c/c++的opencv车牌识别

news2025/6/2 16:56:45
  1. OpenCV 安装： 你需要正确安装 OpenCV 库。
  2. Tesseract OCR 安装：
    • 你需要安装 Tesseract OCR 引擎。在 Ubuntu/Debian 上，可以使用：
      sudo apt-get install tesseract-ocr
sudo apt-get install libtesseract-dev
sudo apt-get install libleptonica-dev
    • 你还需要下载 Tesseract 的语言数据文件（例如，用于英文识别的 eng.traineddata）。通常这些文件需要放在一个名为 tessdata 的目录下，并且 Tesseract 需要知道这个目录的位置 (可以通过设置环境变量 TESSDATA_PREFIX 或在代码中指定)。
  3. 编译器： 你需要一个 C++ 编译器 (如 G++)。

代码结构：

  1. 包含头文件和命名空间。
  2. 主函数 main：
    • 加载图像。
    • 预处理图像（灰度化、模糊、边缘检测）。
    • 查找轮廓。
    • 过滤轮廓以找到可能的车牌区域。
    • 提取车牌 ROI (Region of Interest)。
    • 对提取的 ROI 进行 OCR。
    • 显示结果。
#include <opencv2/opencv.hpp>
#include <tesseract/baseapi.h> // Tesseract API
#include <leptonica/allheaders.h> // Leptonica (Tesseract 使用的图像库)
#include <iostream>
#include <vector>
#include <string>

// 使用标准命名空间
using namespace std;
using namespace cv;

// 函数：对车牌ROI进行OCR识别
string recognize_text_from_roi(Mat roi_image) {
    if (roi_image.empty()) {
        return "Error: ROI image is empty.";
    }

    // 将OpenCV Mat转换为Tesseract可以处理的Pix对象
    // 首先确保图像是灰度图，如果不是，则转换
    Mat gray_roi;
    if (roi_image.channels() == 3) {
        cvtColor(roi_image, gray_roi, COLOR_BGR2GRAY);
    } else {
        gray_roi = roi_image.clone();
    }

    // 可以选择进行二值化处理，有时能提高识别率
    // threshold(gray_roi, gray_roi, 0, 255, THRESH_BINARY | THRESH_OTSU);

    tesseract::TessBaseAPI *ocr = new tesseract::TessBaseAPI();

    // 初始化Tesseract
    // 参数1: tessdata路径，如果TESSDATA_PREFIX环境变量已设置，可以为NULL
    // 参数2: 语言，例如 "eng" 代表英文，"chi_sim" 代表简体中文 (需要相应的traineddata文件)
    // PSM_SINGLE_BLOCK: 假定图像是一个统一的文本块
    if (ocr->Init(NULL, "eng", tesseract::OEM_LSTM_ONLY)) {
        cerr << "Could not initialize tesseract." << endl;
        delete ocr;
        return "Error: Tesseract initialization failed.";
    }
    ocr->SetPageSegMode(tesseract::PSM_SINGLE_BLOCK); // 或 PSM_SINGLE_LINE, PSM_AUTO 等

    // 设置图像
    ocr->SetImage(gray_roi.data, gray_roi.cols, gray_roi.rows, gray_roi.channels(), gray_roi.step);

    // 获取识别结果
    char *outText = ocr->GetUTF8Text();
    string recognized_text(outText);

    // 清理
    ocr->End();
    delete ocr;
    delete[] outText;

    // 移除识别文本中的换行符和多余空格（简单处理）
    recognized_text.erase(remove(recognized_text.begin(), recognized_text.end(), '\n'), recognized_text.end());
    recognized_text.erase(remove(recognized_text.begin(), recognized_text.end(), '\r'), recognized_text.end());
    // 也可以进一步去除空格等

    return recognized_text;
}


int main(int argc, char** argv) {
    // --- 1. 加载图像 ---
    string image_path = "plate_image.png"; // 修改为你的车牌图片路径
    if (argc > 1) {
        image_path = argv[1];
    }

