手机付费咨询网站建设系统网站建设

手机付费咨询网站建设,系统网站建设,简约式网站模板,诺亚人力资源外包网一、背景意义 随着信息技术的迅猛发展#xff0c;计算机视觉在各个领域的应用日益广泛#xff0c;尤其是在图像识别和目标检测方面。店铺名称的自动检测与识别#xff0c;作为计算机视觉技术的一项重要应用#xff0c;正逐渐成为商业智能、城市管理和智能交通等领域的重要研…一、背景意义随着信息技术的迅猛发展计算机视觉在各个领域的应用日益广泛尤其是在图像识别和目标检测方面。店铺名称的自动检测与识别作为计算机视觉技术的一项重要应用正逐渐成为商业智能、城市管理和智能交通等领域的重要研究方向。店铺名称不仅承载着商业信息还反映了城市的文化与经济发展。因此开发高效、准确的店铺名称检测系统具有重要的现实意义。近年来YOLOYou Only Look Once系列模型因其高效的实时检测能力而受到广泛关注。YOLOv8作为该系列的最新版本在目标检测精度和速度上均有显著提升。然而传统YOLO模型在特定场景下的表现仍存在一定的局限性尤其是在复杂背景、光照变化及多样化字体等情况下的文本检测。因此基于改进YOLOv8的店铺名称检测系统的研究显得尤为重要。本研究将利用SVT_Total_LCT数据集该数据集包含3069张图像涵盖21个类别的文本信息能够为模型的训练和测试提供丰富的样本。这些类别包括不同的文本样式和排列方式体现了店铺名称在实际应用中的多样性。通过对该数据集的深入分析和处理可以有效提升模型在复杂环境下的鲁棒性和准确性。在技术层面本研究将针对YOLOv8模型进行改进主要集中在网络结构优化、数据增强及后处理策略等方面。通过引入新的特征提取模块和优化算法期望能够提升模型对不同字体、颜色和背景的适应能力。此外数据增强技术的应用将进一步丰富训练样本增强模型的泛化能力降低过拟合风险。从应用角度来看基于改进YOLOv8的店铺名称检测系统将为商业智能提供有力支持。通过实时识别和分析店铺名称商家可以更好地了解市场动态和消费者需求从而优化营销策略和产品布局。同时城市管理者可以利用该系统对城市商业活动进行监测和分析为城市规划和管理提供数据支持。综上所述基于改进YOLOv8的店铺名称检测系统的研究不仅具有重要的学术价值也为实际应用提供了新的思路和方法。通过对该领域的深入探索期望能够推动计算机视觉技术在商业和城市管理中的广泛应用为相关行业的发展提供技术保障。二、图片效果三、数据集信息本数据集名为SVT_Total_LCT专为改进YOLOv8的店铺名称检测系统而设计。该数据集包含3069幅图像涵盖21个类别旨在提供丰富的训练素材以提高模型在复杂环境中对店铺名称的识别能力。数据集的构建考虑到了多样性和复杂性确保模型能够在各种场景下进行有效的对象检测。在这21个类别中图像被细分为不同的文本类型如Text、Text1、Text3等具体类别包括Text_20_an、Text_20_ar、Text_20_ntr等直至Text_70_an、Text_70_ar和Text_70_ntr。这种分类方式不仅帮助模型理解不同文本的特征还能提升其在多语言和多样化字体环境下的适应能力。通过对这些类别的训练模型能够识别出不同语言和风格的店铺名称从而在实际应用中实现更高的准确率。该数据集的图像数量相对丰富3069幅图像为模型提供了足够的样本量以进行有效的训练和验证。每幅图像都经过精心标注确保训练过程中模型能够学习到准确的特征。图像的多样性包括不同的拍摄角度、光照条件和背景环境这些因素都是影响店铺名称识别性能的重要变量。通过引入这些变化SVT_Total_LCT数据集旨在提高模型的鲁棒性使其在实际应用中能够更好地应对各种挑战。此外SVT_Total_LCT数据集的使用遵循CC BY 4.0许可证这意味着用户可以自由地使用、修改和分发数据集只需在使用时给予适当的署名。这种开放的许可方式促进了学术界和工业界的合作鼓励研究人员和开发者在此基础上进行创新和改进。数据集的提供者是Roboflow社区的一位用户反映了社区在推动计算机视觉领域发展方面的努力。通过分享高质量的数据集研究人员可以更快地验证和优化他们的模型推动技术的进步。SVT_Total_LCT数据集不仅是一个训练工具更是一个促进知识共享和技术交流的平台。总之SVT_Total_LCT数据集为改进YOLOv8的店铺名称检测系统提供了坚实的基础。其丰富的图像样本和多样的类别设置使得模型在训练过程中能够获得更全面的学习体验。随着数据集的广泛应用期待能够在店铺名称检测领域取得更大的突破为商业智能和自动化服务的提升贡献力量。四、核心代码python import numpy as np import cv2 from PIL import Image, ImageDraw, ImageFont class Colors: 颜色类用于处理颜色调色板。 提供将十六进制颜色代码转换为RGB值的方法。 def __init__(self): 初始化颜色调色板。 hexs ( FF3838, FF9D97, FF701F, FFB21D, CFD231, 48F90A, 92CC17, 3DDB86, 1A9334, 00D4BB, 2C99A8, 00C2FF, 344593, 6473FF, 0018EC, 8438FF, 520085, CB38FF, FF95C8, FF37C7, ) # 将十六进制颜色转换为RGB self.palette [self.hex2rgb(f#{c}) for c in hexs] self.n len(self.palette) staticmethod def hex2rgb(h): 将十六进制颜色代码转换为RGB值。 