登录社区云，与社区用户共同成长
邀请您加入社区
这篇文章介绍了一个不使用 Math.random() 的随机决策器实现，采用线性同余生成器（LCG）算法自主生成随机数。主要内容包括： 状态管理：使用枚举类型管理三个选项卡（硬币、骰子、数字），通过条件渲染实现界面切换。 随机数生成：自主实现LCG算法，通过时间戳作为种子，提供可控且均匀的随机数分布，支持结果复现。 动画效果： 硬币翻转采用10阶段链式动画，模拟物理运动规律。 骰子摇晃通过6阶段随
本文介绍了时间胶囊详情页的三种状态设计与实现。详情页根据胶囊状态（封印中、已到期、已开启）展示不同UI：封印中显示倒计时和模糊内容；已到期展示开启引导和按钮；已开启则完整显示内容、心情和标签。路由通过ID传递确保数据实时性，全局状态管理简化参数传递。开启操作仅标记状态不删除数据，保持历史记录完整性。设计注重功能性和情感体验，如模糊处理增加神秘感，直接展示内容强化"与未来对话"的核心理念。 （字数：
本文对比分析了菜谱App中五个页面的布局结构，提炼出两种可复用的布局骨架：Column+Scroll（适用于无底部导航栏的页面）和Stack+Scroll+Row（适用于有底部导航栏的首页）。同时详细拆解了导航栏的统一结构和四个变体，以及两种菜谱卡片的实现差异。文章重点探讨了布局复用的设计思路，包括如何固定导航栏、扩大点击区域等交互细节，并分享了实际开发中的踩坑经验（如动态标题的优化），为开发者提
本文通过拆解实际项目中的UI布局结构，分析了五种基础布局（Stack、Row、Column、Grid、Scroll）的嵌套组合方式。重点剖析了Stack的三种典型用法：背景层叠、状态卡片和点击区域扩展；Row+Blank组合在标题行中的固定模式应用；以及Column布局中控制垂直间距的三种方法（margin、space参数和Blank填充）。文章通过具体代码示例展示了每种布局的适用场景和设计考量，
本文系统梳理了智能家居应用中设备数据的完整流转链路，从数据结构定义到数据操作与更新机制。核心内容包括： 数据结构设计：通过Device、Room等4个接口明确定义设备属性，其中Device接口采用"一个字段多含义"的简洁设计，通过type字段区分设备类型。 数据存储方式：使用模块级常量数组(DEVICES/ROOMS等)作为统一数据源，通过export实现跨组件共享，const声明保证引用不变性。
本文总结了智能家居App开发中的核心实践经验，主要涵盖三个维度：数据层设计采用模块级常量+操作函数方案，确保跨页面数据一致性；页面架构根据五种信息密度（低/中/高/交互/菜单密度）采取差异化布局策略；交互模式归纳了四种设备控制方式（布尔开关/数值滑块/场景激活/本地状态）及其对应的UI刷新机制。此外还系统化梳理了颜色编码体系（功能色+层次色）和@State刷新的三种模式（重新查询/计算/直接赋值）
本文对旅行探索App进行了全局梳理，总结出以下核心规律： 架构设计：10个页面通过2个服务层（TravelData和UserDataService）集中管理数据，采用ID查询和全字段传递两种路由模式。 UI复用特点： @Builder主要用于页面内复用（如列表模板、回调容器） 中性颜色常量（T1/T2/T3/BG/CW）保持跨项目一致性 主色（A）根据应用主题变化（运动红/旅行橙） 典型设计模式：
本文探讨了美食详情页的设计与实现，重点对比了两种参数传递模式：全字段传递与ID查询。美食详情页布局包含Hero区域、信息卡片和品尝建议，采用全字段传递方式（名称、表情符号、城市、描述、价格），简化了代码逻辑。相比之下，城市详情页因数据量大且需跨页面引用，更适合ID查询模式。文章提出了选择传递模式的标准：数据量小且静态时用全字段传递，数据量大或需共享时用ID查询。此外，页面还展示了UI细节处理，如行
本文介绍了旅行App中"旅行工具箱"页面的设计与实现。该页面采用纵向滚动布局，包含四个功能模块：2×2网格的常用工具、带进度条的出行清单、实时计算的小费工具和世界时钟。每个模块展示了不同的ArkTS数据处理方式，如网格导航、待办列表勾选交互、输入实时计算等。文章详细剖析了各模块的代码实现，包括UI组件构建、数据状态管理和交互逻辑处理，体现了模块化设计和一致的用户体验原则。特别是出行清单和小费计算器
本文介绍了旅行工具应用中的四个功能模块：行程规划、美食指南、汇率换算和旅行短语，它们分别展示了ArkTS页面开发的不同交互模式。行程规划涉及状态管理和动态数据操作，通过引用变更实现UI刷新；美食指南采用数据聚合与扁平化处理，按城市分组展示；汇率换算处理实时计算和货币选择；旅行短语实现语言切换与数据过滤。文章详细解析了各模块的关键实现逻辑，如行程规划的状态更新机制、美食数据的重组方式以及汇率计算的实
本文介绍了一个基于HarmonyOS ArkTS技术栈的旅行探索App项目。该App采用首页+多页面结构，包含7个功能页面（如城市详情、美食指南等）。设计上突出橙色渐变Hero Banner和城市卡片网格布局，数据采用嵌套结构（城市对象包含景点和美食数组）。主要特点包括： 视觉设计：主色调采用旅行主题的橙色渐变体系，Banner采用三段渐变增强层次感 页面结构：复用已验证的Stack+Scroll
