传统CV算法——轮廓性质算法实战

2024-09-04 08:28
文章标签 算法 实战 cv 轮廓 传统 性质

本文主要是介绍传统CV算法——轮廓性质算法实战，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

  • 近似轮廓寻找

cv2.approxPolyDP 函数简介

cv2.approxPolyDP 是 OpenCV 中用于多边形逼近的函数。它基于 Ramer-Douglas-Peucker 算法，通过对曲线或多边形进行抽象，来近似表示其形状。这个函数通常用于简化轮廓，使得复杂的轮廓用较少的顶点来表示，方便后续的处理和分析。

函数原型

cv2.approxPolyDP(curve, epsilon, closed)

输入参数

  1. curve (numpy.ndarray):

    • 描述：输入的点集，即需要进行多边形逼近的曲线或轮廓。这通常是一个包含轮廓点的数组，形状为 (num_points, 1, 2)，其中 num_points 是轮廓的点数，2 表示每个点的 (x, y) 坐标。
    • 作用：函数对这个点集进行处理，生成近似的多边形。

  2. epsilon (float):

    • 描述：逼近精度参数，它表示原始曲线与近似曲线之间的最大距离，通常是一个非负数。
    • 作用：这个参数控制了近似的精度，epsilon 越小，近似的多边形越接近原始曲线，保留的点数也越多；epsilon 越大，逼近的多边形越简单（点数越少）。

  3. closed (bool):

    • 描述：一个布尔值，表示是否将多边形看作闭合的（即首尾相连）。
    • 作用：如果 closed=True，函数会将曲线作为一个闭合多边形处理；如果 closed=False，则会将曲线看作一个开口曲线（首尾不相连）。

返回值

  • approxCurve (numpy.ndarray):
    • 该函数返回一个近似的多边形点集，通常是一个形状为 (num_points, 1, 2) 的数组，表示近似多边形的顶点。

示例代码

import cv2
import numpy as np# 创建一个简单的轮廓
contour = np.array([[0, 0], [100, 0], [100, 100], [50, 50], [0, 100]], dtype=np.int32)
contour = contour.reshape((-1, 1, 2))# 设置逼近精度
epsilon = 10.0# 进行多边形逼近
approx = cv2.approxPolyDP(contour, epsilon, True)# 打印逼近后的点集
print("Approx Poly DP:", approx)

应用场景

  • 轮廓简化：在目标检测和图像分割任务中，通过简化轮廓可以减少计算复杂度，便于后续处理。
  • 形状分析：逼近后的多边形可以用于形状分析，比如识别多边形的边数以区分不同类型的几何形状。
  • 特征提取：在一些计算机视觉应用中，可以利用逼近后的多边形作为特征点进行匹配或跟踪。

cv2.approxPolyDP 是一个强大的工具，可以简化和近似多边形形状，为后续的图像处理任务提供更有效的表示形式。通过调整 epsilon 参数，用户可以灵活地控制近似的精度，以适应不同的应用需求。

import cv2
img = cv2.imread("./images/26.jpg",cv2.IMREAD_COLOR)img2gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)ret,thresh = cv2.threshold(img2gray,127,255,cv2.THRESH_OTSU)contours,_ = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)# 近似的误差
epsion =40approx = cv2.approxPolyDP(contours[0],epsion,True)img_contour = cv2.drawContours(img,[approx],contourIdx=-1,color=(0,0,255),thickness=3)cv2.imshow("img_contour",img_contour)
cv2.waitKey(0)

在这里插入图片描述

边界矩形绘制

cv2.boundingRect 是 OpenCV 中用于计算一个二值图像或轮廓的最小外接矩形的函数。该外接矩形是能完全包围轮廓或点集的矩形，通常用于后续处理，例如裁剪图像区域、绘制矩形等操作。

函数原型

x, y, w, h = cv2.boundingRect(array)

