检测到的行为位置标注在图像上,表格下方记录了每一帧中检测结果的详细信息。

6.保存图片与视频检测说明

点击保存按钮后,会将当前选择的图片(含批量图片)或者视频的检测结果进行保存。
检测的图片与视频结果会存储在save_data目录下。
保存的检测结果文件如下:

图片文件保存的csv文件内容如下,包括图片路径、目标在图片中的编号、目标类别、置信度、目标坐标位置。
注:其中坐标位置是代表检测框的左上角与右下角两个点的x、y坐标。

(1)图片保存

(2)视频保存

– 运行 train.py
1.训练参数设置

(1)data=data_yaml_path: 使用data.yaml中定义的数据集。
(2)epochs=150: 训练的轮数设置为150轮。
(3)batch=4: 每个批次的图像数量为4(批次大小)。
(4)name=’train_v8′: 训练结果将保存到以train_v8为名字的目录中。
(5)optimizer=’SGD’: 使用随机梯度下降法(SGD)作为优化器。

虽然在大多数深度学习任务中,GPU通常会提供更快的训练速度。
但在某些情况下,可能由于硬件限制或其他原因,用户需要在CPU上进行训练。

温馨提示:在CPU上训练深度学习模型通常会比在GPU上慢得多,尤其是像YOLOv8这样的计算密集型模型。除非特定需要,通常建议在GPU上进行训练以节省时间。

2.训练日志结果

这张图展示了使用YOLOv8进行模型训练的详细过程和结果。

训练总时长:
(1)模型在训练了150轮后,总共耗时11.101小时。

总体分析:
(1)从整体上看,所有类别的平均精度(mAP50 和 mAP50-95)都达到了 0.829,这表明模型在情感分类任务上表现良好。
(2)精度(Box(P)) 和 召回率(R) 也反映出模型在不同情感类别上的表现。较高的精度和召回率表明模型在该任务中的性能平衡较好。例如,“高兴”类的表现尤为突出,精度为 0.892,召回率为 0.865,mAP50 甚至达到 0.956。
(3)在“厌恶”和“平和”类别中,模型的 mAP50 分别为 0.837 和 0.723,表明这两个类别的检测相对其他类别稍弱。

速度:
(1)预处理(preprocess):0.2毫秒
(2)推理(inference):0.3毫秒
(3)后处理(postprocess):0.9毫秒

结果保存:
(1)Results saved to runs\detect\train_v8:验证结果保存在 runs\detect\train_v8 目录下。

完成信息:
(1)Process finished with exit code 0:表示整个验证过程顺利完成,没有报错。

该图展示了YOLOv8模型在不同情感类别上的检测效果较为均衡,尤其是在“快乐”和“惊讶”类别上表现突出,而在“平和”类别上的表现略差一些。整体的平均精度指标(mAP50和mAP50-95)显示了模型的稳定性能。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/474629.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

博客文章怎么设计分类与标签

首发地址(欢迎大家访问):博客文章怎么设计分类与标签 新网站基本上算是迁移完了,迁移之后在写文章的过程中,发现个人的文章分类和标签做的太混乱了,分类做的像标签,标签也不是特别的丰富&#x…

1+X应急响应(网络)网络流量分析技术:

网络流量分析技术: 全流量分析: Wireshark常用功能: Wireshark界面: Wireshark常用的使用方法: 全流量分析-分析web攻击: 全流量分析-分析DNS攻击: 全流量分析-分析病毒: 全流量分析…

LLM评测指标与评测方法

文章目录 常见评测指标语言建模任务相关评测指标分类任务相关评测指标条件文本生成任务相关评测指标问答任务相关评测指标执行类任务相关评测指标偏好排序任务相关评测指标随着大模型技术研究的快速发展,学术界和工业界相继发布了众多大语言模型。这些模型有的展现出强大的通用…

面向服务的软件工程——巨详细讲解商务流程建模符号 (BPMN),一篇章带你入门BPMN!!!(week1)

文章目录 一、前言二、重点概念三、BPMN元素讲解流对象1.活动任务(Task)子流程(sub-process)多实例活动连接对象序列流消息流关联泳道Artifacts数据对象组(Group)事件(Events)启动事件中间事件结束事件边界事件边界事件1边界事件2小疑问?网关参考文献:一、前言 在我们…

机器翻译-基础与模型

一、机器翻译发展历程 基于规则的-->基于实例的-->基于统计方法的-->基于神经网络的 传统统计机器翻译把词序列看作离散空间里的由多个特征函数描述的点,类似 于 n-gram 语言模型,这类模型对数据稀疏问题非常敏感。神经机器翻译把文字序列表示…

thinkphp6模板调用URL方法生成的链接异常

var uul params.url ;console.log(params.url);console.log("{:Url(UserLog/index)}");console.log("{:Url("uul")}"); 生成的链接地址 UserLog/index /jjg/index.php/Home/UserLog/index.html /jjg/index.php/Home/Index/UserLog/index.html…

基于Java Springboot网上花卉购物系统

一、作品包含 源码数据库设计文档万字PPT全套环境和工具资源部署教程 二、项目技术 前端技术:Html、Css、Js、Vue、Element-ui 数据库:MySQL 后端技术:Java、Spring Boot、MyBatis 三、运行环境 开发工具:IDEA/eclipse 数据…

