Asp+Csv智适应通用成绩查询系统 v20210730

工具查询

20210730

下载

Asp+Csv智适应通用成绩查询系统

Downcodes小编今天给大家介绍一款以asp基础进行开发、发布的asp查询csv格式数据的查询系统，Asp+Csv智适应通用成绩查询系统，希望大家喜欢。

该软件极为简单却是个非常通用、非常方便的成绩查询系统，通用于几乎所有Excel单二维数据表查询。

使用用途

该系统适合修改不频繁、保密性不高的成绩、工资、物业水电费等各种精准查询，具体使用场景如下：

1. 成绩查询系统：适用于每个学校、教育机构、事业单位考试等。

2. 工资查询系统：适用于每个学校、教育机构、事业单位考试等。

3. 物业费查询系统：适用于每个企业、学校、所有单位。

4. 水电费查询系统：适用于小区、物业公司、大学寝室等。

5. 其他查询系统：如分班查询、录取查询、证书查询等修改不多的各种查询系统。

特色优势

1. 通用性强: 几乎通用于所有二维表，可以满足你的大部分需求。

2. 简单方便: 代码小巧简单，可以快速修改以适合多表联查等各种场景。

3. 灵活易用: 只需修改几个参数即可私人定制查询。

4. 快速使用: 发布一次成绩最快两三分钟可解决。

局限性说明

1. 修改频繁不适合: 成绩、工资、水电费等一般都一次性出来不修改，修改频繁的场景不适合使用该系统。

2. 只适合二维表: 一般数据库都采用二维结构，首行列标题，以后一行一条数据，该系统暂不支持其他结构的数据。

3. 单库记录数建议控制: 该系统不限制单库记录数，但建议单库控制在3万条以内，可分库，各库互不影响。

4. 暂不支持公式、图片、网址: 该系统暂不支持公式、图片、网址等内容。

使用建议

直接通过FTP上传即可使用，建议先直接上传查询测试。

前台访问: http://网址/目录/ (上传直接使用，无需mysql数据库等的支持)

然后使用notepad++打开inc/conn.Asp查看参数与网页对应关系，再打开默认自带的数据库对比查询结果，查看对应关系。

使用步骤

详见压缩包内html格式文件。

示例

下面以Darknet Object Detection Framework and YOLO为例，展示如何使用Markdown的标题标签元素，以及一些排版调整，使信息展现更整齐，用户查阅更方便：

Darknet Object Detection Framework and YOLO

!darknet and hank.ai logos

Darknet是一个用C、C++和CUDA编写的开源神经网络框架。

YOLO (You Only Look Once)是一个最先进的实时目标检测系统，运行在Darknet框架中。

Papers

Paper YOLOv7

Paper Scaled-YOLOv4

Paper YOLOv4

Paper YOLOv3

General Information

Darknet/YOLO框架继续比其他框架和YOLO版本更快、更准确。

该框架完全免费且开源。您可以在现有项目和产品中使用Darknet/YOLO，包括商业产品，而无需许可或付费。

2024年10月发布的Darknet V3 ("Jazz")，在使用NVIDIA RTX 3090 GPU时，可以以高达1000 FPS的速度准确运行LEGO数据集视频，这意味着每个视频帧在1毫秒或更短的时间内由Darknet/YOLO读取、调整大小和处理。

如果您需要帮助或想讨论Darknet/YOLO，请加入Darknet/YOLO Discord服务器：https://discord.gg/zSq8rtW

Darknet/YOLO的CPU版本可以在Raspberry Pi、云&colab服务器、台式机、笔记本电脑和高端训练设备等简单设备上运行。Darknet/YOLO的GPU版本需要NVIDIA的CUDA-capable GPU。