    Mat original_image = imread(image_path);
    if (original_image.empty()) {
        cout << "无法加载图像: " << image_path << endl;
        return -1;
    }
    cout << "图像加载成功: " << image_path << endl;

    Mat processed_image;

    // --- 2. 预处理 ---
    // 转换为灰度图
    cvtColor(original_image, processed_image, COLOR_BGR2GRAY);
    // 高斯模糊以减少噪声
    GaussianBlur(processed_image, processed_image, Size(5, 5), 0);
    // Canny边缘检测
    Mat edges;
    Canny(processed_image, edges, 50, 150); // 调整阈值以获得更好的边缘

    // --- 3. 查找轮廓 ---
    vector<vector<Point>> contours;
    vector<Vec4i> hierarchy;
    findContours(edges, contours, hierarchy, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE); // RETR_TREE 可能会找到更多嵌套轮廓

    Mat contours_display = original_image.clone(); // 用于显示轮廓和检测结果

    cout << "找到 " << contours.size() << " 个轮廓。" << endl;

    // --- 4. 过滤轮廓以找到可能的车牌区域 ---
    vector<Rect> potential_plates_roi;
    for (size_t i = 0; i < contours.size(); i++) {
        // 计算轮廓的边界框
        Rect bounding_rect = boundingRect(contours[i]);

        // 过滤条件 (非常基础，需要根据实际情况调整)
        // a. 宽高比 (例如，中国车牌标准宽高比约为 440/140 = 3.14)
        float aspect_ratio = (float)bounding_rect.width / bounding_rect.height;

        // b. 面积 (避免太小或太大的区域)
        double area = contourArea(contours[i]);
        double min_area = 800;  // 最小面积阈值 (像素)
        double max_area = 50000; // 最大面积阈值 (像素)

        // c. 近似多边形顶点数 (车牌通常是矩形，4个顶点)
        vector<Point> approx_poly;
        approxPolyDP(contours[i], approx_poly, arcLength(contours[i], true) * 0.02, true);


        // 简单的过滤逻辑
        if (approx_poly.size() == 4 && // 近似为四边形
            aspect_ratio > 2.0 && aspect_ratio < 5.5 && // 合理的宽高比
            area > min_area && area < max_area) {       // 合理的面积

            // 绘制绿色矩形标记潜在车牌
            rectangle(contours_display, bounding_rect, Scalar(0, 255, 0), 2);
            potential_plates_roi.push_back(bounding_rect);
            cout << "潜在车牌区域: x=" << bounding_rect.x << ", y=" << bounding_rect.y
                 << ", w=" << bounding_rect.width << ", h=" << bounding_rect.height
                 << ", AR=" << aspect_ratio << ", Area=" << area << endl;
        }
    }

    if (potential_plates_roi.empty()) {
        cout << "未找到潜在的车牌区域。" << endl;
    } else {
        cout << "找到 " << potential_plates_roi.size() << " 个潜在车牌区域。" << endl;
        // 为了简单，我们只处理第一个找到的潜在车牌
        // 在实际应用中，可能需要更复杂的逻辑来选择最佳车牌或处理多个车牌

        // --- 5. 提取车牌 ROI 并进行 OCR ---
        for (const auto& plate_rect : potential_plates_roi) {
            Mat plate_roi_raw = original_image(plate_rect); // 从原始彩色图像中提取ROI

            if (plate_roi_raw.empty()) {
                cerr << "无法提取车牌ROI。" << endl;
                continue;
            }

            // (可选) 对ROI进行一些额外的预处理，如调整大小，进一步去噪等
            // Mat plate_roi_for_ocr = plate_roi_raw.clone();
            // cvtColor(plate_roi_for_ocr, plate_roi_for_ocr, COLOR_BGR2GRAY);
            // threshold(plate_roi_for_ocr, plate_roi_for_ocr, 0, 255, THRESH_BINARY_INV | THRESH_OTSU); // 反二值化+OTSU

            cout << "\n对ROI进行OCR..." << endl;
            string recognized_plate = recognize_text_from_roi(plate_roi_raw); // 直接传入彩色ROI，函数内部会转灰度

            if (recognized_plate.rfind("Error:", 0) == 0) { // 检查是否以 "Error:" 开头
                cerr << "OCR失败: " << recognized_plate << endl;
            } else {
                cout << "识别结果: " << recognized_plate << endl;

