Asp+Csv智適應通用成績查詢系統v20210730

工具查詢

20210730

下載

Asp+Csv智適應通用成績查詢系統

Downcodes小編今天要跟大家介紹一款以asp基礎進行開發、發佈的asp查詢csv格式資料的查詢系統，Asp+Csv智適應通用成績查詢系統，希望大家喜歡。

軟體極為簡單卻是個非常通用、非常方便的成績查詢系統，通用於幾乎所有Excel單二維資料表查詢。

使用用途

本系統適合修改不頻繁、保密性不高的成績、薪資、物業水電費等各種精準查詢，具體使用情境如下：

1. 成績查詢系統：適用於每所學校、教育機構、事業單位考試等。

2. 薪資查詢系統：適用於每所學校、教育機構、事業單位考試等。

3. 物業費查詢系統：適用於每個企業、學校、所有單位。

4. 水電費查詢系統：適用於社區、物業公司、大學寢室等。

5. 其他查詢系統：如分班查詢、入學查詢、證書查詢等修改不多的各種查詢系統。

特色優勢

1. 通用性強: 幾乎通用於所有二維表，可以滿足你的大部分需求。

2. 簡單方便: 程式碼小巧簡單，可以快速修改以適合多表聯查等各種場景。

3. 靈活易用: 只需修改幾個參數即可私人自訂查詢。

4. 快速使用: 發布一次成績最快兩三分鐘可解決。

限制說明

1. 修改頻繁不適合: 成績、工資、水電費等一般都一次性出來不修改，修改頻繁的場景不適合使用該系統。

2. 只適合二維表: 一般資料庫都採用二維結構，首行列標題，以後一行一條數據，該系統暫不支援其他結構的數據。

3. 單庫記錄數建議控制: 此系統不限制單庫記錄數，但建議單庫控制在3萬個以內，可分庫，各庫互不影響。

4. 暫不支援公式、圖片、網址: 此系統暫不支援公式、圖片、網址等內容。

使用建議

直接透過FTP上傳即可使用，建議先直接上傳查詢測試。

前台訪問: http://網址/目錄/ (上傳直接使用，無需mysql資料庫等的支援)

然後使用notepad++開啟inc/conn.Asp查看參數與網頁對應關係，再開啟預設自帶的資料庫比較查詢結果，查看對應關係。

使用步驟

詳見壓縮包內html格式檔。

範例

以下以Darknet Object Detection Framework and YOLO為例，展示如何使用Markdown的標題標籤元素，以及一些排版調整，讓資訊展現更整齊，用戶查閱更方便：

Darknet Object Detection Framework and YOLO

!darknet and hank.ai logos

Darknet是一個用C、C++和CUDA寫的開源神經網路框架。

YOLO (You Only Look Once)是一個最先進的即時目標偵測系統，運行在Darknet框架中。

Papers

Paper YOLOv7

Paper Scaled-YOLOv4

Paper YOLOv4

Paper YOLOv3

General Information

Darknet/YOLO框架繼續比其他框架和YOLO版本更快、更準確。

該框架完全免費且開源。您可以在現有專案和產品中使用Darknet/YOLO，包括商業產品，而無需許可或付費。

2024年10月發布的Darknet V3 ("Jazz")，在使用NVIDIA RTX 3090 GPU時，可以以高達1000 FPS的速度準確運行LEGO數據集視頻，這意味著每個視頻幀在1毫秒或更短的時間內由Darknet/YOLO讀取、調整大小和處理。

如果您需要協助或想討論Darknet/YOLO，請加入Darknet/YOLO Discord伺服器：https://discord.gg/zSq8rtW

Darknet/YOLO的CPU版本可在Raspberry Pi、雲端&colab伺服器、桌上型電腦、筆記型電腦和高階訓練設備等簡單設備上運作。 Darknet/YOLO的GPU版本需要NVIDIA的CUDA-capable GPU。