Darknet/YOLO已知可在Linux、Windows和Mac上运行。请查看下面的构建说明。

Darknet Version

由Joseph Redmon在2013-2017年编写的原始Darknet工具没有版本号。我们认为这是0.x版本。

由Alexey Bochkovskiy在2017-2021年维护的下一个流行的Darknet仓库也没有版本号。我们认为这是1.x版本。

从2023年开始由Hank.ai赞助并由Stéphane Charette维护的Darknet仓库是第一个拥有版本命令的仓库。从2023年到2024年底，它返回版本2.x "OAK"。

目标是在尝试尽可能少地破坏现有功能的同时，熟悉代码库。

重写了构建步骤，以便我们有一个统一的方法，使用CMake在Windows和Linux上构建。

将代码库转换为使用C++编译器。

增强了训练期间的chart.png。

错误修复和与性能相关的优化，主要与减少训练网络所需的时间有关。

该代码库的最后一个分支是v2分支中的版本2.1。

下一阶段的开发始于2024年中期，并在2024年10月发布。版本命令现在返回3.x "JAZZ"。

如果您需要运行这些命令之一，可以始终签出以前的v2分支。如果您需要帮助，请告知我们，以便我们调查添加任何缺失的命令。

删除了许多旧的和未维护的命令。

进行了许多性能优化，包括训练和推理期间的优化。

修改了旧的C API；使用原始Darknet API的应用程序将需要进行少量修改：https://darknetcv.ai/api/api.html

新的Darknet V3 C和C++ API：https://darknetcv.ai/api/api.html

src-examples中的新应用程序和示例代码：https://darknetcv.ai/api/files.html

MSCOCO Pre-trained Weights

为了方便起见，几个流行的YOLO版本在MSCOCO数据集上进行了预训练。该数据集包含80个类别，可以在文本文件cfg/coco.names中看到。

还有其他几个更简单的可用数据集和预训练权重，用于测试Darknet/YOLO，例如LEGO Gears和Rolodex。有关详细信息，请参阅Darknet/YOLO FAQ。

MSCOCO预训练权重可以从多个不同的位置下载，也可以从这个仓库下载：

YOLOv2, November 2016

* YOLOv2-tiny

* YOLOv2-full

YOLOv3, May 2018

* YOLOv3-tiny

* YOLOv3-full

YOLOv4, May 2020

* YOLOv4-tiny

* YOLOv4-full

YOLOv7, August 2022

* YOLOv7-tiny

* YOLOv7-full

MSCOCO预训练权重仅供演示使用。MSCOCO的相应.cfg和.names文件位于cfg目录中。示例命令：

`

wget --no-clobber https://github.com/hank-ai/darknet/releases/download/v2.0/yolov4-tiny.weights

darknet02displayannotatedimages coco.names yolov4-tiny.cfg yolov4-tiny.weights image1.jpg

darknet03display_videos coco.names yolov4-tiny.cfg yolov4-tiny.weights video1.avi

DarkHelp coco.names yolov4-tiny.cfg yolov4-tiny.weights image1.jpg

DarkHelp coco.names yolov4-tiny.cfg yolov4-tiny.weights video1.avi

`

请注意，人们应该训练自己的网络。MSCOCO通常用于确认一切都正常工作。

Building

过去（2023年之前）提供的各种构建方法已合并到一个统一的解决方案中。Darknet需要C++17或更新版本、OpenCV，并使用CMake生成必要的项目文件。

您不需要了解C++就可以构建、安装或运行Darknet/YOLO，就像您不需要成为机械师就可以驾驶汽车一样。

Google Colab

Google Colab的说明与Linux的说明相同。有几个Jupyter笔记本可供使用，展示如何执行某些任务，例如训练新网络。

请参阅colab子目录中的笔记本，或按照下面的Linux说明进行操作。

Linux CMake Method

可选: 如果你有一个现代的NVIDIA GPU，你可以在此时安装CUDA或CUDA+cuDNN。如果安装，Darknet将使用你的GPU来加速图像（和视频）处理。

