jquery ui

jQuery UI – Interações e Widgets para a web

Nota: a UI do jQuery está no modo somente de manutenção. Leia a postagem do blog sobre o status do projeto para obter mais informações.

jQuery UI é um conjunto selecionado de interações, efeitos, widgets e temas da interface do usuário criados com base no jQuery. Esteja você criando aplicativos da Web altamente interativos ou apenas precise adicionar um seletor de data a um controle de formulário, o jQuery UI é a escolha perfeita.

Primeiros passos com jQuery UI

1. Visite o site da UI do jQuery: jqueryui.com

2. Explore as demonstrações: jqueryui.com/demos/

3. Consulte a documentação da API: api.jqueryui.com

4. Participe da comunidade para discussões e perguntas: Usando o fórum jQuery UI

Relatando problemas

Para relatórios de bugs e problemas, visite a página de problemas do GitHub: Problemas do GitHub.

Um arquivo de relatórios de bugs mais antigos é mantido por motivos históricos em modo somente leitura em bugs.jqueryui.com. Se algum desses problemas ainda for relevante, abra um novo problema no GitHub e crie um link para o problema legado bugs.jqueryui.com para obter contexto.

Contribuindo para jQuery UI

Se você estiver interessado em ajudar a desenvolver o jQuery UI, agradecemos suas contribuições!

1. Discuta o desenvolvimento com a equipe e a comunidade:

* Fórum de desenvolvimento de jQuery UI: Fórum de desenvolvimento de jQuery UI

* Canal IRC: #jqueryui-dev em irc.freenode.net

2. Envolvendo-se:

* Contribua com uma correção de bug ou um novo recurso: consulte nosso guia de envolvimento.

* Siga nossos padrões de codificação e guia de estilo de mensagens de confirmação.

3. Bifurque o projeto e crie uma solicitação pull:

* Bifurque o repositório: crie um fork do projeto jQuery UI no GitHub.

* Crie um branch: Crie um novo branch para sua alteração específica.

* Envie uma solicitação pull: envie uma solicitação pull para sua filial. Importante: evite misturar alterações não relacionadas em uma única solicitação pull.

* Use a mensagem de commit: A mensagem de commit pode ser usada como descrição para sua solicitação pull.

Executando testes unitários

1. Execute testes manualmente:

* Use navegadores apropriados.

* Utilize um servidor web local.

* Veja a configuração do nosso ambiente e informações sobre a execução de testes.

2. Execute testes com npm:

* Use o comando: npm run test:unit -- --help para mais opções e informações.

Estrutura de detecção de objetos Darknet e YOLO

Nota: Esta seção foi totalmente substituída para demonstrar a capacidade de gerar conteúdo original.

Aprofundamento do Downcodes na detecção de objetos com Darknet

Darknet é uma estrutura de rede neural de código aberto poderosa e versátil, escrita principalmente em C e C++. É conhecido por sua eficiência e simplicidade, o que o torna uma escolha popular entre desenvolvedores, pesquisadores e entusiastas.

YOLO (You Only Look Once) é um sistema de detecção de objetos em tempo real de última geração desenvolvido dentro da estrutura Darknet. Sua capacidade de processar imagens com rapidez e precisão tornou-o um participante importante no campo da visão computacional.

O ecossistema Darknet/YOLO

Um mergulho profundo nos principais componentes

1. Código aberto e gratuito: Darknet/YOLO é totalmente de código aberto e de uso gratuito, permitindo aplicações comerciais e de pesquisa irrestritas. Isso promove a colaboração e a inovação dentro da comunidade.

2. Velocidade e precisão incomparáveis: Darknet/YOLO supera consistentemente outras estruturas e versões do YOLO em termos de velocidade e precisão.

3. Versatilidade entre plataformas: Darknet/YOLO funciona de forma eficaz em várias plataformas:

* CPU: Raspberry Pi, servidores em nuvem, desktops, laptops.

* GPU: GPUs NVIDIA com suporte CUDA para desempenho acelerado.

4. Compatibilidade entre plataformas: compatível com Linux, Windows e macOS, fornecendo acessibilidade a uma ampla gama de desenvolvedores.

Compreendendo as versões Darknet

0.x: A estrutura Darknet original, desenvolvida por Joseph Redmon, não tinha um número de versão formal.

1.x: O popular repositório Darknet mantido por Alexey Bochkovskiy (2017-2021) também não tinha um número de versão.

2.x "OAK": Esta versão, patrocinada por Hank.ai e mantida por Stéphane Charette, foi a primeira a implementar um comando de versão. Ele introduziu várias mudanças importantes:

Sistema de compilação CMake unificado: Um sistema de compilação padronizado baseado em CMake para Windows e Linux, simplificando o processo de desenvolvimento.