                // 在图像上显示识别结果
                putText(contours_display, recognized_plate, Point(plate_rect.x, plate_rect.y - 10),
                        FONT_HERSHEY_SIMPLEX, 0.9, Scalar(0, 0, 255), 2);
            }
        }
    }

    // --- 6. 显示结果 ---
    imshow("原始图像", original_image);
    imshow("边缘检测", edges);
    imshow("检测到的车牌", contours_display);

    waitKey(0); // 等待按键
    destroyAllWindows();

    return 0;
}

编译和运行

  1. 保存代码： 将上述代码保存为 lpr_simple.cpp。

  2. 准备图片： 准备一张名为 plate_image.png (或你在代码中指定的其他名称) 的车牌图片，并将其放在与 lpr_simple.cpp 相同的目录下。或者，你可以在运行时通过命令行参数传递图片路径。

  3. 编译：
    打开终端，使用以下命令编译 (假设你使用的是 g++，并且 OpenCV 和 Tesseract 已正确安装)：

    g++ lpr_simple.cpp -o lpr_simple $(pkg-config --cflags --libs opencv4 tesseract leptonica)
    • 注意： opencv4 可能需要根据你的 OpenCV 版本调整 (例如 opencv 或 opencv3)。你可以通过运行 pkg-config --libs opencv4 来检查正确的链接标志。
    • 如果 pkg-config 找不到 tesseract 或 leptonica，你可能需要手动指定头文件和库路径。

  4. 运行：

    ./lpr_simple

    或者，如果你想指定图片：

    ./lpr_simple /path/to/your/image.jpg

代码解释

1. 包含头文件

#include <opencv2/opencv.hpp>     // OpenCV 主要头文件
#include <tesseract/baseapi.h>  // Tesseract C++ API
#include <leptonica/allheaders.h> // Leptonica (Tesseract 依赖的图像处理库)
#include <iostream>               // 标准输入输出
#include <vector>                 // STL vector
#include <string>                 // STL string

2. recognize_text_from_roi 函数

这个函数负责对提取到的车牌候选区域 (ROI) 进行光学字符识别。

string recognize_text_from_roi(Mat roi_image) {
    // ... (错误检查) ...

    Mat gray_roi;
    if (roi_image.channels() == 3) { // 如果是彩色图，转为灰度
        cvtColor(roi_image, gray_roi, COLOR_BGR2GRAY);
    } else {
        gray_roi = roi_image.clone();
    }

    // 初始化 Tesseract API
    tesseract::TessBaseAPI *ocr = new tesseract::TessBaseAPI();
    // "eng" 表示英文，OEM_LSTM_ONLY 表示使用 LSTM OCR 引擎 (通常效果更好)
    if (ocr->Init(NULL, "eng", tesseract::OEM_LSTM_ONLY)) {
        // ... (错误处理) ...
    }
    // 设置页面分割模式，PSM_SINGLE_BLOCK 假设图像是一个统一的文本块
    ocr->SetPageSegMode(tesseract::PSM_SINGLE_BLOCK);

    // 将 OpenCV Mat 数据传递给 Tesseract
    ocr->SetImage(gray_roi.data, gray_roi.cols, gray_roi.rows, gray_roi.channels(), gray_roi.step);

    // 获取识别文本
    char *outText = ocr->GetUTF8Text();
    string recognized_text(outText);

    // 清理资源
    ocr->End();
    delete ocr;
    delete[] outText;

    // 简单地移除换行符
    recognized_text.erase(remove(recognized_text.begin(), recognized_text.end(), '\n'), recognized_text.end());
    // ...