必需: 你必须从你的Darknet构建目录中删除CMakeCache.txt文件，以强制CMake重新找到所有必要的文件。

必需: 记住重新构建Darknet。

Darknet可以在没有它的情况下运行，但如果你想训练一个自定义网络，那么需要CUDA或CUDA+cuDNN。

访问https://developer.nvidia.com/cuda-downloads下载并安装CUDA。

访问https://developer.nvidia.com/rdp/cudnn-download或https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#cudnn-package-manager-installation-overview下载并安装cuDNN。

一旦安装了CUDA，确保你可以运行nvcc和nvidia-smi。你可能需要修改你的PATH变量。

如果你在稍后时间安装了CUDA或CUDA+cuDNN，或者你升级到NVIDIA软件的更新版本：

这些说明假设（但不一定要求！）系统运行Ubuntu 22.04。如果你使用的是其他发行版，请根据需要进行调整。

`

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

mkdir ~/srccd ~/src

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

mkdir buildcd build

cmake -DCMAKEBUILDTYPE=Release ..

make -j4

package

sudo dpkg -i darknet-VERSION.deb

`

如果你使用的是旧版本的CMake，那么你需要在运行上面的cmake命令之前升级CMake。在Ubuntu上升级CMake可以使用以下命令：

`

sudo apt-get purge cmake

sudo snap install cmake --classic

`

如果你使用bash作为你的命令shell，你可能需要重新启动你的shell。如果你使用fish，它应该立即拾取新的路径。

高级用户:

如果你想构建一个RPM安装文件而不是DEB文件，请参阅CM_package.cmake中的相关行。在运行make -j4 package之前，你需要编辑这两行：

`

SET (CPACKGENERATOR "DEB")# SET (CPACKGENERATOR "RPM")

`

对于Centos和OpenSUSE等发行版，你需要将CM_package.cmake中的这两行更改为：

`

SET (CPACKGENERATOR "DEB")SET (CPACKGENERATOR "RPM")

`

要安装安装包，一旦它构建完成，请使用你的发行版的常用包管理器。例如，在Debian-based系统（如Ubuntu）上：

`

sudo dpkg -i darknet-2.0.1-Linux.deb

`

安装.deb包将复制以下文件：

/usr/bin/darknet是通常的Darknet可执行文件。从CLI运行darknet version以确认它已正确安装。

/usr/include/darknet.h是Darknet API，适用于C、C++和Python开发人员。

/usr/include/darknet_version.h包含用于开发人员的版本信息。

/usr/lib/libdarknet.so是用于C、C++和Python开发人员的库，用于链接。

/opt/darknet/cfg/...是所有.cfg模板存储的位置。

现在你完成了！Darknet已经构建并安装到/usr/bin/中。运行以下命令进行测试：darknet version。

如果你没有/usr/bin/darknet，这意味着你没有安装它，你只是构建了它！确保你按照上面描述的那样安装.deb或.rpm文件。

Windows CMake Method

这些说明假设你全新安装了Windows 11 22H2。

打开一个普通的cmd.exe命令提示符窗口，运行以下命令：

`

winget install Git.Git

winget install Kitware.CMake

winget install nsis.nsis

winget install Microsoft.VisualStudio.2022.Community

`

在此时，我们需要修改Visual Studio安装以包括对C++应用程序的支持：

* 点击"Windows Start"菜单，运行"Visual Studio Installer"。

* 点击Modify。

* 选择Desktop Development With C++。

* 点击右下角的Modify，然后点击Yes。

一旦所有内容都下载并安装完毕，再次点击"Windows Start"菜单，选择Developer Command Prompt for VS 2022。不要使用PowerShell执行这些步骤，你将遇到问题！

高级用户:

而不是运行Developer Command Prompt，你可以使用一个普通的命令提示符或ssh进入设备，手动运行"Program FilesMicrosoft Visual Studio2022CommunityCommon7ToolsVsDevCmd.bat"。

一旦你按照上面的说明运行了Developer Command Prompt（不是PowerShell！），运行以下命令来安装Microsoft VCPKG，它将用于构建OpenCV：