输入参数

  • array (numpy.ndarray):
    • 描述：输入的点集或轮廓，通常是一个包含二维坐标的 NumPy 数组。例如，它可以是由 cv2.findContours 函数返回的一个轮廓，形状为 (num_points, 1, 2) 或者直接是二维坐标点的集合。

输出

  • x (int):

    • 外接矩形左上角的 x 坐标。

  • y (int):

    • 外接矩形左上角的 y 坐标。

  • w (int):

    • 外接矩形的宽度。

  • h (int):

    • 外接矩形的高度。

应用场景

  • 目标检测后处理：在目标检测任务中，通过计算目标的最小外接矩形，可以方便地对目标进行定位、裁剪或标注。
  • 图像裁剪：根据计算得到的外接矩形，可以裁剪出图像中包含目标的部分，便于进一步处理或保存。
  • 特征提取：在图像分析中，外接矩形的宽高比等信息可以作为目标物体的形状特征，用于分类或识别任务。

cv2.boundingRect 是一个简单而实用的函数，广泛用于图像处理和计算机视觉任务中。它提供了一种快速计算二值图像中目标的最小包围矩形的方法，便于进一步分析或操作。


import cv2
import numpy as npimg = cv2.imread("./images/16.jpg")img2gary = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)ret,thresh = cv2.threshold(img2gary,127,255,cv2.THRESH_OTSU)contour,_ = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)# 边界矩形
x,y,w,h = cv2.boundingRect(contour[0])
img_coutour = cv2.rectangle(img,(x,y),(x+w,y+h),color=(0,255,0),thickness=2)cv2.imshow("img_contour",img_coutour)
cv2.waitKey(0)

在这里插入图片描述

最小外切矩形绘制

cv2.minAreaRect 是 OpenCV 中用于计算一个点集或轮廓的最小外接矩形的函数。与 cv2.boundingRect 不同，cv2.minAreaRect 返回的是一个可以旋转的矩形，即它可以适应点集的方向，能够更紧密地包围目标。这对于需要更精确边界的应用非常有用。

函数原型

rect = cv2.minAreaRect(points)

输入参数

  • points (numpy.ndarray):
    • 描述：输入的点集，通常是一个包含二维坐标的 NumPy 数组。它可以是由 cv2.findContours 函数返回的轮廓，形状为 (num_points, 1, 2) 或者直接是二维坐标点的集合。
    • 要求：点集应该是一个连续的数组，通常是轮廓的点。

输出

  • rect (((center_x, center_y), (width, height), angle)):
    • 返回一个包含三个元素的元组：
      • center ((center_x, center_y)): 矩形中心的坐标。
      • size ((width, height)): 矩形的宽度和高度。
      • angle (float): 矩形的旋转角度（相对于水平线的角度，单位为度）。如果宽度大于高度，角度为正；否则为负。

应用场景

  • 目标检测：在目标检测任务中，使用最小外接矩形可以更准确地包围目标，尤其是当目标不是正方形或矩形时。
  • 形状分析：通过分析最小外接矩形的宽高比和旋转角度，可以提取目标的形状特征，用于分类或识别。
  • 图像处理：在图像处理和计算机视觉中，最小外接矩形可以用于裁剪、定位和标注目标。

cv2.minAreaRect 是一个强大的工具，可以计算出点集的最小外接矩形，适用于各种计算机视觉任务。通过返回的矩形中心、尺寸和角度信息，用户可以灵活地处理和分析图像中的目标。


import cv2
import numpy as npimg = cv2.imread("./images/16.jpg")img2gary = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)ret,thresh = cv2.threshold(img2gary,127,255,cv2.THRESH_OTSU)contour,_ = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)# # 最小矩形
rect = cv2.minAreaRect(contour[0])
box = cv2.boxPoints(rect)
box = np.int0(box)
img_coutour = cv2.drawContours(img,[box],contourIdx=0,color=(0,255,0),thickness=3)cv2.imshow("img_contour",img_coutour)
cv2.waitKey(0)