    return recognized_text;
}
  • Tesseract 初始化 (ocr->Init):
    • 第一个参数是 tessdata 目录的路径。如果设置为 NULL 或空字符串，Tesseract 会尝试从环境变量 TESSDATA_PREFIX 或默认安装路径查找。
    • 第二个参数是语言代码 (例如, “eng” 表示英语, “chi_sim” 表示简体中文)。你需要确保相应的 .traineddata 文件存在于 tessdata 目录中。
    • 第三个参数是 OCR 引擎模式。OEM_LSTM_ONLY 通常提供较好的结果。
  • 页面分割模式 (ocr->SetPageSegMode): 这告诉 Tesseract 如何解释图像中的文本布局。PSM_SINGLE_BLOCK 适合单个文本块，对于裁剪出的车牌图像通常是合适的。其他模式如 PSM_SINGLE_LINE（单行文本）也可能有用。

3. main 函数

  • 加载图像 (imread):

    Mat original_image = imread(image_path);
if (original_image.empty()) { /* ... 错误处理 ... */ }

  • 图像预处理:

    cvtColor(original_image, processed_image, COLOR_BGR2GRAY); // 转灰度
GaussianBlur(processed_image, processed_image, Size(5, 5), 0); // 高斯模糊
Canny(processed_image, edges, 50, 150); // Canny 边缘检测

    这些步骤有助于减少噪声，并突出图像中的边缘，为轮廓检测做准备。Canny 算法的两个阈值（50 和 150）可能需要根据输入图像的特性进行调整。

  • 查找轮廓 (findContours):

    vector<vector<Point>> contours;
vector<Vec4i> hierarchy;
findContours(edges, contours, hierarchy, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
    • RETR_EXTERNAL: 只检测最外层的轮廓。
    • CHAIN_APPROX_SIMPLE: 压缩水平、垂直和对角线段，只保留其端点。

  • 过滤轮廓:
    这是车牌定位的核心步骤。循环遍历所有找到的轮廓，并根据一些基本几何特征进行过滤：

    for (size_t i = 0; i < contours.size(); i++) {
    Rect bounding_rect = boundingRect(contours[i]); // 获取边界框
    float aspect_ratio = (float)bounding_rect.width / bounding_rect.height; // 计算宽高比
    double area = contourArea(contours[i]); // 计算面积

    vector<Point> approx_poly;
    // 对轮廓进行多边形逼近
    approxPolyDP(contours[i], approx_poly, arcLength(contours[i], true) * 0.02, true);

    // 过滤条件
    if (approx_poly.size() == 4 && // 顶点数接近4 (矩形)
        aspect_ratio > 2.0 && aspect_ratio < 5.5 && // 典型的车牌宽高比
        area > min_area && area < max_area) {       // 合理的面积范围
        // ... 标记为潜在车牌 ...
        potential_plates_roi.push_back(bounding_rect);
    }
}

    这些过滤条件（顶点数、宽高比、面积）是非常基础的，实际应用中可能需要更鲁棒的算法，例如结合颜色信息、字符的排布特征等。

  • 提取 ROI 和 OCR:
    如果找到了潜在的车牌区域，就从原始图像中提取该区域，并调用 recognize_text_from_roi 函数。

    for (const auto& plate_rect : potential_plates_roi) {
    Mat plate_roi_raw = original_image(plate_rect); // 从原图提取ROI
    // ... (错误检查) ...
    string recognized_plate = recognize_text_from_roi(plate_roi_raw);
    // ... (显示结果) ...
}

