jquery ui
jQuery
jQuery UI - Interactions et widgets pour le web
Remarque : jQuery UI est en mode maintenance uniquement. Veuillez lire le billet de blog sur l'état du projet pour plus d'informations.
jQuery UI est un ensemble organisé d'interactions, d'effets, de widgets et de thèmes d'interface utilisateur construits sur jQuery. Que vous créiez des applications Web hautement interactives ou que vous ayez simplement besoin d'ajouter un sélecteur de date à un contrôle de formulaire, jQuery UI est le choix idéal.
Premiers pas avec l'interface utilisateur jQuery
1. Visitez le site Web de jQuery UI : jqueryui.com
2. Explorez les démos : jqueryui.com/demos/
3. Consultez la documentation de l'API : api.jqueryui.com
4. Rejoignez la communauté pour des discussions et des questions : Utilisation du forum jQuery UI
Problèmes de signalement
Pour les rapports de bogues et les problèmes, veuillez visiter la page des problèmes GitHub : Problèmes GitHub.
Une archive des anciens rapports de bogues est conservée pour des raisons historiques en mode lecture seule sur bugs.jqueryui.com. Si l'un de ces problèmes est toujours d'actualité, veuillez ouvrir un nouveau numéro sur GitHub et créer un lien vers l'ancien problème bugs.jqueryui.com pour le contexte.
Contribuer à l'interface utilisateur de jQuery
Si vous souhaitez contribuer au développement de jQuery UI, nous apprécions vos contributions !
1. Discutez du développement avec l’équipe et la communauté :
* Développement du forum jQuery UI : développement du forum jQuery UI
* Canal IRC : #jqueryui-dev sur irc.freenode.net
2. S'impliquer :
* Contribuez à une correction de bug ou à une nouvelle fonctionnalité : consultez notre guide S'impliquer.
* Suivez nos normes de codage et notre guide de style de message de validation.
3. Forkez le projet et créez une pull request :
* Fork du référentiel : créez un fork du projet jQuery UI sur GitHub.
* Créer une branche : créez une nouvelle branche pour votre modification spécifique.
* Envoyer une pull request : soumettez une pull request pour votre succursale. Important : veuillez éviter de mélanger des modifications non liées dans une seule demande d'extraction.
* Utilisez le message de validation : le message de validation peut être utilisé comme description de votre demande d'extraction.
Exécution de tests unitaires
1. Exécutez les tests manuellement :
* Utilisez les navigateurs appropriés.
* Utilisez un serveur Web local.
* Consultez la configuration de notre environnement et les informations sur l'exécution des tests.
2. Exécutez des tests avec npm :
* Utilisez la commande : npm run test:unit -- --help pour plus d'options et d'informations.
Cadre de détection d'objets Darknet et YOLO
Remarque : Cette section a été entièrement remplacée pour démontrer la capacité à générer du contenu original.
Downcodes approfondit la détection d'objets avec Darknet
Darknet est un framework de réseau neuronal open source puissant et polyvalent, principalement écrit en C et C++. Il est réputé pour son efficacité et sa simplicité, ce qui en fait un choix populaire auprès des développeurs, des chercheurs et des passionnés.
YOLO (You Only Look Once) est un système de détection d'objets en temps réel de pointe développé dans le cadre Darknet. Sa capacité à traiter les images rapidement et avec précision en a fait un acteur important dans le domaine de la vision par ordinateur.
L'écosystème Darknet/YOLO
Une plongée approfondie dans les composants clés
1. Open Source et gratuit : Darknet/YOLO est entièrement open source et gratuit, permettant des applications commerciales et de recherche sans restriction. Cela favorise la collaboration et l’innovation au sein de la communauté.
2. Vitesse et précision inégalées : Darknet/YOLO surpasse systématiquement les autres frameworks et versions de YOLO en termes de vitesse et de précision.
3. Polyvalence entre plates-formes : Darknet/YOLO fonctionne efficacement sur diverses plates-formes :
* CPU : Raspberry Pi, serveurs cloud, ordinateurs de bureau, ordinateurs portables.
* GPU : GPU NVIDIA avec prise en charge CUDA pour des performances accélérées.
4. Compatibilité multiplateforme : pris en charge sur Linux, Windows et macOS, offrant une accessibilité à un large éventail de développeurs.
Comprendre les versions Darknet
0.x : le framework Darknet original, développé par Joseph Redmon, n'avait pas de numéro de version formel.
1.x : Le référentiel Darknet populaire maintenu par Alexey Bochkovskiy (2017-2021) n'avait pas non plus de numéro de version.
2.x « OAK » : Cette version, sponsorisée par Hank.ai et maintenue par Stéphane Charette, a été la première à implémenter une commande de version. Il a introduit plusieurs changements clés :
Système de build unifié CMake : un système de build standardisé basé sur CMake pour Windows et Linux, simplifiant le processus de développement.
Base de code C++ : la base de code a été migrée vers C++, permettant une meilleure organisation et maintenabilité du code.
Optimisations des performances d'entraînement : améliorations visant à réduire considérablement le temps d'entraînement.
