jquery ui
jQuery
jQuery UI - 網路互動與小工具
注意：jQuery UI 處於僅維護模式。請閱讀專案狀態部落格文章以獲取更多資訊。
jQuery UI 是一組基於 jQuery 建構的精心設計的使用者介面互動、效果、小部件和主題。無論您是要建立高度互動的 Web 應用程序，還是只需要向表單控制項新增日期選擇器，jQuery UI 都是完美的選擇。
jQuery UI 入門
1.造訪jQuery UI網站：jqueryui.com
2. 探索示範：jqueryui.com/demos/
3.查閱API文件：api.jqueryui.com
4. 加入社群進行討論與提問：使用 jQuery UI 論壇
報告問題
有關錯誤回報和問題，請造訪 GitHub 問題頁面：GitHub 問題。
由於歷史原因，舊錯誤報告的存檔以唯讀模式保存在 bugs.jqueryui.com 上。如果其中任何問題仍然相關，請在 GitHub 上開啟新問題並連結到舊的 bugs.jqueryui.com 問題以了解上下文。
為 jQuery UI 做出貢獻
如果您有興趣協助開發 jQuery UI，我們歡迎您的貢獻！
1. 與團隊和社群討論開發：
* 開發 jQuery UI 論壇：開發 jQuery UI 論壇
* IRC 頻道：irc.freenode.net 上的 #jqueryui-dev
2. 參與：
* 貢獻錯誤修復或新功能：請參閱我們的參與指南。
* 遵循我們的編碼標準和提交訊息風格指南。
3. 分叉項目並建立拉取請求：
* 分叉儲存庫：在 GitHub 上建立 jQuery UI 專案的分叉。
* 建立分支：為您的特定變更建立一個新分支。
* 傳送拉取請求：為您的分支提交拉取請求。重要提示：請避免在單一拉取請求中混合不相關的變更。
* 使用提交訊息：提交訊息可以用作拉取請求的描述。
運行單元測試
1. 手動運行測試：
* 使用適當的瀏覽器。
* 使用本機網路伺服器。
* 請參閱我們的環境設定和有關執行測試的資訊。
2. 使用 npm 運行測試：
* 使用指令：npm run test:unit -- --help 取得更多選項和資訊。
暗網目標偵測框架與 YOLO
注意：此部分已完全替換，以演示生成原始內容的能力。
Downcodes 深入研究暗網物件偵測
Darknet 是一個強大且多功能的開源神經網路框架，主要以 C 和 C++ 編寫。它以其高效和簡單而聞名，使其成為開發人員、研究人員和愛好者的熱門選擇。
YOLO（You Only Look Once）是在 Darknet 框架內開發的尖端即時物體偵測系統。其快速、準確地處理影像的能力使其成為電腦視覺領域的重要參與者。
暗網/YOLO 生態系統
深入研究關鍵組件
1.開源免費：Darknet/YOLO完全開源且免費使用，允許不受限制的商業和研究應用。這促進了社區內的協作和創新。
2. 無與倫比的速度和準確性：Darknet/YOLO 在速度和準確性方面始終優於其他框架和 YOLO 版本。
3.跨平台的多功能性：Darknet/YOLO可以在各種平台上有效運作：
* CPU：Raspberry Pi、雲端伺服器、桌上型電腦、筆記型電腦。
* GPU：具有 CUDA 支援的 NVIDIA GPU，可提高效能。
4. 跨平台相容性：支援Linux、Windows和macOS，為廣泛的開發人員提供可存取性。
了解暗網版本
0.x：最初的 Darknet 框架，由 Joseph Redmon 開發，缺乏正式的版本號。
1.x：由 Alexey Bochkovskiy（2017-2021）維護的流行 Darknet 儲存庫也沒有版本號。
2.x「OAK」：此版本由 Hank.ai 贊助並由 Stéphane Charette 維護，是第一個實現版本指令的版本。它引入了幾個關鍵變化：
統一 CMake 建置系統：適用於 Windows 和 Linux 的基於 CMake 的標準化建置系統，簡化了開發流程。
C++ 程式碼庫：程式碼庫已轉換為 C++，從而實現更好的程式碼組織和可維護性。
訓練表現優化：旨在顯著減少訓練時間的改進。
3.x「JAZZ」：Darknet 的最新版本於 2024 年發布，帶來了顯著的效能增強和功能更新：
改進的性能：訓練和推理的表現得到顯著優化。
新 API：引入了新的 C 和 C++ API，用於無縫整合到不同的應用程式。
更新的範例程式碼：src-examples 目錄中增強的範例程式碼和新應用程式。
YOLO的優勢
1. 即時效能：YOLO 專為即時應用而設計，可實現快速目標偵測和分析。
2.統一模型架構：YOLO使用單一神經網路進行檢測，無需單獨的提案和分類，簡化了流程。
3. 跨基準測試的強勁性能：YOLO 在各種目標檢測基準測試中始終保持最佳性能，鞏固了其作為領先選擇的地位。
開始使用暗網/YOLO
建構暗網
1.谷歌Colab：
* 依照 Linux CMake 方法的說明進行操作（如下所述）。
* 多個 Jupyter 筆記本可用於訓練新網路等任務。瀏覽 colab 子目錄中的筆記本。
2.Linux CMake方法：
安裝必要的軟體包：
`bash
sudo apt-get install build-essential git libopencv-dev cmake
`
克隆儲存庫：
`bash
git 克隆 https://github.com/hank-ai/darknet
`
建立建置目錄：
`bash
mkdir 構建
光碟建構
`
配置CMake：
`bash
cmake -DCMAKEBUILDTYPE=發布 ..