在这里插入图片描述

最小外切圆

cv2.minEnclosingCircle 是 OpenCV 中用于计算一个点集或轮廓的最小外接圆的函数。这个函数可以找到一个圆，该圆能够完全包围给定的点集，并且是所有可能的外接圆中半径最小的一个。

函数原型

center, radius = cv2.minEnclosingCircle(points)

输入参数

  • points (numpy.ndarray):
    • 描述：输入的点集，通常是一个包含二维坐标的 NumPy 数组。它可以是由 cv2.findContours 函数返回的轮廓，形状为 (num_points, 1, 2) 或者直接是二维坐标点的集合。
    • 要求：点集应该是一个连续的数组，通常是轮廓的点。

输出

  • center ((center_x, center_y)):

    • 返回一个包含圆心坐标的元组，表示最小外接圆的中心位置。

  • radius (float):

    • 返回最小外接圆的半径。

应用场景

  • 目标检测：在目标检测任务中，最小外接圆可以用于快速定位和标记目标，尤其是在目标呈现圆形或近似圆形时。
  • 形状分析：通过分析最小外接圆的半径和圆心位置，可以提取目标的几何特征，用于分类或识别。
  • 图像处理：在图像处理和计算机视觉中，最小外接圆可以用于裁剪、定位和标注目标。

cv2.minEnclosingCircle 是一个简单而有效的工具，可以计算出点集的最小外接圆，适用于各种计算机视觉任务。通过返回的圆心和半径信息，用户可以灵活地处理和分析图像中的目标。

import cv2
import numpy as npimg = cv2.imread("./images/16.jpg")img2gary = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)ret,thresh = cv2.threshold(img2gary,127,255,cv2.THRESH_OTSU)contour,_ = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)# 最小外切圆
(x,y),radious = cv2.minEnclosingCircle(contour[0])
center = (int(x),int(y))
radious = int(radious)
img_coutour = cv2.circle(img,center,radious,(255,0,0),thickness=2)cv2.imshow("img_contour",img_coutour)
cv2.waitKey(0)

在这里插入图片描述

凸包检测

cv2.convexHull 是 OpenCV 中用于计算点集的凸包的函数。凸包是一个最小的多边形，能够完全包围给定的点集。这个函数在计算机视觉和图像处理中的许多应用中都非常有用，例如形状分析、物体检测和轮廓处理等。

函数原型

hull = cv2.convexHull(points, hull=None, clockwise=False, returnPoints=True)

输入参数

  1. points (numpy.ndarray):

    • 描述：输入的点集，通常是一个包含二维坐标的 NumPy 数组。它可以是由 cv2.findContours 函数返回的轮廓，形状为 (num_points, 1, 2) 或者直接是二维坐标点的集合。
    • 要求：点集应该是一个连续的数组。

  2. hull (numpy.ndarray, 可选):

    • 描述：输出的凸包点集。如果提供了这个参数，函数会将计算得到的凸包点存储在这个数组中。

  3. clockwise (bool, 默认值 False):

    • 描述：是否按顺时针方向返回凸包点。
    • 作用：如果设置为 True，则返回的凸包点按顺时针方向排列；如果设置为 False，则按逆时针方向排列。

  4. returnPoints (bool, 默认值 True):

    • 描述：是否返回凸包的点坐标。
    • 作用：如果设置为 True，返回的是凸包的点坐标；如果设置为 False，返回的是凸包点的索引。

输出

  • hull (numpy.ndarray):
    • 返回一个包含凸包点的数组，形状为 (num_hull_points, 1, 2)，其中 num_hull_points 是凸包的点数。