  • 显示结果 (imshow, waitKey):
    显示原始图像、边缘图像以及带有标记和识别文本的图像。

局限性与改进方向

这个示例非常基础，其鲁棒性有限：

  1. 简单的轮廓过滤： 对于复杂背景、光照变化、车牌倾斜或部分遮挡的情况，效果可能不佳。
  2. 固定的阈值： Canny 边缘检测的阈值、面积和宽高比的过滤阈值是硬编码的，可能不适用于所有图像。
  3. OCR 准确性： Tesseract 的准确性受图像质量、字体、字符间距等多种因素影响。对 ROI 进行更精细的预处理（如二值化、去噪、倾斜校正、字符分割）可以提高识别率。
  4. 单车牌假设： 代码目前简单地处理找到的第一个（或所有）符合条件的区域。如果图像中有多个车牌或多个类似车牌的物体，可能需要更复杂的逻辑来选择。
  5. 语言和字符集： Tesseract 需要为特定语言和字符集进行配置。

可能的改进方向：

  • 更高级的定位算法：
    • 使用形态学操作（如开运算、闭运算、顶帽、黑帽）来增强车牌特征。
    • 颜色分割：利用车牌颜色（如蓝色、黄色、绿色底板）进行初步筛选。
    • 滑动窗口或基于 MSER (Maximally Stable Extremal Regions) 的方法。
    • 训练一个目标检测模型 (如基于 Haar Cascades, HOG+SVM, 或深度学习的 Faster R-CNN, YOLO, SSD) 来专门检测车牌。
  • 车牌倾斜校正： 检测车牌的四个角点，并进行透视变换将其校正为标准矩形。
  • 字符分割： 在识别之前，将车牌上的字符分割成单个字符图像，然后对每个字符进行识别。这通常能提高复杂车牌的识别率。
  • Tesseract 参数调优： 尝试不同的页面分割模式 (SetPageSegMode) 和 OCR 引擎模式 (Init 中的 oem 参数)。
  • 训练自定义 Tesseract 模型： 对于特定字体或低质量图像，训练针对性的 Tesseract 模型可能会有显著提升。
  • 后处理： 对 OCR 结果进行校验，例如根据车牌号码的语法规则（如特定位置是字母还是数字）进行修正。

这个简单的例子可以作为你学习和探索车牌识别的一个起点。祝你编码愉快！

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.coloradmin.cn/o/2394467.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

4.2.3 Spark SQL 手动指定数据源

4.2.3 Spark SQL 手动指定数据源

在本节实战中&#xff0c;我们学习了如何在Spark SQL中手动指定数据源以及如何使用format()和option()方法。通过案例演示&#xff0c;我们读取了不同格式的数据文件&#xff0c;包括CSV、JSON&#xff0c;并从JDBC数据源读取数据&#xff0c;展示了如何将这些数据转换为DataFr…
阅读更多...
【论文解读】CVPR2023 PoseFormerV2：3D人体姿态估计（附论文地址）

【论文解读】CVPR2023 PoseFormerV2：3D人体姿态估计（附论文地址）

论文链接&#xff1a;https://arxiv.org/pdf/2303.17472 源码链接&#xff1a;https://github.com/QitaoZhao/PoseFormerV2 Abstract 本文提出了 PoseFormerV2&#xff0c;通过探索频率域来提高 3D 人体姿态估计的效率和鲁棒性。PoseFormerV2 利用离散余弦变换&#xff08;DC…
阅读更多...
Maven工程演示

Maven工程演示

软件&#xff1a;idea 一、项目创建 操作截图file -> New -> Projectnextnext -> Name:工程名称&#xff1b;Location:项目路径&#xff1b;项目创建完成;文件夹基本样例&#xff1a;&#xff08;如果不完整自己创建即可&#xff09;MANIFEST.MF内容 二、导入依赖 …
阅读更多...
uniapp分包配置，uniapp设置subPackages

uniapp分包配置，uniapp设置subPackages

在使用uniapp开发过程中&#xff0c;由于项目比较大&#xff0c;无法直接上传&#xff0c;需要分包后才可以上传。 步骤&#xff1a; 1、在pages同级目录下创建分包的目录&#xff08;pages_second&#xff09;&#xff0c;把要分包的文件放到该目录下&#xff1b; 2、在pag…
阅读更多...
C++八股 —— 手撕线程池