return tuple(int(h[i:i 2], 16) for i in (1, 3, 5)) colors Colors() # 创建颜色实例 class Annotator: 注释类用于在图像上绘制框、文本和关键点。 def __init__(self, im, line_widthNone, font_sizeNone, fontArial.ttf, pilFalse): 初始化Annotator类设置图像和绘制参数。 self.im im if isinstance(im, Image.Image) else Image.fromarray(im) self.draw ImageDraw.Draw(self.im) self.lw line_width or 2 # 默认线宽 self.font ImageFont.truetype(font, font_size or 12) # 设置字体 def box_label(self, box, label, color(128, 128, 128)): 在图像上绘制一个框和标签。 self.draw.rectangle(box, outlinecolor) # 绘制矩形框 if label: self.draw.text((box[0], box[1]), label, fill(255, 255, 255), fontself.font) # 绘制标签 def kpts(self, kpts, radius5): 在图像上绘制关键点。 for k in kpts: x, y int(k[0]), int(k[1]) self.draw.ellipse((x - radius, y - radius, x radius, y radius), fill(0, 255, 0)) # 绘制圆形关键点 def result(self): 返回注释后的图像。 return np.asarray(self.im) def plot_images(images, fnameimages.jpg): 绘制图像网格并保存。 mosaic np.full((640, 640, 3), 255, dtypenp.uint8) # 创建白色背景 for i, img in enumerate(images): mosaic[i // 8 * 80:(i // 8 1) * 80, (i % 8) * 80: (i % 8 1) * 80] img # 将图像放入网格 cv2.imwrite(fname, mosaic) # 保存图像 # 示例使用 if __name__ __main__: # 创建一个空白图像 img np.zeros((640, 640, 3), dtypenp.uint8) annotator Annotator(img) annotator.box_label((50, 50, 200, 200), label目标, color(255, 0, 0)) # 绘制框和标签 annotator.kpts(np.array([[100, 100], [150, 150]])) # 绘制关键点 result_img annotator.result() # 获取结果图像 plot_images([result_img], fnameoutput.jpg) # 保存结果图像代码分析和注释Colors类: 负责管理颜色调色板提供将十六进制颜色转换为RGB格式的方法。Annotator类: 用于在图像上绘制框、文本和关键点。构造函数初始化图像和绘制参数box_label方法绘制矩形框和标签kpts方法绘制关键点。plot_images函数: 将多个图像绘制成网格并保存为文件。以上是对代码的核心部分进行了提炼和注释便于理解其功能和使用方法。这个文件是Ultralytics YOLO项目中的一个工具模块主要用于图像的绘制和可视化特别是在目标检测和姿态估计任务中。它包含多个类和函数旨在帮助用户在图像上绘制边界框、关键点、掩码等并提供可视化的结果。首先文件中定义了一个Colors类用于管理和转换颜色。该类包含一组预定义的颜色支持将十六进制颜色代码转换为RGB格式。这个类的实例可以通过索引获取颜色方便在绘制时使用。接下来是Annotator类它是该模块的核心负责在图像上添加各种注释。初始化时它接受图像、线宽、字体等参数并根据使用的绘图库PIL或OpenCV设置绘图环境。该类提供了多种方法例如绘制矩形框、文本、关键点、掩码等。它还包含了绘制特定姿态关键点的功能并可以连接关键点以形成骨架。box_label方法用于在图像上绘制边界框和标签支持旋转框的绘制。masks方法用于在图像上绘制掩码支持透明度设置。kpts方法用于绘制关键点并可以选择是否连接关键点。draw_region和draw_centroid_and_tracks方法则用于绘制区域和轨迹适用于目标跟踪任务。此外文件中还定义了一些绘图函数例如plot_labels用于绘制训练标签的统计信息save_one_box用于保存图像的裁剪部分plot_images用于绘制图像网格并标注信息plot_results用于绘制训练结果等。