`

cd c:mkdir c:srccd c:src

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

bootstrap-vcpkg.bat .vcpkg.exe integrate

install .vcpkg.exe integrate powershell.vcpkg.exe

install opencv[contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows

`

请耐心等待最后一步，因为它可能需要很长时间才能运行。它需要下载并构建许多东西。

高级用户:

请注意，在构建OpenCV时，你可能希望添加许多其他可选模块。运行.vcpkg.exe search opencv查看完整列表。

可选: 如果你有一个现代的NVIDIA GPU，你可以在此时安装CUDA或CUDA+cuDNN。如果安装，Darknet将使用你的GPU来加速图像（和视频）处理。

必需: 你必须从你的Darknet构建目录中删除CMakeCache.txt文件，以强制CMake重新找到所有必要的文件。

必需: 记住重新构建Darknet。

Darknet可以在没有它的情况下运行，但如果你想训练一个自定义网络，那么需要CUDA或CUDA+cuDNN。

访问https://developer.nvidia.com/cuda-downloads下载并安装CUDA。

访问https://developer.nvidia.com/rdp/cudnn-download或https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#download-windows下载并安装cuDNN。

一旦安装了CUDA，确保你可以运行nvcc.exe和nvidia-smi.exe。你可能需要修改你的PATH变量。

一旦你下载了cuDNN，解压缩并将bin、include和lib目录复制到C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/[version]/中。你可能需要覆盖一些文件。

如果你在稍后时间安装了CUDA或CUDA+cuDNN，或者你升级到NVIDIA软件的更新版本：

CUDA必须在Visual Studio之后安装。如果你升级了Visual Studio，请记住重新安装CUDA。

一旦所有前面的步骤成功完成，你需要克隆Darknet并构建它。在此步骤中，我们还需要告诉CMake vcpkg的位置，以便它可以找到OpenCV和其他依赖项：

`

cd c:src

git clone https://github.com/hank-ai/darknet.gitcd darknetmkdir buildcd build

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

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

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

`

如果你收到关于一些缺失的CUDA或cuDNN DLLs的错误，例如cublas64_12.dll，那么手动将CUDA .dll文件复制到与Darknet.exe相同的输出目录中。例如：

`

copy "C:Program FilesNVIDIA GPU Computing ToolkitCUDAv12.2bin*.dll" src-cliRelease

`

（这是一个示例！请检查以确保你正在运行哪个版本，并运行适合你已安装版本的命令。）

一旦文件被复制，重新运行最后一个msbuild.exe命令以生成NSIS安装包：

`

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

`

高级用户:

请注意，cmake命令的输出是一个普通的Visual Studio解决方案文件，Darknet.sln。如果你是一位软件开发人员，经常使用Visual Studio GUI而不是msbuild.exe来构建项目，你可以忽略命令行，并在Visual Studio中加载Darknet项目。

你现在应该拥有这个你可以运行的文件：C:srcDarknetbuildsrc-cliReleasedarknet.exe。运行以下命令进行测试：C:srcDarknetbuildsrc-cliReleasedarknet.exe version。

要正确安装Darknet，库、包含文件和必要的DLLs，请运行在最后一步构建的NSIS安装向导。请参阅构建目录中的文件darknet-VERSION.exe。例如：

`

darknet-2.0.31-win64.exe

`

安装NSIS安装包将：

创建一个名为Darknet的目录，例如C:Program FilesDarknet。

安装CLI应用程序，darknet.exe和其他示例应用程序。

安装所需的第三方.dll文件，例如来自OpenCV的文件。

安装必要的Darknet .dll、.lib和.h文件，以便从另一个应用程序使用darknet.dll。

安装模板.cfg文件。

现在你完成了！一旦安装向导完成，Darknet将被安装到C:Program FilesDarknet中。运行以下命令进行测试：C:Program FilesDarknetbindarknet.exe version。

如果你没有C:/Program Files/darknet/bin/darknet.exe，这意味着你没有安装它，你只是构建了它！确保你按照上一步中描述的那样，浏览NSIS安装向导的每个面板。