C++八股 —— 手撕线程池

文章目录 一、背景二、线程池实现1. 任务队列和工作线程2. 构造和析构函数3. 添加任务函数4. 完整代码 三、阻塞队列实现1. 基础队列2. 升级版队列 四、测试代码五、相关问题六、其他实现方式 来自&#xff1a;华为C一面&#xff1a;手撕线程池_哔哩哔哩_bilibili 华为海思&am…
阅读更多...
RPA如何支持跨平台和跨浏览器的自动化

RPA如何支持跨平台和跨浏览器的自动化

RPA&#xff0c;即机器人流程自动化&#xff08;Robotic Process Automation&#xff09;&#xff0c;正日益成为企业实现业务流程高效自动化的关键技术。在复杂的数字化环境中&#xff0c;跨平台和跨浏览器的自动化需求极为迫切&#xff0c;RPA 通过多种技术手段和策略来满足这…
阅读更多...
【笔记】Windows 成功部署 Suna 开源的通用人工智能代理项目部署日志

【笔记】Windows 成功部署 Suna 开源的通用人工智能代理项目部署日志

#工作记录 本地部署运行截图 kortix-ai/suna&#xff1a; Suna - 开源通用 AI 代理 项目概述 Suna 是一个完全开源的 AI 助手&#xff0c;通过自然对话帮助用户轻松完成研究、数据分析等日常任务。它结合了强大的功能和直观的界面&#xff0c;能够理解用户需求并提供结果。其强…
阅读更多...
Linux531rsync定时同步 再回忆

Linux531rsync定时同步 再回忆

rsync定时同步 环境配置 关闭防火墙&#xff0c;selinux systemctl stop firewalld systemctl disable firewall setenforce 0 cat /etc/selinux/configpei SELINUXdisable设置主机名 systemctl set-hostname code systemctl set-hostname backup设置静态IP rsync由于要设…
阅读更多...
【KWDB 创作者计划】_探秘浪潮KWDB数据库：从时间索引到前沿技术

【KWDB 创作者计划】_探秘浪潮KWDB数据库：从时间索引到前沿技术

探秘浪潮KWDB数据库&#xff1a;从时间索引到前沿技术 文章目录 探秘浪潮KWDB数据库&#xff1a;从时间索引到前沿技术引言1.浪潮KWDB数据库时间索引深度解析1.1时间索引工作原理1.2时间索引创建与管理实践 2.浪潮KWDB数据库前沿产品技术纵览2.1多模融合存储引擎2.2就地计算技术…
阅读更多...
安卓逆向篇LSP 模块HOOK 添加技术绕过检测算法解密逻辑验证

安卓逆向篇LSP 模块HOOK 添加技术绕过检测算法解密逻辑验证

前置解释&#xff1a; 0 、 Magisk &#xff1a; 是当前 Android 社区用来获取 root 权限的主流方式开源工具 1 、 LSP 框架&#xff1a; XPosed 框架因只支持安卓 8 及以下&#xff0c;故高版本应使用 MagiskLSPosed 2 、 HOOK 技术&#xff1a; 钩子技术&…
阅读更多...
第一节 51单片机概述

第一节 51单片机概述

目录 一、单片机系统组成 &#xff08;一&#xff09;、单片机硬件系统 &#xff08;二&#xff09;单片机的软件系统 二、STC89C52单片机 &#xff08;1&#xff09;、基本信息 &#xff08;2&#xff09;、命名规则 &#xff08;3&#xff09;、单片机内部结构图 &am…
阅读更多...
Google car key：安全、便捷的汽车解锁新选择

Google car key：安全、便捷的汽车解锁新选择

有了兼容的汽车和 Android 手机&#xff0c;Google car key可让您将Android 手机用作车钥匙。您可以通过兼容的 Android 手机锁定、解锁、启动汽车并执行更多功能。但是&#xff0c;Google car key安全吗&#xff1f;它是如何工作的&#xff1f;如果我的手机电池没电了怎么办&a…
阅读更多...
720全景展示：VR全景的技术原理及应用