这些函数提供了丰富的可视化功能方便用户分析模型的性能和结果。文件的最后部分还包含一些静态方法例如plt_color_scatter用于绘制散点图output_to_target和output_to_rotated_target用于将模型输出转换为可绘制的目标格式feature_visualization用于可视化模型的特征图。总体而言这个文件提供了强大的图像处理和可视化功能帮助用户在目标检测和姿态估计等任务中更好地理解和分析模型的表现。importsysimportsubprocessdefrun_script(script_path): 使用当前 Python 环境运行指定的脚本。 Args: script_path (str): 要运行的脚本路径 Returns: None # 获取当前 Python 解释器的路径python_pathsys.executable# 构建运行命令commandf{python_path} -m streamlit run {script_path}# 执行命令resultsubprocess.run(command,shellTrue)ifresult.returncode!0:print(脚本运行出错。)# 实例化并运行应用if__name____main__:# 指定您的脚本路径script_pathweb.py# 这里可以直接指定脚本路径# 运行脚本run_script(script_path)代码核心部分及注释导入模块importsysimportsubprocesssys模块用于访问与 Python 解释器紧密相关的变量和函数例如获取当前 Python 解释器的路径。subprocess模块用于执行外部命令和脚本。定义run_script函数defrun_script(script_path):该函数接收一个参数script_path表示要运行的 Python 脚本的路径。获取当前 Python 解释器的路径python_pathsys.executable使用sys.executable获取当前 Python 解释器的完整路径以便后续运行脚本时使用。构建运行命令commandf{python_path} -m streamlit run {script_path}使用格式化字符串构建命令调用streamlit模块来运行指定的脚本。执行命令resultsubprocess.run(command,shellTrue)使用subprocess.run执行构建的命令shellTrue允许在 shell 中执行命令。检查命令执行结果ifresult.returncode!0:print(脚本运行出错。)检查命令的返回码如果不为 0表示脚本运行出错打印错误信息。主程序入口if__name____main__:确保只有在直接运行该脚本时才会执行以下代码。指定脚本路径并运行script_pathweb.py# 这里可以直接指定脚本路径run_script(script_path)指定要运行的脚本路径并调用run_script函数执行该脚本。这个程序文件的主要功能是使用当前的 Python 环境来运行一个指定的脚本具体是通过 Streamlit 来启动一个 Web 应用。程序首先导入了必要的模块包括sys、os和subprocess以及一个自定义的路径处理模块abs_path。在run_script函数中首先获取当前 Python 解释器的路径这样可以确保使用的是正确的 Python 环境。接着构建一个命令字符串这个命令会调用 Streamlit 来运行指定的脚本。命令的格式是python -m streamlit run script_path其中script_path是传入的参数。然后使用subprocess.run方法来执行这个命令。该方法会在一个新的 shell 中运行命令并等待其完成。如果命令执行的返回码不为零表示脚本运行出错程序会输出一条错误信息。在文件的最后部分使用if __name__ __main__:语句来确保只有在直接运行该文件时才会执行后面的代码。在这里指定了要运行的脚本路径为web.py并调用run_script函数来启动这个脚本。整体来看这个程序的设计是为了方便用户在一个统一的环境中启动和运行一个基于 Streamlit 的 Web 应用。python # 导入必要的模块 from ultralytics.models import yolo from ultralytics.nn.tasks import OBBModel from ultralytics.utils import DEFAULT_CFG, RANK class OBBTrainer(yolo.detect.DetectionTrainer): OBBTrainer类扩展了DetectionTrainer类用于基于定向边界框OBB模型的训练。 def __init__(self, cfgDEFAULT_CFG, overridesNone, _callbacksNone): 初始化OBBTrainer对象接受配置和其他参数。 if overrides is None: overrides {} # 设置任务类型为obb overrides[task] obb # 调用父类的初始化方法 super().