jquery ui

jQuery UI – Interaktionen und Widgets für das Web

Hinweis: Die jQuery-Benutzeroberfläche befindet sich im reinen Wartungsmodus. Weitere Informationen finden Sie im Blogbeitrag zum Projektstatus.

jQuery UI ist ein kuratierter Satz von Benutzeroberflächeninteraktionen, Effekten, Widgets und Themen, die auf jQuery basieren. Egal, ob Sie hochgradig interaktive Webanwendungen erstellen oder einfach nur eine Datumsauswahl zu einem Formularsteuerelement hinzufügen müssen, jQuery UI ist die perfekte Wahl.

Erste Schritte mit der jQuery-Benutzeroberfläche

1. Besuchen Sie die jQuery-UI-Website: jqueryui.com

2. Entdecken Sie Demos: jqueryui.com/demos/

3. Konsultieren Sie die API-Dokumentation: api.jqueryui.com

4. Treten Sie der Community für Diskussionen und Fragen bei: Verwenden des jQuery UI-Forums

Probleme melden

Für Fehlerberichte und Probleme besuchen Sie bitte die GitHub-Problemseite: GitHub-Probleme.

Ein Archiv älterer Fehlerberichte wird aus historischen Gründen im schreibgeschützten Modus unter bugs.jqueryui.com aufbewahrt. Wenn eines dieser Probleme weiterhin relevant ist, öffnen Sie bitte ein neues Problem auf GitHub und verlinken Sie für den Kontext auf das alte Problem bugs.jqueryui.com.

Beitrag zur jQuery-Benutzeroberfläche

Wenn Sie daran interessiert sind, bei der Entwicklung der jQuery-Benutzeroberfläche mitzuhelfen, freuen wir uns über Ihre Beiträge!

1. Besprechen Sie die Entwicklung mit dem Team und der Community:

* Entwicklung des jQuery-UI-Forums: Entwicklung des jQuery-UI-Forums

* IRC-Kanal: #jqueryui-dev auf irc.freenode.net

2. Mitmachen:

* Tragen Sie eine Fehlerbehebung oder eine neue Funktion bei: Sehen Sie sich unseren Leitfaden „Mitmachen“ an.

* Befolgen Sie unsere Codierungsstandards und den Commit Message Style Guide.

3. Forken Sie das Projekt und erstellen Sie eine Pull-Anfrage:

* Forken des Repositorys: Erstellen Sie einen Fork des jQuery-UI-Projekts auf GitHub.

* Einen Zweig erstellen: Erstellen Sie einen neuen Zweig für Ihre spezifische Änderung.

* Senden Sie eine Pull-Anfrage: Senden Sie eine Pull-Anfrage für Ihre Zweigstelle. Wichtig: Bitte vermeiden Sie das Mischen unabhängiger Änderungen in einem einzigen Pull-Request.

* Commit-Nachricht verwenden: Die Commit-Nachricht kann als Beschreibung für Ihren Pull-Request verwendet werden.

Ausführen von Unit-Tests

1. Führen Sie Tests manuell durch:

* Verwenden Sie geeignete Browser.

* Nutzen Sie einen lokalen Webserver.

* Sehen Sie sich unsere Umgebungseinrichtung und Informationen zum Ausführen von Tests an.

2. Führen Sie Tests mit npm durch:

* Verwenden Sie den Befehl: npm run test:unit -- --help für weitere Optionen und Informationen.

Darknet Object Detection Framework und YOLO

Hinweis: Dieser Abschnitt wurde vollständig ersetzt, um die Möglichkeit zur Generierung von Originalinhalten zu demonstrieren.

Downcodes‘ tiefer Einblick in die Objekterkennung mit Darknet

Darknet ist ein leistungsstarkes und vielseitiges Open-Source-Framework für neuronale Netzwerke, das hauptsächlich in C und C++ geschrieben ist. Es ist für seine Effizienz und Einfachheit bekannt und daher eine beliebte Wahl für Entwickler, Forscher und Enthusiasten gleichermaßen.

YOLO (You Only Look Once) ist ein hochmodernes Echtzeit-Objekterkennungssystem, das im Darknet-Framework entwickelt wurde. Seine Fähigkeit, Bilder schnell und genau zu verarbeiten, hat es zu einem bedeutenden Akteur auf dem Gebiet der Computer Vision gemacht.