Base de código C++: A base de código foi transferida para C++, permitindo melhor organização e manutenção do código.

Otimizações de desempenho de treinamento: Melhorias que visam reduzir significativamente o tempo de treinamento.

3.x "JAZZ": A última iteração do Darknet, lançada em 2024, traz melhorias significativas de desempenho e atualizações de recursos:

Desempenho aprimorado: Otimizações substanciais de desempenho para treinamento e inferência.

Nova API: Introduziu novas APIs C e C++ para integração perfeita em diversos aplicativos.

Código de amostra atualizado: código de amostra aprimorado e novos aplicativos no diretório src-examples.

A vantagem YOLO

1. Desempenho em tempo real: YOLO foi projetado para aplicações em tempo real, permitindo rápida detecção e análise de objetos.

2. Arquitetura de modelo unificado: YOLO utiliza uma única rede neural para detecção, eliminando a necessidade de propostas e classificações separadas, agilizando o processo.

3. Forte desempenho em todos os benchmarks: YOLO alcançou consistentemente o melhor desempenho em vários benchmarks de detecção de objetos, solidificando sua posição como uma escolha líder.

Primeiros passos com Darknet/YOLO

Construindo Darknet

1. Google Colab:

* Siga as instruções do Método Linux CMake (explicadas abaixo).

* Vários notebooks Jupyter estão disponíveis para tarefas como treinar uma nova rede. Explore os blocos de anotações no subdiretório colab.

2. Método Linux CMake:

Instale pacotes essenciais:

`bash

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

`

Clone o repositório:

`bash

clone do git https://github.com/hank-ai/darknet

`

Crie o diretório de construção:

`bash

compilação mkdir

compilação de CD

`

Configurar o CMake:

`bash

cmake -DCMAKEBUILDTYPE=Liberar ..

`

Construir Darknet:

`bash

faça -j4

`

Instalar (opcional):

`bash

fazer pacote

sudo dpkg -i darknet-VERSION.deb

`

3. Método CMake do Windows:

Pré-requisitos de instalação:

`bash

winget instalar Git.Git

winget instalar Kitware.CMake

winget instalar nsis.nsis

instalar winget Microsoft.VisualStudio.2022.Community

`

Modifique a instalação do Visual Studio: certifique-se de que Desenvolvimento de Desktop com C++ esteja selecionado.

Abra o prompt de comando do desenvolvedor para VS 2022: não use o PowerShell.

Instale o VCPKG:

`bash

CDC:

mkdir c:src

cd c:src

clone do git https://github.com/microsoft/vcpkg

CD vcpkg

bootstrap-vcpkg.bat

.vcpkg.exe integrar instalação

.vcpkg.exe integrar powershell

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

`

Clonar repositório Darknet:

`bash

cd c:src

clone do git https://github.com/hank-ai/darknet.git

`

Configure o CMake (especifique a localização do VCPKG):

`bash

cd rede escura

compilação mkdir

compilação de CD

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

`

Construa usando msbuild:

`bash

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

`

Crie o pacote de instalação:

`bash

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

`

Executando Darknet

1. Darknet CLI (interface de linha de comando):

Comandos Básicos:

* versão darknet: Verifique a versão Darknet instalada.

* ajuda darknet: Obtenha uma lista de comandos disponíveis.

Previsão:

* teste de detector darknet cars.data cars.cfg cars_best.weights image1.jpg: Preveja usando uma imagem.

* Demonstração do detector darknet Animals.data Animals.cfg Animals_best.weights Test.mp4: processe um vídeo.

* Demonstração do detector darknet Animals.data Animals.cfg Animals_best.weights -c 0: Leia de uma webcam.

Treinamento:

* detector darknet train Animals.data Animals.cfg: Comece a treinar uma nova rede.

2. DarkHelp CLI (CLI alternativa):

DarkHelp fornece uma interface de linha de comando alternativa com recursos avançados como rastreamento de objetos e mosaico de imagens.

É complementar ao Darknet CLI e pode ser usado junto com ele.

3. Pesos pré-treinados MSCOCO:

Várias versões do YOLO são pré-treinadas no conjunto de dados MSCOCO (80 classes). Esses pesos são fornecidos para fins de demonstração e podem ser baixados do repositório Darknet.

Conclusão

A visão geral abrangente do Downcodes da estrutura de detecção de objetos Darknet e YOLO oferece uma base para qualquer pessoa interessada em se aprofundar na detecção de objetos em tempo real. Desde sua natureza de código aberto e desempenho incomparável até sua versatilidade entre plataformas, Darknet/YOLO continua a ser uma ferramenta poderosa para desenvolvedores, pesquisadores e entusiastas.

Lembre-se: explore as perguntas frequentes do Darknet/YOLO e junte-se ao servidor Darknet/YOLO Discord para obter recursos adicionais e suporte da comunidade.