__init__(cfg, overrides, _callbacks) def get_model(self, cfgNone, weightsNone, verboseTrue): 返回使用指定配置和权重初始化的OBBModel模型。 # 创建OBBModel实例ch为输入通道数nc为类别数 model OBBModel(cfg, ch3, ncself.data[nc], verboseverbose and RANK -1) # 如果提供了权重则加载权重 if weights: model.load(weights) return model def get_validator(self): 返回用于YOLO模型验证的OBBValidator实例。 # 定义损失名称 self.loss_names box_loss, cls_loss, dfl_loss # 返回OBBValidator实例 return yolo.obb.OBBValidator(self.test_loader, save_dirself.save_dir, argscopy(self.args))代码注释说明导入模块导入了YOLO模型相关的模块和工具主要用于模型的定义和训练。OBBTrainer类这是一个继承自DetectionTrainer的类专门用于训练定向边界框OBB模型。__init__方法构造函数初始化OBBTrainer对象。如果没有提供overrides参数则使用默认值。设置任务类型为obb并调用父类的构造函数进行初始化。get_model方法该方法用于创建并返回一个OBBModel实例。它接受配置和权重参数若提供了权重则会加载这些权重。get_validator方法返回一个OBBValidator实例用于验证YOLO模型的性能。它定义了损失名称并传递测试加载器和保存目录等参数。这个程序文件定义了一个名为OBBTrainer的类该类继承自yolo.detect.DetectionTrainer用于基于定向边界框Oriented Bounding Box, OBB模型进行训练。文件的开头包含了版权信息表明该代码遵循 AGPL-3.0 许可证。在OBBTrainer类中构造函数__init__初始化了一个 OBBTrainer 对象。它接受三个参数cfg配置overrides覆盖参数和_callbacks回调函数。如果没有提供overrides则默认创建一个空字典。然后将任务类型设置为 “obb”并调用父类的构造函数进行初始化。get_model方法用于返回一个初始化的 OBBModel 实例。它接受三个参数cfg配置weights权重和verbose是否详细输出。在方法内部首先创建一个 OBBModel 对象指定输入通道数为 3类别数为self.data[nc]并根据verbose的值决定是否输出详细信息。如果提供了权重则调用模型的load方法加载这些权重。get_validator方法返回一个 OBBValidator 实例用于验证 YOLO 模型的性能。在这个方法中定义了损失名称包括 “box_loss”、“cls_loss” 和 “dfl_loss”。最后创建并返回一个 OBBValidator 对象传入测试数据加载器、保存目录和复制的参数。整个文件的目的是为 YOLO 模型的训练和验证提供一个专门的类以支持定向边界框的训练过程。通过这个类用户可以方便地进行模型训练和评估。# 导入必要的模块和类fromultralytics.engine.modelimportModelfromultralytics.modelsimportyolofromultralytics.nn.tasksimportClassificationModel,DetectionModel,OBBModel,PoseModel,SegmentationModelclassYOLO(Model):YOLOYou Only Look Once目标检测模型的定义。propertydeftask_map(self):将任务类型映射到相应的模型、训练器、验证器和预测器类。return{classify:{# 分类任务model:ClassificationModel,# 分类模型trainer:yolo.classify.ClassificationTrainer,# 分类训练器validator:yolo.classify.ClassificationValidator,# 分类验证器predictor:yolo.classify.ClassificationPredictor,# 分类预测器},detect:{# 检测任务model:DetectionModel,# 检测模型trainer:yolo.detect.DetectionTrainer,# 检测训练器validator:yolo.detect.DetectionValidator,# 检测验证器predictor:yolo.detect.DetectionPredictor,# 检测预测器},segment:{# 分割任务model:SegmentationModel,# 分割模型trainer:yolo.segment.SegmentationTrainer,# 