应用场景

  • 形状分析：通过计算凸包，可以提取物体的外部形状特征，用于分类或识别。
  • 碰撞检测：在游戏开发和机器人导航中，凸包可以用于快速检测物体之间的碰撞。
  • 图像分割：在图像处理任务中，凸包可以帮助确定物体的边界，便于后续的分割和分析。

cv2.convexHull 是一个强大的工具，可以计算出点集的凸包，适用于各种计算机视觉任务。通过返回的凸包点，用户可以灵活地处理和分析图像中的目标，提取形状特征并进行进一步的处理。

import cv2img = cv2.imread("./images/16.jpg",cv2.IMREAD_COLOR)img2gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(img2gray,127,255,cv2.THRESH_OTSU)contours,_ = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)hull = cv2.convexHull(contours[0])print(cv2.isContourConvex(contours[0]),cv2.isContourConvex(hull))#False,Trueimg_contour= cv2.drawContours(img,[hull],-1,(0,0,255),3)cv2.imshow("img_contour",img_contour)
cv2.waitKey(0)

在这里插入图片描述

检测重心，面积，周长

好的，以下是对 cv2.contourArea、cv2.arcLength 和 cv2.ments 的简要介绍，不包含示例代码。

1. cv2.contourArea

  • 功能：计算给定轮廓的面积。
  • 输入参数：
    • contour: 输入的轮廓，通常是一个包含二维坐标的 NumPy 数组。
  • 输出：
    • 返回轮廓的面积（浮点数）。对于闭合轮廓，面积为正值；对于逆时针方向的轮廓，面积为负值。

2. cv2.arcLength

  • 功能：计算给定轮廓的周长或长度。
  • 输入参数：
    • curve: 输入的轮廓，通常是一个包含二维坐标的 NumPy 数组。
    • closed: 布尔值，表示轮廓是否闭合。如果为 True，计算闭合轮廓的周长；如果为 False，计算开口曲线的长度。
  • 输出：
    • 返回轮廓的周长（浮点数）。

3. cv2.moments

  • 功能：计算给定轮廓的几何矩。
  • 输入参数：
    • contour: 输入的轮廓，通常是一个包含二维坐标的 NumPy 数组。
    • binaryImage: 布尔值，表示输入是否为二值图像（默认为 False）。
  • 输出：
    • 返回一个字典，包含轮廓的几何矩信息，包括 m00（面积）、m10、m01（用于计算质心）等。

这三个函数在图像处理和计算机视觉中非常重要，能够帮助用户提取和分析图像中的形状特征。


import cv2img =cv2.imread("./images/16.jpg",cv2.IMREAD_COLOR)
img2gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(img2gray,127,255,cv2.THRESH_OTSU)contours,_ = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
# 矩形
M = cv2.moments(contours[0])
cx,cy = int(M["m10"]/M["m00"]),int(M["m01"]/M["m00"])print("重心:",cx,cy)area = cv2.contourArea(contours[0])print("面积:",area)perimeter  = cv2.arcLength(contours[0],True)print("周长:",perimeter)img_contour= cv2.drawContours(img,contours,-1,(0,0,255),3)cv2.imshow("img_contour",img_contour)
cv2.waitKey(0)

加粗样式

椭圆拟合和直线拟合

1. cv2.fitEllipse

  • 功能：计算给定点集的最佳拟合椭圆。
  • 输入参数：
    • points: 输入的点集，通常是一个包含二维坐标的 NumPy 数组，形状为 (num_points, 1, 2)，其中 num_points 是点的数量。
  • 输出：
    • 返回一个包含椭圆参数的元组 (center, (major_axis_length, minor_axis_length), angle)，其中：
      • center: 椭圆中心的坐标 (x, y)。
      • major_axis_length: 椭圆的主轴长度。
      • minor_axis_length: 椭圆的次轴长度。
      • angle: 椭圆的旋转角度（相对于水平线的角度，单位为度）。