720全景展示：VR全景的技术原理及应用

VR720全景展示&#xff1a;技术原理及应用探索 720全景技术&#xff0c;作为当前全球范围内迅速崛起流行的视觉新技术&#xff0c;为用户带来了全新的真实现场感和交互式的体验。凭借全方位、无死角的视觉展示特性&#xff0c;在VR&#xff08;虚拟现实&#xff09;领域中得到…
阅读更多...
定制一款国密浏览器(13)：预置国密根证书到浏览器

定制一款国密浏览器(13)：预置国密根证书到浏览器

由于国密算法没有得到国外的认可，所以 Chromium、Firefox 等浏览器均不支持国密算法。即使我们修改了 Chromium 的源码，增加了国密算法的支持，但还不能在浏览器中正常使用。因为这涉及到证书的信任问题，国密证书都是国内厂商签发的，国密根证书并没有集成到系统和浏览器中。…
阅读更多...
PowerBI企业运营分析——线性回归销售预测

PowerBI企业运营分析——线性回归销售预测

PowerBI企业运营分析——线性回归销售预测 欢迎来到Powerbi小课堂&#xff0c;在竞争激烈的市场环境中&#xff0c;企业运营分析平台成为提升竞争力的核心工具。 该平台通过整合多源数据&#xff0c;实现关键指标的实时监控&#xff0c;从而迅速洞察业务动态&#xff0c;精准…
阅读更多...
LangFuse：开源LLM工程平台的革新实践

LangFuse：开源LLM工程平台的革新实践

文章目录 一 架构设计与技术栈二 增强型监控能力三 提示词工程支持&#xff08;新增&#xff09;四 性能优化实践五 LangFuse部署&#xff08;docker&#xff09;和代码集成5.1 LangFuse平台部署5.2 LangFuse代码集成和检测体验 一 架构设计与技术栈 LangFuse采用模块化架构设…
阅读更多...
新视角！经济学顶刊QJE用文本分析探究新技术扩散

新视角！经济学顶刊QJE用文本分析探究新技术扩散

美国圣路易斯联邦储备银行Aakash Kalyani、美国斯坦福大学与国家经济研究局Nicholas Bloom、英国伦敦商学院Marcela Carvalho和其合作者们共同研究的“The Diffusion of New Technologies&#xff08;新技术的扩散&#xff09;”在顶刊The Quarterly Journal of Economics中发表…
阅读更多...
5月31日day41打卡

5月31日day41打卡

简单CNN 知识回顾 数据增强卷积神经网络定义的写法batch归一化&#xff1a;调整一个批次的分布&#xff0c;常用与图像数据特征图&#xff1a;只有卷积操作输出的才叫特征图调度器&#xff1a;直接修改基础学习率 卷积操作常见流程如下&#xff1a; 1. 输入 → 卷积层 → Batch…
阅读更多...
STM32G4 电机外设篇（一） GPIO+UART

STM32G4 电机外设篇（一） GPIO+UART

目录 一、STM32G4 电机外设篇&#xff08;一&#xff09; GPIOUART1 GPIO1.1 STM32CUBEMX 配置以及Keil代码1.2 代码和实验现象 2 UART2.1 STM32CUBEMX 配置以及Keil代码2.2 代码和实验现象 附学习参考网址欢迎大家有问题评论交流 (* ^ ω ^) 一、STM32G4 电机外设篇&#xff0…
阅读更多...
Lua 的速度为什么比 Python 快

Lua 的速度为什么比 Python 快

Lua 的执行速度通常比 Python 快&#xff0c;主要原因在于其解释器设计轻量、虚拟机效率高、内存管理策略更为精简&#xff0c;以及语言本身对动态特性的控制较严。其中&#xff0c;Lua 使用了 register-based 的虚拟机架构&#xff0c;而 Python&#xff08;CPython&#xff0…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023