Das Darknet/YOLO-Ökosystem

Ein tiefer Einblick in die Schlüsselkomponenten

1. Open Source und kostenlos: Darknet/YOLO ist vollständig Open Source und kostenlos nutzbar, was uneingeschränkte kommerzielle und Forschungsanwendungen ermöglicht. Dies fördert die Zusammenarbeit und Innovation innerhalb der Gemeinschaft.

2. Unübertroffene Geschwindigkeit und Genauigkeit: Darknet/YOLO übertrifft durchweg andere Frameworks und Versionen von YOLO in Bezug auf Geschwindigkeit und Genauigkeit.

3. Plattformübergreifende Vielseitigkeit: Darknet/YOLO läuft effektiv auf verschiedenen Plattformen:

* CPU: Raspberry Pi, Cloud-Server, Desktops, Laptops.

* GPU: NVIDIA-GPUs mit CUDA-Unterstützung für beschleunigte Leistung.

4. Plattformübergreifende Kompatibilität: Unterstützt unter Linux, Windows und macOS und bietet Zugriff für ein breites Spektrum von Entwicklern.

Die Darknet-Versionen verstehen

0.x: Dem ursprünglichen Darknet-Framework, das von Joseph Redmon entwickelt wurde, fehlte eine formelle Versionsnummer.

1.x: Das beliebte Darknet-Repository, das von Alexey Bochkovskiy (2017–2021) verwaltet wird, hatte ebenfalls keine Versionsnummer.

2.x „OAK“: Diese von Hank.ai gesponserte und von Stéphane Charette gepflegte Version war die erste, die einen Versionsbefehl implementierte. Es wurden mehrere wichtige Änderungen eingeführt:

Einheitliches CMake-Build-System: Ein standardisiertes CMake-basiertes Build-System für Windows und Linux, das den Entwicklungsprozess vereinfacht.

C++-Codebasis: Die Codebasis wurde auf C++ umgestellt, was eine bessere Codeorganisation und Wartbarkeit ermöglicht.

Optimierungen der Trainingsleistung: Verbesserungen, die darauf abzielen, die Trainingszeit deutlich zu verkürzen.

3.x „JAZZ“: Die neueste Version von Darknet, veröffentlicht im Jahr 2024, bringt erhebliche Leistungsverbesserungen und Funktionsaktualisierungen:

Verbesserte Leistung: Erhebliche Leistungsoptimierungen sowohl für Training als auch für Inferenz.

Neue API: Einführung neuer C- und C++-APIs für die nahtlose Integration in verschiedene Anwendungen.

Aktualisierter Beispielcode: Verbesserter Beispielcode und neue Anwendungen im Verzeichnis src-examples.

Der YOLO-Vorteil

1. Echtzeitleistung: YOLO ist für Echtzeitanwendungen konzipiert und ermöglicht eine schnelle Objekterkennung und -analyse.

2. Einheitliche Modellarchitektur: YOLO verwendet ein einziges neuronales Netzwerk zur Erkennung, wodurch separate Vorschläge und Klassifizierungen überflüssig werden und der Prozess rationalisiert wird.

3. Starke Leistung bei allen Benchmarks: YOLO hat bei verschiedenen Objekterkennungs-Benchmarks durchweg Spitzenleistungen erzielt und damit seine Position als führende Wahl gefestigt.

Erste Schritte mit Darknet/YOLO

Darknet aufbauen

1. Google Colab:

* Befolgen Sie die Anweisungen für die Linux CMake-Methode (unten erklärt).

* Für Aufgaben wie das Training eines neuen Netzwerks stehen mehrere Jupyter-Notebooks zur Verfügung. Durchsuchen Sie die Notizbücher im Unterverzeichnis „colab“.

2. Linux CMake-Methode:

Installieren Sie wichtige Pakete:

`Bash

sudo apt-get install build-essential git libopencv-dev cmake

`

Klonen Sie das Repository:

`Bash

Git-Klon https://github.com/hank-ai/darknet

`

Erstellen Sie ein Build-Verzeichnis:

`Bash

mkdir-Build

CD-Build

`

CMake konfigurieren:

`Bash

cmake -DCMAKEBUILDTYPE=Release ..