分割训练器validator:yolo.segment.SegmentationValidator,# 分割验证器predictor:yolo.segment.SegmentationPredictor,# 分割预测器},pose:{# 姿态估计任务model:PoseModel,# 姿态模型trainer:yolo.pose.PoseTrainer,# 姿态训练器validator:yolo.pose.PoseValidator,# 姿态验证器predictor:yolo.pose.PosePredictor,# 姿态预测器},obb:{# 方向边界框任务model:OBBModel,# 方向边界框模型trainer:yolo.obb.OBBTrainer,# 方向边界框训练器validator:yolo.obb.OBBValidator,# 方向边界框验证器predictor:yolo.obb.OBBPredictor,# 方向边界框预测器},}代码注释说明导入模块首先导入了模型、YOLO相关的类和任务模型分类、检测、分割、姿态估计和方向边界框。YOLO类定义了一个YOLO类继承自Model类表示YOLO目标检测模型。task_map属性这是一个属性方法返回一个字典将不同的任务类型如分类、检测、分割等映射到相应的模型、训练器、验证器和预测器类。这种设计使得可以根据任务类型灵活地选择和使用不同的模型和工具。这个程序文件定义了一个名为YOLO的类继承自Model类主要用于实现 YOLOYou Only Look Once目标检测模型。文件中首先导入了一些必要的模块和类包括Model、yolo以及不同任务所需的模型类如分类、检测、分割、姿态估计和方向边界框OBB模型。在YOLO类中定义了一个名为task_map的属性。这个属性是一个字典用于将不同的任务如分类、检测、分割、姿态估计和方向边界框映射到相应的模型、训练器、验证器和预测器类。每个任务都有其对应的模型类和相关的训练、验证和预测类这样可以方便地根据任务类型来选择和使用相应的组件。具体来说字典中的每个键代表一个任务类型值是另一个字典包含了该任务所需的模型、训练器、验证器和预测器。例如对于“detect”任务映射到DetectionModel、DetectionTrainer、DetectionValidator和DetectionPredictor。这样的设计使得代码结构清晰便于扩展和维护用户可以根据需要选择合适的任务进行处理。总体而言这个文件为 YOLO 模型的实现提供了基础结构允许用户根据不同的计算机视觉任务灵活地使用相应的模型和工具。python # Ultralytics YOLO , AGPL-3.0 license # 这是一个YOLOYou Only Look Once目标检测模型的实现 # YOLO是一种实时目标检测系统能够在单个前向传播中检测多个对象 # 主要功能包括 # 1. 加载模型 # 2. 进行推理预测 # 3. 处理输入数据 # 4. 输出检测结果 # 这里是一个简化的核心部分示例 class YOLO: def __init__(self, model_path): 初始化YOLO模型 :param model_path: 模型文件的路径 self.model self.load_model(model_path) # 加载模型 def load_model(self, model_path): 加载YOLO模型 :param model_path: 模型文件的路径 :return: 加载的模型 # 实际加载模型的代码 pass # 这里用pass占位实际代码会在这里实现 def predict(self, image): 对输入图像进行目标检测 :param image: 输入图像 :return: 检测结果 # 进行推理并返回检测结果 results self.model.forward(image) # 使用模型进行前向传播 return results # 返回检测结果 # 示例使用 if __name__ __main__: yolo_model YOLO(path/to/model) # 创建YOLO对象并加载模型 image path/to/image.jpg # 输入图像路径 results yolo_model.predict(image) # 进行目标检测 print(results) # 输出检测结果注释说明类定义YOLO类用于封装YOLO模型的功能。初始化方法__init__方法用于初始化模型接收模型路径并调用加载模型的方法。加载模型load_model方法负责加载YOLO模型实际实现会在此处。预测方法predict方法用于对输入图像进行目标检测调用模型的前向传播方法。示例使用在主程序中创建YOLO对象加载模型并对指定图像进行检测最后输出结果。以上是YOLO目标检测模型的核心部分及其详细注释。这个程序文件的文件名是ultralytics\engine\__init__.py它是 Ultralytics YOLO 项目的一部分。文件的开头包含了一行注释表明该项目使用的是 AGPL-3.0 许可证。AGPLAffero General Public License是一种开源许可证允许用户自由使用、修改和分发软件但要求任何基于该软件的修改版本也必须以相同的许可证发布。