`
建構暗網：
`bash
使-j4
`
安裝（可選）：
`bash
製作包包
sudo dpkg -i darknet-VERSION.deb
`
3. Windows CMake方法：
安裝先決條件：
`bash
winget 安裝 Git.Git
winget 安裝 Kitware.CMake
winget安裝nsis.nsis
winget安裝Microsoft.VisualStudio.2022.社區
`
修改 Visual Studio 安裝：確保選擇「使用 C++ 進行桌面開發」。
開啟 VS 2022 的開發人員命令提示字元：不要使用 PowerShell。
安裝VCPKG：
`bash
疾病管制署:
mkdir c:src
cd c:src
git 克隆 https://github.com/microsoft/vcpkg
cd vcpkg
bootstrap-vcpkg.bat
.vcpkg.exe整合安裝
.vcpkg.exe 整合 powershell
.vcpkg.exe 安裝 opencv[contrib,dnn,freetype,jpeg,openmp,png,webp,world]:x64-windows
`
克隆暗網儲存庫：
`bash
cd c:src
git 克隆 https://github.com/hank-ai/darknet.git
`
配置CMake（指定VCPKG位置）：
`bash
CD暗網
mkdir 構建
光碟建構
cmake -DCMAKEBUILDTYPE=發布-DCMAKETOOLCHAINFILE=C:/src/vcpkg/scripts/buildsystems/vcpkg.cmake ..
`
使用 msbuild 建置：
`bash
msbuild.exe /property:Platform=x64;Configuration=Release /target:Build -maxCpuCount -verbosity:normal -detailedSummary darknet.sln
`
建立安裝包：
`bash
msbuild.exe /property:平台=x64;設定=發布 PACKAGE.vcxproj
`
運作暗網
1.暗網CLI（命令列介面）：
基本指令：
* 暗網版本：檢視已安裝的暗網版本。
* 暗網幫助：取得可用指令的清單。
預言：
* 暗網探測器測試 cars.data cars.cfg cars_best.weights image1.jpg：使用影像進行預測。
* 暗網探測器示範 Animals.data Animals.cfg Animals_best.weights test.mp4：處理影片。
* 暗網探測器示範 Animals.data Animals.cfg Animals_best.weights -c 0：從網路攝影機讀取。
訓練：
* 暗網偵測器訓練animals.data Animals.cfg：開始訓練新網路。
2.DarkHelp CLI（替代 CLI）：
DarkHelp 提供了另一種命令列介面，具有物件追蹤和影像平鋪等高級功能。
它是 Darknet CLI 的補充，可以與其一起使用。
3. MSCOCO預訓練權重：
YOLO 的多個版本在 MSCOCO 資料集（80 個類別）上進行了預訓練。這些權重僅供演示之用，可以從 Darknet 儲存庫下載。
結論
Downcodes 對 Darknet 物件偵測框架和 YOLO 的全面概述為任何有興趣深入研究即時物件偵測的人提供了基礎。從其開源性質和無與倫比的性能到跨平台的多功能性，Darknet/YOLO 仍然是開發人員、研究人員和愛好者的強大工具。
請記住：探索 Darknet/YOLO 常見問題並加入 Darknet/YOLO Discord 伺服器以獲得更多資源和社群支援。
