PGuide-Docs/README.md at a533125c2f2a1343eaf40f30ae681fa4258f87a9

PGuideStudio/PGuide-Docs

Fork 0

rand777 b59f9c543a docs: improve docs

2025-03-18 08:46:36 +08:00

5.0 KiB

Raw Blame History

title

createTime

permalink

icon

tags

啥时候吃饭

2025/03/08 06:52:55

/project-docs/when2eat/

line-md:loading-alt-loop

PGuide OAuth

计算机视觉

YOLO

ECharts

哈哈，这个项目是一个科学决策什么时候去食堂吃饭的项目，让你合理避开重医吃饭高峰期。

::: echarts 重医食堂实时人数示例动态折线图

const oneDay = 86400000
const data = []
let now = new Date(1997, 9, 3)
let value = Math.random() * 1000

function randomData() {
  now = new Date(+now + oneDay)
  value = value + Math.random() * 21 - 10
  return {
    name: now.toString(),
    value: [
      [now.getFullYear(), now.getMonth() + 1, now.getDate()].join('/'),
      Math.round(value),
    ],
  }
}

for (let i = 0; i < 1000; i++) data.push(randomData())

const option = {
  tooltip: {
    trigger: 'axis',
    formatter(params) {
      params = params[0]
      const date = new Date(params.name)
      return (
        `${date.getDate()
        }/${
          date.getMonth() + 1
        }/${
          date.getFullYear()
        } : ${
          params.value[1]}`
      )
    },
    axisPointer: {
      animation: false,
    },
  },
  xAxis: {
    type: 'time',
    splitLine: {
      show: false,
    },
  },
  yAxis: {
    type: 'value',
    boundaryGap: [0, '100%'],
    splitLine: {
      show: false,
    },
  },
  toolbox: {
    show: true,
    feature: {
      mark: {
        show: true,
      },
      dataView: {
        show: true,
        readOnly: false,
      },
      restore: {
        show: true,
      },
      saveAsImage: {
        show: true,
      },
    },
  },
  series: [
    {
      name: 'Fake Data',
      type: 'line',
      showSymbol: false,
      data,
    },
  ],
}
const timeId = setInterval(() => {
  if (myChart._disposed)
    return clearInterval(timeId)

  for (let i = 0; i < 5; i++) {
    data.shift()
    data.push(randomData())
  }
  myChart.setOption({
    series: [
      {
        data,
      },
    ],
  })
}, 1000)

:::

项目简介

使用YOLO、OpenCV等计算机视觉识别框架，检测画面中人数，在网页端、APP端显示实时人流量，通过机器学习算法推测最合理的吃饭时间区间。

项目重点

高精度识别实时人数
- 30FPS以上的识别帧
网络传输json数据
- 后端跨域访问
- 身份验证
前端设计
- 组件、UI设计
机器学习推测
- 数据采集
- 算法选型
通知配置
- SMTP邮件通知
- QQ机器人

项目进度

完成基础的人类识别
前端UI设计
前端页面开发
完成一周的数据采集
机器学习推测

项目结构

:::file-tree

when2eat/
- backend/ # Flask后端核心
  - app/
    - api/ # API路由
      - v1/ # API版本控制
    - common/ # 通用工具
    - models/ # 数据库模型
    - services/ # 业务逻辑层
    - init.py
  - ml_models/ # 训练好的模型文件
    - yolo_v5s/ # 不同版本模型
  - scripts/ # 数据库迁移及其他脚本
  - tests/ # 后端测试
    - unit/ # 单元测试
    - integration/ # 集成测试
  - requirements/
    - dev.txt # 开发依赖
    - prod.txt # 生产依赖
- frontend/ # Vue 3前端
  - public/ # 公开资源
  - src/
    - assets/ # 静态资源
    - components/ # 通用组件
    - views/ # 页面视图
    - services/ # API服务层
    - utils/ # 前端工具
- cv_processing/ # 计算机视觉模块
  - detectors/ # 检测算法实现
  - utils/ # OpenCV工具
  - calibration/ # 摄像头校准数据
- infrastructure/ # 基础设施配置
  - docker/ # Docker配置
    - nginx/ # Nginx配置
    - flask/ # Flask配置
  - k8s/ # Kubernetes配置
  - terraform/ # 基础设施即代码配置
- docs/ # 项目文档
  - api-spec/ # OpenAPI规范
  - architecture/ # 架构设计图
  - deployment.md # 部署文档
- notebooks/ # Jupyter分析笔记
- .github/ # CI/CD配置
  - workflows/ # 工作流配置
- Makefile # 构建自动化
- docker-compose.yml # Docker Compose配置
- .env.sample # 环境变量模板 :::

其他可能会遇到的问题

如何进行数据采集
- python写一个定时任务，调用摄像头抓拍
- 注意数据脱敏，不要上传任何人脸数据
光线较暗时如何进行算法优化
- 红外可能效果并不理想
机器学习比较陌生
- 可以采用现有大模型，调用其API即可
- 不不不，我就要学机器学习

5.0 KiB Raw Blame History Unescape Escape