运动健康App中的ArkTS @Builder复用模式 摘要：运动健康App的12个页面中，多个二级页面（成就、身体数据、目标设置、设置）展现出重复的UI结构。ArkTS的@Builder功能在实际开发中自然演化出三种典型复用模式：1)作为纯UI模板接收基本参数；2)作为可交互组件包含回调函数；3)作为条件渲染容器处理分支逻辑。其中导航栏作为最稳定结构，虽存在代码重复但暂不适合抽象为通用组件。此外
目标检测是计算机视觉领域的核心任务之一，旨在从图像或视频中定位并识别出感兴趣的目标。其基本原理是通过深度学习模型提取图像特征，利用分类和回归网络预测目标的位置与类别。这项技术对于实现自动化、智能化视觉系统具有重要价值，广泛应用于安防监控、自动驾驶、工业质检等领域。在水下环境中，由于光照不均、水体散射和背景复杂等挑战，传统检测算法性能会显著下降。针对这一问题，本文聚焦于轻量化目标检测模型YOLOv4
本文针对红外微小目标检测任务，提出了一种改进的Yolov11模型。通过删除P5层检测头、新增P1/P2层检测头，并引入MicroC3、HDC、ART三个模块，显著提升了小目标检测性能。其中MicroC3采用深度可分离卷积降低计算量，HDC通过混合空洞卷积增强感受野，ART模块融合人工特征增强低层特征表示。实验基于自建数据集（训练集8000+、验证集2000+小目标图像）进行验证，在1000张测试图
该代码实现了一个结合YOLOv8目标检测和千问大模型的实时图像分析系统。主要功能包括：1) 通过YOLOv8实时检测摄像头画面中的物体并标注；2) 按下空格键时截取当前帧，转换为Base64格式上传至千问大模型API；3) 将返回的中文描述以字幕形式叠加在实时画面上。系统采用多线程处理API请求，避免主线程阻塞，确保视频流畅显示。字幕会保留3秒后自动消失。代码依赖OpenCV、Pillow、YOL
two-stage模型：R-CNN、Fast R-CNN、Faster R-CNN三个模型都是Ross Girshick教授分别在2014、2015年提出来的，在PASCAL VOC 2007数据集上取得不错的进展。目标检测方法分类两个阶段：分类定位一、原始方法操作流程：如下图（要识别一只熊），用各种大小的框在图片中进行反复截取，输入到CNN中识别计算得分，最后确定出目标类别和位置。缺点：效率低，
关于AP和mAP的定义可以参考以下链接：参考：https://blog.csdn.net/qq_35916487/article/details/89076570参考：https://zhuanlan.zhihu.com/p/56961620代码来源：https://github.com/rbgirshick/py-faster-rcnn/blob/master/lib/datasets/voc_
NVIDIA Jetson TX1 系列开发教程之十四：YOLO安装与优化加速转载请注明作者和出处：http://blog.csdn.net/u011475210嵌入式平台：NVIDIA Jetson TX1嵌入式系统：Ubuntu16.04编者: WordZzzz
先来列几个介绍数据集的论文和一些方便下载数据集的社区或者网站。论文：Deep Learning based Monocular Depth Prediction: Datasets, Methods and Applications（这篇论文里有讲单目深度估计领域常用的数据集，跟单目3D目标检测数据集很多是重合的）数据集网站：公开数据集下载 | 格物钛，非结构化数据平台，这个是国内地址，下载方便，
论文：PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation代码：https://github.com/charlesq34/pointnet0 引言PointNet是处理点云数据的深度学习模型，其地位堪比2D图像处理中的CNN网络， 后续的诸多点云数据处理的深度网络都有PointNet的影子。1 点
环境准备____YOLOV5安装进入Github官网 https://github.com/ultralytics/yolov5/releases版本自己选择！只要权重文件是对的 基本没问题。____PYTORCH 安装注意使用aarch64 所以在Nvidia 上下载即可：https://forums.developer.nvidia.com/t/pytorch-for-jetson-versi
最近在用retinanet进行一个实验，用的coco格式的数据集，输出的结果大致如下：知识太贫乏了，看不懂后查了资料，这是coco数据集输出的一个检测结果，解释如下：1.第一行，是COCO的评价指标2.第二行，是PASCAL VOC的评价指标3.第三行，IoU=0.75 相比IOU=0.50是比较严格的一个指标4.第四行，关注小目标的情况5.第五行，检测中等目标的6.第六行，检测大目标的指标7.第