2. cv2.fitLine

  • 功能：计算给定点集的最佳拟合直线。
  • 输入参数：
    • points: 输入的点集，通常是一个包含二维坐标的 NumPy 数组，形状为 (num_points, 1, 2)。
    • distType: 距离类型，指定拟合的距离度量方式（如 cv2.DIST_L2、cv2.DIST_L1 等）。
    • param: 参数，通常设置为 0。
    • reps: 代表拟合精度的参数，通常设置为 0.01。
    • aeps: 代表拟合精度的参数，通常设置为 0.01。
  • 输出：
    • 返回一个包含直线参数的元组 (vx, vy, x0, y0)，其中：
      • (vx, vy): 直线的方向向量。
      • (x0, y0): 直线上的一个点的坐标。

这两个函数在图像处理和计算机视觉中用于形状分析和特征提取，能够帮助用户从点集数据中提取出有用的几何信息。

import cv2
import numpy as npimg = cv2.imread("./images/16.jpg")img2gary = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)ret,thresh = cv2.threshold(img2gary,127,255,cv2.THRESH_OTSU)contours,_ =  cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)# 椭圆拟合
ellipse = cv2.fitEllipse(contours[0])# cv2.ellipse(contours[0])
cv2.ellipse(img,ellipse,(255,0,0),thickness=2)# 直线拟合h,w, _ = img.shape[vx,vy,x,y] = cv2.fitLine(contours[0],cv2.DIST_L2,0,0.01,0.01)
lefty = int((-x*vy/vx)+y)righty = int((w-x)*vy/vx+y)
cv2.line(img,(w-1,righty),(0,lefty),(0,0,255),thickness=2)
cv2.imshow("img_contour",img)
cv2.waitKey(0)

在这里插入图片描述

轮廓匹配

cv2.matchShapes 是 OpenCV 中用于比较两个轮廓形状相似度的函数。它通过计算两个轮廓的 Hu 矩（Hu Moments）来评估它们的形状相似性。该函数通常用于形状识别和分类任务。

函数原型

similarity = cv2.matchShapes(contour1, contour2, method, parameter)

输入参数

  1. contour1 (numpy.ndarray):

    • 描述：第一个输入轮廓，通常是一个包含二维坐标的 NumPy 数组。

  2. contour2 (numpy.ndarray):

    • 描述：第二个输入轮廓，通常是一个包含二维坐标的 NumPy 数组。

  3. method (int):

    • 描述：形状匹配的方法，通常有以下几种选择：
      • cv2.CONTOURS_MATCH_I1: 计算轮廓的 Hu 矩的差异，返回值越小表示形状越相似。
      • cv2.CONTOURS_MATCH_I2: 计算轮廓的 Hu 矩的平方差，返回值越小表示形状越相似。
      • cv2.CONTOURS_MATCH_I3: 计算轮廓的 Hu 矩的相对差异，返回值越小表示形状越相似。

  4. parameter (float):

    • 描述：通常设置为 0，在某些方法中可能会使用。

输出

  • similarity (float):
    • 返回一个浮点数，表示两个轮廓的相似度。值越小表示形状越相似。

应用场景

  • 形状识别：在图像处理和计算机视觉中，cv2.matchShapes 可以用于识别和分类不同的形状。
  • 目标检测：可以用于检测特定形状的物体，例如在工业检测中识别零件的形状。
  • 图像分析：在分析图像中的形状特征时，可以用来比较不同对象的形状。

总之，cv2.matchShapes 是一个强大的工具，用于形状匹配和比较，能够帮助用户在图像处理任务中进行有效的形状分析。


import cv2img1 = cv2.imread('./images/16.jpg', 0)
img2 = cv2.imread('./images/17.jpg', 0)ret, thresh = cv2.threshold(img1, 127, 255, 0)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnt1 = contours[0]ret, thresh2 = cv2.threshold(img2, 127, 255, 0)
contours, hierarchy = cv2.findContours(thresh2, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnt2 = contours[0]ret = cv2.matchShapes(cnt1, cnt2, cv2.CONTOURS_MATCH_I2, 0.0)
print(ret)

在这里插入图片描述

这篇关于传统CV算法——轮廓性质算法实战的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1135499。

