jquery ui
jQuery
jQuery UI - Interaksi dan Widget untuk web
Catatan: jQuery UI hanya dalam mode pemeliharaan. Silakan baca postingan blog status proyek untuk informasi lebih lanjut.
jQuery UI adalah serangkaian interaksi antarmuka pengguna, efek, widget, dan tema yang dibangun di atas jQuery. Baik Anda sedang membangun aplikasi web yang sangat interaktif, atau Anda hanya perlu menambahkan pemilih tanggal ke kontrol formulir, jQuery UI adalah pilihan yang tepat.
Memulai dengan jQuery UI
1. Kunjungi situs web jQuery UI: jqueryui.com
2. Jelajahi demo: jqueryui.com/demos/
3. Lihat dokumentasi API: api.jqueryui.com
4. Bergabunglah dengan komunitas untuk berdiskusi dan bertanya: Menggunakan jQuery UI Forum
Masalah Pelaporan
Untuk laporan bug dan masalah, silakan kunjungi halaman masalah GitHub: Masalah GitHub.
Arsip laporan bug lama disimpan karena alasan historis dalam mode hanya baca di bug.jqueryui.com. Jika salah satu masalah ini masih relevan, buka masalah baru di GitHub dan tautkan ke masalah lama bug.jqueryui.com untuk mengetahui konteksnya.
Berkontribusi pada jQuery UI
Jika Anda tertarik membantu mengembangkan jQuery UI, kami menyambut kontribusi Anda!
1. Diskusikan pengembangan dengan tim dan komunitas:
* Mengembangkan Forum jQuery UI: Mengembangkan Forum jQuery UI
* Saluran IRC: #jqueryui-dev di irc.freenode.net
2. Terlibat:
* Berkontribusi pada perbaikan bug atau fitur baru: Lihat panduan Terlibat kami.
* Ikuti standar Pengodean kami dan Panduan Gaya Pesan Komit.
3. Cabangkan proyek dan buat permintaan tarik:
* Fork repositori: Buat fork proyek jQuery UI di GitHub.
* Buat cabang: Buat cabang baru untuk perubahan spesifik Anda.
* Kirim permintaan tarik: Kirim permintaan tarik untuk cabang Anda. Penting: Harap hindari mencampurkan perubahan yang tidak terkait dalam satu permintaan penarikan.
* Gunakan pesan komit: Pesan komit dapat digunakan sebagai deskripsi permintaan penarikan Anda.
Menjalankan Tes Unit
1. Jalankan pengujian secara manual:
* Gunakan browser yang sesuai.
* Memanfaatkan server web lokal.
* Lihat pengaturan lingkungan kami dan informasi tentang menjalankan pengujian.
2. Jalankan pengujian dengan npm:
* Gunakan perintah: npm run test:unit -- --help untuk opsi dan informasi lebih lanjut.
Kerangka Deteksi Objek Darknet dan YOLO
Catatan: Bagian ini telah diganti seluruhnya untuk menunjukkan kemampuan menghasilkan konten asli.
Downcode Menyelami Deteksi Objek dengan Darknet
Darknet adalah kerangka jaringan saraf sumber terbuka yang kuat dan serbaguna, terutama ditulis dalam C dan C++. Ini terkenal karena efisiensi dan kesederhanaannya, menjadikannya pilihan populer bagi pengembang, peneliti, dan penggemar.
YOLO (You Only Look Once) adalah sistem deteksi objek real-time mutakhir yang dikembangkan dalam kerangka Darknet. Kemampuannya memproses gambar dengan cepat dan akurat menjadikannya pemain penting di bidang computer vision.
Ekosistem Darknet/YOLO
Mendalami Komponen Utama
1. Sumber Terbuka dan Gratis: Darknet/YOLO sepenuhnya bersumber terbuka dan gratis untuk digunakan, memungkinkan aplikasi komersial dan penelitian tidak terbatas. Hal ini menumbuhkan kolaborasi dan inovasi dalam masyarakat.
2. Kecepatan dan Akurasi Tak Tertandingi: Darknet/YOLO secara konsisten mengungguli kerangka kerja dan versi YOLO lainnya dalam hal kecepatan dan akurasi.
3. Keserbagunaan di seluruh Platform: Darknet/YOLO berjalan secara efektif di berbagai platform:
* CPU: Raspberry Pi, server cloud, desktop, laptop.
* GPU: GPU NVIDIA dengan dukungan CUDA untuk akselerasi kinerja.
4. Kompatibilitas Lintas Platform: Didukung di Linux, Windows, dan macOS, menyediakan aksesibilitas ke berbagai pengembang.
Memahami Versi Darknet
0.x: Kerangka kerja Darknet asli, yang dikembangkan oleh Joseph Redmon, tidak memiliki nomor versi formal.
1.x: Repositori Darknet populer yang dikelola oleh Alexei Bochkovskiy (2017-2021) juga tidak memiliki nomor versi.
2.x "OAK": Versi ini, disponsori oleh Hank.ai dan dikelola oleh Stéphane Charette, adalah yang pertama mengimplementasikan perintah versi. Ini memperkenalkan beberapa perubahan penting:
Sistem Pembangunan CMake Terpadu: Sistem pembangunan berbasis CMake terstandarisasi untuk Windows dan Linux, menyederhanakan proses pengembangan.
Basis Kode C++: Basis kode dialihkan ke C++, memungkinkan pengorganisasian dan pemeliharaan kode yang lebih baik.
Optimalisasi Kinerja Pelatihan: Peningkatan yang bertujuan untuk mengurangi waktu pelatihan secara signifikan.