Using Darknet

CLI

以下不是Darknet支持的所有命令的完整列表。

除了Darknet CLI之外，还要注意DarkHelp项目CLI，它提供了Darknet/YOLO的替代CLI。DarkHelp CLI还具有一些在Darknet中无法直接获得的高级功能。你可以将Darknet CLI和DarkHelp CLI一起使用，它们并不相互排斥。

对于下面显示的大多数命令，你需要使用相应的.names和.cfg文件的.weights文件。你可以训练自己的网络（强烈推荐！），或者从互联网上下载别人已经训练好的并免费提供的神经网络。预训练数据集的例子包括：

LEGO Gears（在图像中查找物体）

Rolodex（在图像中查找文本）

MSCOCO（标准的80类目标检测）

要运行的命令包括：

列出一些可以运行的命令和选项：

`

darknet help

`

检查版本：

`

darknet version

`

使用图像进行预测：

`

V2: darknet detector test cars.data cars.cfg cars_best.weights image1.jpg

V3: darknet02displayannotatedimages cars.cfg image1.jpg

DarkHelp: DarkHelp cars.cfg cars.cfg cars_best.weights image1.jpg

`

输出坐标：

`

V2: darknet detector test animals.data animals.cfg animalsbest.weights -extoutput dog.jpg

V3: darknet01inference_images animals dog.jpg

DarkHelp: DarkHelp --json animals.cfg animals.names animals_best.weights dog.jpg

`

使用视频：

`

V2: darknet detector demo animals.data animals.cfg animalsbest.weights -extoutput test.mp4

V3: darknet03display_videos animals.cfg test.mp4

DarkHelp: DarkHelp animals.cfg animals.names animals_best.weights test.mp4

`

从网络摄像头读取：

`

V2: darknet detector demo animals.data animals.cfg animals_best.weights -c 0

V3: darknet08display_webcam animals

`

将结果保存到视频：

`

V2: darknet detector demo animals.data animals.cfg animalsbest.weights test.mp4 -outfilename res.avi

V3: darknet05processvideosmultithreaded animals.cfg animals.names animals_best.weights test.mp4

DarkHelp: DarkHelp animals.cfg animals.names animals_best.weights test.mp4

`

JSON：

`

V2: darknet detector demo animals.data animals.cfg animalsbest.weights test50.mp4 -jsonport 8070 -mjpegport 8090 -extoutput

V3: darknet06imagestojson animals image1.jpg

DarkHelp: DarkHelp --json animals.names animals.cfg animals_best.weights image1.jpg

`

在特定GPU上运行：

`

V2: darknet detector demo animals.data animals.cfg animals_best.weights -i 1 test.mp4

`

检查神经网络的准确性：

`

darknet detector map driving.data driving.cfg driving_best.weights ...

Id Name AvgPrecision TP FN FP TN Accuracy ErrorRate Precision Recall Specificity FalsePosRate

-- ---- ------------ ------ ------ ------ ------ -------- --------- --------- ------ ----------- ------------

0 vehicle 91.2495 32648 3903 5826 65129 0.9095 0.0905 0.8486 0.8932 0.9179 0.0821

1 motorcycle 80.4499 2936 513 569 5393 0.8850 0.1150 0.8377 0.8513 0.9046 0.0954

2 bicycle 89.0912 570 124 104 3548 0.9475 0.0525 0.8457 0.8213 0.9715 0.0285

3 person 76.7937 7072 1727 2574 27523 0.8894 0.1106 0.7332 0.8037 0.9145 0.0855

4 many vehicles 64.3089 1068 509 733 11288 0.9087 0.0913 0.5930 0.6772 0.9390 0.0610

5 green light 86.8118 1969 239 510 4116 0.8904 0.1096 0.7943 0.8918 0.8898 0.1102

6 yellow light 82.0390 126 38 30 1239 0.9525 0.0475 0.8077 0.7683 0.9764 0.0236

7 red light 94.1033 3449 217 451 4643 0.9237 0.0763 0.8844 0.9408 0.9115 0.0885

`

检查准确性mAP@IoU=75：

`

darknet detector map animals.data animals.cfg animalsbest.weights -iouthresh 0.75