虽然在你提供的代码中只有一行注释但通常情况下__init__.py文件用于将一个目录标识为一个 Python 包。这个文件可以是空的也可以包含包的初始化代码。在 YOLO 项目中__init__.py可能会导入其他模块或定义一些常量和函数以便用户在导入该包时能够直接使用。在实际应用中ultralytics.engine可能会包含与 YOLO 模型的训练、推理、数据处理等相关的功能和类。通过将这些功能组织在一个包中用户可以更方便地使用和扩展 YOLO 的功能。总的来说虽然这个文件的内容非常简单但它在整个项目中起到了重要的结构性作用使得 YOLO 项目能够以模块化的方式进行开发和使用。python import os import torch import yaml from ultralytics import YOLO # 导入YOLO模型库 from QtFusion.path import abs_path # 导入路径处理函数 # 设置设备为GPU如果可用否则使用CPU device 0 if torch.cuda.is_available() else cpu if __name__ __main__: # 确保该模块被直接运行时才执行以下代码 workers 1 # 设置数据加载的工作进程数 batch 2 # 设置每个批次的大小 data_name data # 数据集名称 # 获取数据集yaml文件的绝对路径 data_path abs_path(fdatasets/{data_name}/{data_name}.yaml, path_typecurrent) unix_style_path data_path.replace(os.sep, /) # 将路径转换为Unix风格 # 获取数据集目录路径 directory_path os.path.dirname(unix_style_path) # 读取YAML文件保持原有顺序 with open(data_path, r) as file: data yaml.load(file, Loaderyaml.FullLoader) # 如果YAML文件中包含path项则修改为当前目录路径 if path in data: data[path] directory_path # 将修改后的数据写回YAML文件 with open(data_path, w) as file: yaml.safe_dump(data, file, sort_keysFalse) # 加载预训练的YOLOv8模型 model YOLO(model./ultralytics/cfg/models/v8/yolov8s.yaml, taskdetect) # 开始训练模型 results2 model.train( datadata_path, # 指定训练数据的配置文件路径 devicedevice, # 指定训练使用的设备 workersworkers, # 指定数据加载的工作进程数 imgsz640, # 指定输入图像的大小为640x640 epochs100, # 指定训练的轮数为100 batchbatch, # 指定每个批次的大小 nametrain_v8_ data_name # 指定训练任务的名称 )代码说明导入必要的库导入了处理文件路径、深度学习框架PyTorch、YAML文件解析和YOLO模型的库。设备选择根据是否有可用的GPU选择训练设备为GPU或CPU。数据集路径处理通过YAML文件指定数据集的路径并将其转换为绝对路径。YAML文件读取与修改读取YAML文件内容更新其中的路径信息并将修改后的内容写回文件。模型加载与训练加载YOLOv8模型并使用指定的参数开始训练包括数据路径、设备、工作进程数、图像大小、训练轮数和批次大小等。这个程序文件train.py是一个用于训练 YOLOv8 模型的脚本。首先它导入了必要的库包括os、torch、yaml和ultralytics中的 YOLO 模型。程序首先检查是否有可用的 GPU如果有则将设备设置为 “0”表示使用第一个 GPU否则使用 CPU。在__main__块中程序定义了一些训练参数如工作进程数workers和批次大小batch。接着程序指定了数据集的名称这里使用的是 “data”并构建了数据集 YAML 文件的绝对路径。使用abs_path函数将相对路径转换为绝对路径并将路径中的分隔符统一为 Unix 风格的斜杠。接下来程序获取数据集目录的路径并打开指定的 YAML 文件以读取数据。通过yaml.load函数读取 YAML 文件的内容并在读取后检查是否存在path项。如果存在则将其修改为数据集的目录路径并将修改后的内容写回到 YAML 文件中确保数据集路径的正确性。然后程序加载了预训练的 YOLOv8 模型指定了模型的配置文件路径和任务类型目标检测。接下来调用model.train方法开始训练模型。在训练过程中程序指定了多个参数包括数据配置文件的路径、设备、工作进程数、输入图像的大小640x640、训练的轮数100 个 epoch以及训练任务的名称以 “train_v8_” 开头后接数据集名称。总体来说这个脚本的主要功能是配置并启动 YOLOv8 模型的训练过程确保数据集路径正确并设置训练的相关参数。五、源码文件六、源码获取欢迎大家点赞、收藏、关注、评论啦 、查看获取联系方式