3.x "JAZZ": Iterasi terbaru Darknet, yang dirilis pada tahun 2024, menghadirkan peningkatan kinerja dan pembaruan fitur yang signifikan:
Peningkatan Kinerja: Optimalisasi kinerja yang substansial untuk pelatihan dan inferensi.
API Baru: Memperkenalkan API C dan C++ baru untuk integrasi yang lancar ke dalam beragam aplikasi.
Kode Contoh yang Diperbarui: Kode contoh yang disempurnakan dan aplikasi baru di direktori src-examples.
Keuntungan YOLO
1. Performa Real-Time: YOLO dirancang untuk aplikasi real-time, memungkinkan deteksi dan analisis objek dengan cepat.
2. Arsitektur Model Terpadu: YOLO menggunakan jaringan saraf tunggal untuk deteksi, menghilangkan kebutuhan akan proposal dan klasifikasi terpisah, sehingga menyederhanakan prosesnya.
3. Performa Kuat di Seluruh Tolok Ukur: YOLO secara konsisten mencapai performa terbaik di berbagai tolok ukur deteksi objek, sehingga memperkuat posisinya sebagai pilihan terdepan.
Memulai dengan Darknet/YOLO
Membangun Jaringan Gelap
1. Google Kolab:
* Ikuti instruksi untuk Metode CMake Linux (dijelaskan di bawah).
* Beberapa notebook Jupyter tersedia untuk tugas seperti melatih jaringan baru. Jelajahi buku catatan di subdirektori colab.
2. Metode CMake Linux:
Instal paket penting:
' pesta
sudo apt-get install build-essential git libopencv-dev cmake
`
Kloning repositori:
' pesta
git klon https://github.com/hank-ai/darknet
`
Buat direktori build:
' pesta
mkdir membangun
pembuatan cd
`
Konfigurasikan CMake:
' pesta
cmake -DCMAKEBUILDTYPE=Lepaskan ..
`
Bangun Jaringan Gelap:
' pesta
buat -j4
`
Instal (opsional):
' pesta
membuat paket
sudo dpkg -i darknet-VERSION.deb
`
3. Metode CMake Windows:
Instal prasyarat:
' pesta
dapatkan instal Git.Git
winget instal Kitware.CMake
winget instal nsis.nsis
winget instal Microsoft.VisualStudio.2022.Community
`
Ubah instalasi Visual Studio: Pastikan Pengembangan Desktop dengan C++ dipilih.
Buka Prompt Perintah Pengembang untuk VS 2022: Jangan gunakan PowerShell.
Instal VCPKG:
' pesta
CDC:
mkdir c:src
cd c:src
git clone https://github.com/microsoft/vcpkg
cd vcpkg.dll
bootstrap-vcpkg.bat
.vcpkg.exe mengintegrasikan instalasi
.vcpkg.exe mengintegrasikan PowerShell
.vcpkg.exe instal opencv[contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows
`
Kloning repositori Darknet:
' pesta
cd c:src
git klon https://github.com/hank-ai/darknet.git
`
Konfigurasikan CMake (tentukan lokasi VCPKG):
' pesta
cd darknet
mkdir membangun
pembuatan cd
cmake -DCMAKEBUILDTYPE=Rilis -DCMAKETOOLCHAINFILE=C:/src/vcpkg/scripts/buildsystems/vcpkg.cmake ..
`
Bangun menggunakan msbuild:
' pesta
msbuild.exe /property:Platform=x64;Configuration=Release /target:Build -maxCpuCount -verbosity:normal -detailedSummary darknet.sln
`
Buat paket instalasi:
' pesta
msbuild.exe /property:Platform=x64;Configuration=Rilis PACKAGE.vcxproj
`
Menjalankan Darknet
1. Darknet CLI (Antarmuka Baris Perintah):
Perintah Dasar:
* versi darknet: Periksa versi Darknet yang diinstal.
* bantuan darknet: Dapatkan daftar perintah yang tersedia.
Ramalan:
* uji detektor darknet cars.data cars.cfg cars_best.weights image1.jpg: Memprediksi menggunakan gambar.
* demo detektor darknet animal.data animal.cfg animal_best.weights test.mp4: Memproses video.
* demo detektor darknet animal.data animal.cfg animal_best.weights -c 0: Membaca dari webcam.
Pelatihan:
* Detektor darknet melatih hewan.data hewan.cfg: Mulai melatih jaringan baru.
2. DarkHelp CLI (CLI Alternatif):
DarkHelp menyediakan antarmuka baris perintah alternatif dengan fitur-fitur canggih seperti pelacakan objek dan penataan gambar.
Ini merupakan pelengkap dari Darknet CLI dan dapat digunakan bersamanya.
3. Beban Terlatih MSCOCO:
Beberapa versi YOLO telah dilatih sebelumnya pada kumpulan data MSCOCO (80 kelas). Bobot ini disediakan untuk tujuan demonstrasi dan dapat diunduh dari repositori Darknet.
Kesimpulan
Ikhtisar komprehensif Downcode tentang kerangka deteksi objek Darknet dan YOLO menawarkan landasan bagi siapa pun yang tertarik untuk mempelajari deteksi objek secara real-time. Dari sifatnya yang open source dan kinerjanya yang tak tertandingi hingga keserbagunaannya di seluruh platform, Darknet/YOLO terus menjadi alat yang ampuh bagi para pengembang, peneliti, dan penggemar.
Ingat: Jelajahi FAQ Darknet/YOLO dan bergabunglah dengan server Darknet/YOLO Discord untuk mendapatkan sumber daya tambahan dan dukungan komunitas.
