彩票网站搭建,wordpress 文档工具,上海实时新闻,做门头上那个网站申报城市内涝积水监测预警系统通过yolov8网络深度学习框架#xff0c;算法一旦识别到道路出现积水#xff0c;城市内涝积水监测预警系统会立即发出预警信号。并及时通知相关人员。YOLO检测速度非常快。标准版本的YOLO可以每秒处理 45 张图像#xff1b;YOLO的极速版本每秒可以处…城市内涝积水监测预警系统通过yolov8网络深度学习框架算法一旦识别到道路出现积水城市内涝积水监测预警系统会立即发出预警信号。并及时通知相关人员。YOLO检测速度非常快。标准版本的YOLO可以每秒处理 45 张图像YOLO的极速版本每秒可以处理150帧图像。这就意味着 YOLO 可以以小于 25 毫秒延迟实时地处理视频。对于欠实时系统在准确率保证的情况下YOLO速度快于其他方法。YOLO 实时检测的平均精度是其他实时监测系统的两倍。
YOLOv8是目前YOLO系列算法中最新推出的检测算法YOLOv8可以完成检测、分类、分割任务。YOLOv8 算法的核心特性和改动可以归结为如下提供了一个全新的 SOTA 模型包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型用于满足不同场景需求。骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构并对不同尺度模型调整了不同的通道数。
Head部分较yolov5而言有两大改进1换成了目前主流的解耦头结构(Decoupled-Head)将分类和检测头分离 2同时也从 Anchor-Based 换成了 Anchor-Free。Loss 1) YOLOv8抛弃了以往的IOU匹配或者单边比例的分配方式而是使用了Task-Aligned Assigner正负样本匹配方式。2并引入了 Distribution Focal Loss(DFL)。Train:训练的数据增强部分引入了 YOLOX 中的最后 10 epoch 关闭 Mosiac 增强的操作可以有效地提升精度。YOLOv8 主要参考了最近提出的诸如 YOLOX、YOLOv6、YOLOv7 和 PPYOLOE 等算法的相关设计本身的创新点不多偏向工程实践主推的还是 ultralytics 这个框架本身。 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。