WQ9101 WIFI6模组移植实操

物奇WQ9101是集成 Wi-Fi和蓝牙子系统的双模芯片。支持 802.11a/b/g/n/ac/ax协议、2.4G5G双频并发的 Wi-Fi子系统,以及支持Bluetooth 5.3协议的蓝牙子系统。主要应用于 电视、 平板电视、 平板PC、手机智能音箱等 、手机智能音箱等 、手机智能音箱等领域 。 一、平台…

领海基点的重要性-以黄岩岛(民主礁)的领海及专属经济区时空构建为例

目录 前言 一、Turf.js缓冲区绘制 1、缓冲区分析介绍 2、缓冲区参数 3、Mask多边形空洞 4、Mask参数 二、领海基点、领海的WebGIS展示 1、领海基点的绘制 2、领海面的绘制 三、毗邻区和专属经济区绘制 1、毗邻区的绘制 2、专属经济区的绘制 四、总结 前言 在上一篇的…

【Pythonr入门第二讲】你好,世界

"Hello, World!" 是一种传统的编程入门示例,通常是程序员学习一门新编程语言时编写的第一个程序。这个程序的目标非常简单:在屏幕上输出 "Hello, World!" 这个字符串。尽管它非常简单,但具有重要的象征意义和实际价值。 …

25.UE5时间膨胀,慢动作,切换地图,刷BOSS

2-27 时间膨胀、慢动作、切换地图、刷BOSS_哔哩哔哩_bilibili 目录 1.刷新BOSS逻辑 2.时间膨胀实现慢动作 3.胜利画面,下一关 3.1胜利画面UI 3.2第一关、第二关游戏模式 3.3下一关按钮事件的绑定 1.刷新BOSS逻辑 实现当场上的怪物都死亡后,进行刷…

探索Python PDF处理的奥秘:pdfrw库揭秘

文章目录 探索Python PDF处理的奥秘:pdfrw库揭秘1. 背景:为何选择pdfrw?2. pdfrw是什么?3. 如何安装pdfrw?4. 五个简单的库函数使用方法4.1 读取PDF信息4.2 修改PDF元数据4.3 旋转PDF页面4.4 提取PDF中的图片4.5 合并P…

游戏引擎学习第19天

介绍 这段内容描述了开发者在进行游戏开发时,对于音频同步和平台层的理解和调整的过程。以下是更详细的复述: 开发者表达了他希望今天继续进行的工作内容。他提到,昨天他讲解了一些关于音频的内容,今天他想稍微深入讲解一下他正…

【初阶数据结构与算法】线性表之栈和队列的定义与实现(含源码和有效的括号练习)

文章目录 一、栈的概念与结构1.栈的概念与操作2.栈的底层结构选型 二、栈的实现1.栈结构的定义2. 栈的初始化和销毁栈的初始化栈的销毁 3.栈的扩容与入栈栈的扩容入栈 4.判断栈是否为空和出栈判断栈是否为空出栈 5.取栈顶元素和获取栈中有效元素个数取栈顶元素获取栈中有效元素…

详细分析ipvsadm负载均衡的命令

目录 前言1. 基本知识2. 命令参数3. 拓展 前言 LVS四层负载均衡架构详解Lvs推荐阅读:添加链接描述 1. 基本知识 ipvsadm 是用于管理和配置 Linux 服务器上 IP Virtual Server (IPVS) 的工具,是 Linux 提供的一个负载均衡模块,支持多种负载…

小程序-基于java+SpringBoot+Vue的小区服务管理系统设计与实现

项目运行 1.运行环境:最好是java jdk 1.8,我们在这个平台上运行的。其他版本理论上也可以。 2.IDE环境:IDEA,Eclipse,Myeclipse都可以。推荐IDEA; 3.tomcat环境:Tomcat 7.x,8.x,9.x版本均可 4.硬件环境&#xff1a…

苹果ASA归因对接以及API接入

一、归因概要 广告归因,目的是用于衡量广告带来的激活用户的成本以及后续进一步的用户质量表现。 Apple Ads 广告平台是基于 App Store(站内广告),同时属于自归因平台(通常称为 SAN)。这两个因素&#xff…

内容占位符:Kinetic Loader HTML+CSS 使用CSS制作三角形原理

内容占位符 前言 随着我们对HTML和CSS3的学习逐渐深入,相信大家都已经掌握了网页制作的基础知识,包括如何使用HTML标记构建网页结构,以及如何运用CSS样式美化页面。为了进一步巩固和熟练这些技能,今天我们一起来完成一个有趣且实…

【金融风控项目-08】:特征构造

文章目录 1.数据准备1.1 风控建模特征数据1.2 人行征信数据1.3 据之间的内在逻辑 2 样本设计和特征框架2.1 定义观察期样本2.2 数据EDA(Explore Data Analysis)2.3 梳理特征框架 3 特征构造3.1 静态信息和时间截面特征3.2 未来信息问题3.2.1 未来信息案例3.2.2 时间序列特征的未…

Linux网络:HTTPS协议

Linux网络:HTTPS协议 加密方式对称加密非对称加密混合加密中间人攻击 证书数据签名CA认证 HTTPSSSL/TSLHTTPS 在HTTP协议中,所有的数据都采用明文的形式传输,这就会导致数据非常容易泄露,只要拿到HTTP报文,就可以窃取各…