`

重新计算锚点最好在DarkMark中完成，因为它将连续运行100次，并从计算出的所有锚点中选择最佳锚点。但如果你想在Darknet中运行旧版本：

`

darknet detector calcanchors animals.data -numof_clusters 6 -width 320 -height 256

`

训练新网络：

`

darknet detector -map -dont_show train animals.data animals.cfg (also see the training section below)

`

Training

快速链接到Darknet/YOLO FAQ的相关部分：

* 如何设置我的文件和目录？

* 我应该使用哪个配置文件？

* 训练自己的网络时，我应该使用什么命令？

使用DarkMark来创建所有必要的Darknet文件，这是注释和训练的最简单方法。这绝对是训练新神经网络的推荐方法。

如果你想手动设置各种文件来训练自定义网络：

1. 创建一个新文件夹，用于存储文件。在本例中，将创建一个神经网络来检测动物，因此将创建以下目录：~/nn/animals/。

2. 复制你想要用作模板的Darknet配置文件之一。例如，请参阅cfg/yolov4-tiny.cfg。将它放在你创建的文件夹中。在本例中，我们现在有了~/nn/animals/animals.cfg。

3. 在你放置配置文件的同一个文件夹中，创建一个animals.names文本文件。在本例中，我们现在有了~/nn/animals/animals.names。

4. 使用文本编辑器编辑animals.names文件。列出你想要使用的类别。你每行需要有且仅有一个条目，没有空行，也没有注释。在本例中，.names文件将包含恰好4行：

`

dog

cat

bird

horse

`

5. 在同一个文件夹中创建一个animals.data文本文件。在本例中，.data文件将包含：

`

classes = 4

train = /home/username/nn/animals/animals_train.txt

valid = /home/username/nn/animals/animals_valid.txt

names = /home/username/nn/animals/animals.names

backup = /home/username/nn/animals

`

6. 创建一个文件夹，用于存储你的图像和注释。例如，这可以是~/nn/animals/dataset。每个图像都需要一个相应的.txt文件，用于描述该图像的注释。.txt注释文件的格式非常具体。你不能手动创建这些文件，因为每个注释都需要包含注释的确切坐标。请参阅DarkMark或其他类似软件来注释你的图像。YOLO注释格式在Darknet/YOLO FAQ中进行了描述。

7. 创建在.data文件中命名的"train"和"valid"文本文件。这两个文本文件需要分别列出Darknet必须用来训练和验证（在计算mAP%时）的所有图像。每行恰好有一个图像。路径和文件名可以是相对的或绝对的。

8. 使用文本编辑器修改你的.cfg文件。

* 确保batch=64。

* 注意subdivisions。根据网络维度和你的GPU上的可用内存大小，你可能需要增加subdivisions。要使用的最佳值是1，所以先从这个值开始。如果1对你不起作用，请参阅Darknet/YOLO FAQ。

注意maxbatches=....。在开始时，一个好的值是类别数量的2000倍。在本例中，我们有4种动物，所以4 2000 = 8000。这意味着我们将使用maxbatches=8000。

* 注意steps=....。这应该设置为maxbatches的80%和90%。在本例中，我们将使用steps=6400,7200，因为maxbatches设置为8000。

* 注意width=...和height=....。这些是网络维度。Darknet/YOLO FAQ解释了如何计算要使用的最佳尺寸。

* 搜索所有包含行classes=...的实例，并使用你的.names文件中的类别数量对其进行修改。在本例中，我们将使用classes=4。

在每个[yolo]部分之前的[convolutional]部分中，搜索所有包含行filters=...的实例。要使用的值是（类别数量 + 5） 3。这意味着在本例中，（4 + 5）* 3 = 27。所以我们将在适当的行中使用filters=27。

9. 开始训练！运行以下命令：

`

cd ~/nn/animals/