3.x « JAZZ » : la dernière itération de Darknet, sortie en 2024, apporte des améliorations significatives des performances et des mises à jour des fonctionnalités :
Performances améliorées : optimisations substantielles des performances pour la formation et l'inférence.
Nouvelle API : introduction de nouvelles API C et C++ pour une intégration transparente dans diverses applications.
Exemple de code mis à jour : exemple de code amélioré et nouvelles applications dans le répertoire src-examples.
L'avantage YOLO
1. Performances en temps réel : YOLO est conçu pour les applications en temps réel, permettant une détection et une analyse rapides des objets.
2. Architecture de modèle unifiée : YOLO utilise un seul réseau neuronal pour la détection, éliminant ainsi le besoin de propositions et de classifications distinctes, rationalisant ainsi le processus.
3. Fortes performances selon les benchmarks : YOLO a constamment atteint des performances optimales dans divers benchmarks de détection d'objets, renforçant ainsi sa position de choix de premier plan.
Premiers pas avec Darknet/YOLO
Construire le Darknet
1. Google Colab :
* Suivez les instructions de la méthode Linux CMake (expliquée ci-dessous).
* Plusieurs notebooks Jupyter sont disponibles pour des tâches telles que la formation d'un nouveau réseau. Explorez les notebooks dans le sous-répertoire colab.
2. Méthode Linux CMake :
Installez les packages essentiels :
`bash
sudo apt-get install build-essential git libopencv-dev cmake
`
Clonez le dépôt :
`bash
clone git https://github.com/hank-ai/darknet
`
Créez le répertoire de construction :
`bash
mkdir construire
construction de CD
`
Configurez CMake :
`bash
cmake -DCMAKEBUILDTYPE=Version ..
`
Construire le Darknet :
`bash
faire -j4
`
Installer (facultatif) :
`bash
faire un paquet
sudo dpkg -i darknet-VERSION.deb
`
3. Méthode Windows CMake :
Conditions préalables à l'installation :
`bash
Winget installe Git.Git
Winget installe Kitware.CMake
Winget installe nsis.nsis
Winget installe Microsoft.VisualStudio.2022.Community
`
Modifier l'installation de Visual Studio : assurez-vous que Développement de bureau avec C++ est sélectionné.
Ouvrez l’invite de commande du développeur pour VS 2022 : n’utilisez pas PowerShell.
Installez VCPKG :
`bash
CDC:
mkdir c:src
cdc:src
clone git https://github.com/microsoft/vcpkg
cdvcpkg
bootstrap-vcpkg.bat
.vcpkg.exe intégrer l'installation
.vcpkg.exe intègre PowerShell
.vcpkg.exe installe opencv[contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows
`
Cloner le référentiel Darknet :
`bash
cdc:src
clone git https://github.com/hank-ai/darknet.git
`
Configurez CMake (spécifiez l'emplacement VCPKG) :
`bash
cd darknet
mkdir construire
construction de CD
cmake -DCMAKEBUILDTYPE=Release -DCMAKETOOLCHAINFILE=C:/src/vcpkg/scripts/buildsystems/vcpkg.cmake ..
`
Construire en utilisant msbuild :
`bash
msbuild.exe /property:Platform=x64;Configuration=Release /target:Build -maxCpuCount -verbosity:normal -detailedSummary darknet.sln
`
Créez le package d'installation :
`bash
msbuild.exe /property:Platform=x64;Configuration=Release PACKAGE.vcxproj
`
Exécuter le Darknet
1. CLI Darknet (interface de ligne de commande) :
Commandes de base :
* version darknet : vérifiez la version Darknet installée.
* Aide darknet : obtenez une liste des commandes disponibles.
Prédiction:
* Test du détecteur darknet cars.data cars.cfg cars_best.weights image1.jpg : prédisez à l'aide d'une image.
* Démo du détecteur darknet animal.data animaux.cfg animaux_best.weights test.mp4 : traiter une vidéo.
* Démo du détecteur darknet animal.data animaux.cfg animaux_best.weights -c 0 : lecture à partir d'une webcam.
Entraînement:
* Darknet Detector Train Animals.data Animals.cfg : commencez à former un nouveau réseau.
2. DarkHelp CLI (CLI alternative) :
DarkHelp fournit une interface de ligne de commande alternative avec des fonctionnalités avancées telles que le suivi d'objets et la mosaïque d'images.
Il est complémentaire de la CLI Darknet et peut être utilisé en parallèle.
3. Poids pré-entraînés MSCOCO :
Plusieurs versions de YOLO sont pré-entraînées sur le jeu de données MSCOCO (80 classes). Ces poids sont fournis à des fins de démonstration et peuvent être téléchargés à partir du référentiel Darknet.
Conclusion
L'aperçu complet de Downcodes sur le cadre de détection d'objets Darknet et YOLO offre une base à toute personne intéressée à se plonger dans la détection d'objets en temps réel. De sa nature open source et de ses performances inégalées à sa polyvalence sur toutes les plateformes, Darknet/YOLO continue d'être un outil puissant pour les développeurs, les chercheurs et les passionnés.
N'oubliez pas : explorez la FAQ Darknet/YOLO et rejoignez le serveur Discord Darknet/YOLO pour des ressources supplémentaires et une assistance communautaire.