`

Darknet aufbauen:

`Bash

mache -j4

`

Installieren (optional):

`Bash

Paket machen

sudo dpkg -i darknet-VERSION.deb

`

3. Windows CMake-Methode:

Voraussetzungen installieren:

`Bash

Winget installiert Git.Git

Winget installiert Kitware.CMake

Winget installiert nsis.nsis

Winget installiert Microsoft.VisualStudio.2022.Community

`

Ändern Sie die Visual Studio-Installation: Stellen Sie sicher, dass „Desktop-Entwicklung mit C++“ ausgewählt ist.

Öffnen Sie die Entwickler-Eingabeaufforderung für VS 2022: Verwenden Sie PowerShell nicht.

VCPKG installieren:

`Bash

CDC:

mkdir c:src

cd c:src

Git-Klon https://github.com/microsoft/vcpkg

cd vcpkg

Bootstrap-vcpkg.bat

.vcpkg.exe integrieren installieren

.vcpkg.exe integriert Powershell

.vcpkg.exe installiere opencv[contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows

`

Darknet-Repository klonen:

`Bash

cd c:src

Git-Klon https://github.com/hank-ai/darknet.git

`

Konfigurieren Sie CMake (geben Sie den VCPKG-Speicherort an):

`Bash

CD Darknet

mkdir-Build

CD-Build

cmake -DCMAKEBUILDTYPE=Release -DCMAKETOOLCHAINFILE=C:/src/vcpkg/scripts/buildsystems/vcpkg.cmake ..

`

Erstellen Sie mit msbuild:

`Bash

msbuild.exe /property:Platform=x64;Configuration=Release /target:Build -maxCpuCount -verbosity:normal -detailedSummary darknet.sln

`

Installationspaket erstellen:

`Bash

msbuild.exe /property:Platform=x64;Configuration=Release PACKAGE.vcxproj

`

Darknet betreiben

1. Darknet CLI (Befehlszeilenschnittstelle):

Grundlegende Befehle:

* Darknet-Version: Überprüfen Sie die installierte Darknet-Version.

* Darknet-Hilfe: Rufen Sie eine Liste der verfügbaren Befehle ab.

Vorhersage:

* Darknet-Detektortest car.data car.cfg car_best.weights image1.jpg: Mithilfe eines Bildes vorhersagen.

* Darknet-Detektor-Demo Animals.data Animals.cfg Animals_best.weights test.mp4: Verarbeiten Sie ein Video.

* Darknet-Detektor-Demo Animals.data Animals.cfg Animals_best.weights -c 0: Von einer Webcam lesen.

Ausbildung:

* Darknet-Detektor trainieren Animals.Data Animals.cfg: Beginnen Sie mit dem Training eines neuen Netzwerks.

2. DarkHelp-CLI (Alternative CLI):

DarkHelp bietet eine alternative Befehlszeilenschnittstelle mit erweiterten Funktionen wie Objektverfolgung und Bildkacheln.

Es ergänzt die Darknet-CLI und kann parallel dazu verwendet werden.

3. Vortrainierte MSCOCO-Gewichte:

Mehrere Versionen von YOLO sind auf dem MSCOCO-Datensatz (80 Klassen) vorab trainiert. Diese Gewichte werden zu Demonstrationszwecken bereitgestellt und können aus dem Darknet-Repository heruntergeladen werden.

Abschluss

Der umfassende Überblick von Downcodes über das Darknet-Objekterkennungs-Framework und YOLO bietet eine Grundlage für alle, die sich mit der Echtzeit-Objekterkennung befassen möchten. Von seinem Open-Source-Charakter und seiner unübertroffenen Leistung bis hin zu seiner plattformübergreifenden Vielseitigkeit ist Darknet/YOLO weiterhin ein leistungsstarkes Werkzeug für Entwickler, Forscher und Enthusiasten gleichermaßen.

Denken Sie daran: Entdecken Sie die Darknet/YOLO-FAQ und treten Sie dem Darknet/YOLO Discord-Server bei, um zusätzliche Ressourcen und Community-Unterstützung zu erhalten.