相关文章

SpringBoot实现MD5加盐算法的示例代码

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.
阅读更多...
Java时间轮调度算法的代码实现

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组（时间轮）和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时
阅读更多...
Python实战之屏幕录制功能的实现

Python实战之屏幕录制功能的实现

《Python实战之屏幕录制功能的实现》屏幕录制,即屏幕捕获,是指将计算机屏幕上的活动记录下来,生成视频文件,本文主要为大家介绍了如何使用Python实现这一功能,希望对大家有所帮助... 目录屏幕录制原理图像捕获音频捕获编码压缩输出保存完整的屏幕录制工具高级功能实时预览增加水印多平台支持屏幕录制原理屏幕
阅读更多...
最新Spring Security实战教程之Spring Security安全框架指南

最新Spring Security实战教程之Spring Security安全框架指南

《最新SpringSecurity实战教程之SpringSecurity安全框架指南》SpringSecurity是Spring生态系统中的核心组件,提供认证、授权和防护机制,以保护应用免受各种安... 目录前言什么是Spring Security？同类框架对比Spring Security典型应用场景传统
阅读更多...
最新Spring Security实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)

最新Spring Security实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)

《最新SpringSecurity实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)》本章节介绍了如何通过SpringSecurity实现从配置自定义登录页面、表单登录处理逻辑的配置,并简单模拟... 目录前言改造准备开始登录页改造自定义用户名密码登陆成功失败跳转问题自定义登出前后端分离适配方案结语前言
阅读更多...
OpenManus本地部署实战亲测有效完全免费(最新推荐)

OpenManus本地部署实战亲测有效完全免费(最新推荐)

《OpenManus本地部署实战亲测有效完全免费(最新推荐)》文章介绍了如何在本地部署OpenManus大语言模型,包括环境搭建、LLM编程接口配置和测试步骤,本文给大家讲解的非常详细,感兴趣的朋友一... 目录1.概况2.环境搭建2.1安装miniconda或者anaconda2.2 LLM编程接口配置2
阅读更多...
如何通过Golang的container/list实现LRU缓存算法

如何通过Golang的container/list实现LRU缓存算法

《如何通过Golang的container/list实现LRU缓存算法》文章介绍了Go语言中container/list包实现的双向链表,并探讨了如何使用链表实现LRU缓存,LRU缓存通过维护一个双向... 目录力扣：146. LRU 缓存主要结构 List 和 Element常用方法1. 初始化链表2.
阅读更多...
基于Canvas的Html5多时区动态时钟实战代码

基于Canvas的Html5多时区动态时钟实战代码

《基于Canvas的Html5多时区动态时钟实战代码》：本文主要介绍了如何使用Canvas在HTML5上实现一个多时区动态时钟的web展示，通过Canvas的API，可以绘制出6个不同城市的时钟，并且这些时钟可以动态转动，每个时钟上都会标注出对应的24小时制时间，详细内容请阅读本文，希望能对你有所帮助...
阅读更多...
Spring AI与DeepSeek实战一之快速打造智能对话应用

Spring AI与DeepSeek实战一之快速打造智能对话应用

《SpringAI与DeepSeek实战一之快速打造智能对话应用》本文详细介绍了如何通过SpringAI框架集成DeepSeek大模型,实现普通对话和流式对话功能,步骤包括申请API-KEY、项目搭... 目录一、概述二、申请DeepSeek的API-KEY三、项目搭建3.1. 开发环境要求3.2. mav
阅读更多...
Python与DeepSeek的深度融合实战

Python与DeepSeek的深度融合实战

《Python与DeepSeek的深度融合实战》Python作为最受欢迎的编程语言之一,以其简洁易读的语法、丰富的库和广泛的应用场景,成为了无数开发者的首选,而DeepSeek,作为人工智能领域的新星... 目录一、python与DeepSeek的结合优势二、模型训练1. 数据准备2. 模型架构与参数设置3
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2