Darknet/YOLO已知可在Linux、Windows和Mac上運作。請查看下面的建置說明。

Darknet Version

由Joseph Redmon在2013-2017年編寫的原始Darknet工具沒有版本號。我們認為這是0.x版本。

由Alexey Bochkovskiy在2017-2021年維護的下一個流行的Darknet倉庫也沒有版本號。我們認為這是1.x版本。

從2023年開始由Hank.ai贊助並由Stéphane Charette維護的Darknet倉庫是第一個擁有版本命令的倉庫。從2023年到2024年底，它返回版本2.x "OAK"。

目標是在嘗試盡可能少地破壞現有功能的同時，熟悉程式碼庫。

重寫了建置步驟，以便我們有一個統一的方法，使用CMake在Windows和Linux上建置。

將程式碼庫轉換為使用C++編譯器。

增強了訓練期間的chart.png。

錯誤修復和與效能相關的最佳化，主要與減少訓練網路所需的時間有關。

該程式碼庫的最後一個分支是v2分支中的版本2.1。

下一階段的開發始於2024年中期，並在2024年10月發布。版本命令現在返回3.x "JAZZ"。

如果您需要執行這些命令之一，可以始終簽出先前的v2分支。如果您需要協助，請告知我們，以便我們調查新增任何缺少的命令。

刪除了許多舊的和未維護的命令。

進行了許多性能優化，包括訓練和推理期間的優化。

修改了舊的C API；使用原始Darknet API的應用程式將需要進行少量修改：https://darknetcv.ai/api/api.html

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

src-examples中的新應用程式和範例程式碼：https://darknetcv.ai/api/files.html

MSCOCO Pre-trained Weights

為了方便起見，幾個流行的YOLO版本在MSCOCO資料集上進行了預訓練。此資料集包含80個類別，可以在文字檔cfg/coco.names中看到。

還有其他幾個更簡單的可用資料集和預訓練權重，用於測試Darknet/YOLO，例如LEGO Gears和Rolodex。有關詳細信息，請參閱Darknet/YOLO FAQ。

MSCOCO預訓練權重可以從多個不同的位置下載，也可以從這個倉庫下載：

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預訓練權重僅供示範使用。 MSCOCO的對應.cfg和.names檔案位於cfg目錄中。範例命令：

`

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

`

請注意，人們應該訓練自己的網路。 MSCOCO通常用於確認一切都正常運作。

Building

過去（2023年以前）提供的各種建置方法已合併到一個統一的解決方案中。 Darknet需要C++17或更新版本、OpenCV，並使用CMake產生必要的專案檔。

您不需要了解C++就可以建置、安裝或執行Darknet/YOLO，就像您不需要成為機械師就可以駕駛汽車一樣。

Google Colab

Google Colab的說明與Linux的說明相同。有幾個Jupyter筆記本可供使用，展示如何執行某些任務，例如訓練新網路。

請參閱colab子目錄中的筆記本，或按照下面的Linux說明進行操作。

Linux CMake Method

可選: 如果你有一個現代的NVIDIA GPU，你可以在此時安裝CUDA或CUDA+cuDNN。如果安裝，Darknet將使用你的GPU來加速映像（和視訊）處理。

必需: 你必須從你的Darknet建置目錄中刪除CMakeCache.txt文件，以強制CMake重新找到所有必要的文件。

必需: 記得重新建置Darknet。

Darknet可以在沒有它的情況下運行，但如果你想訓練一個自訂網絡，那麼需要CUDA或CUDA+cuDNN。

請造訪https://developer.nvidia.com/cuda-downloads下載並安裝CUDA。

請造訪https://developer.nvidia.com/rdp/cudnn-download或https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#cudnn-package-manager-installation-overview下載並安裝cuDNN。

一旦安裝了CUDA，確保你可以運行nvcc和nvidia-smi。你可能需要修改你的PATH變數。

如果你稍後安裝了CUDA或CUDA+cuDNN，或是你升級到NVIDIA軟體的更新版本：

這些說明假設（但不一定要求！）系統運行Ubuntu 22.04。如果你使用的是其他發行版，請視需要進行調整。

`

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

`

如果你使用的是舊版的CMake，那麼你需要在執行上面的cmake指令之前升級CMake。在Ubuntu上升級CMake可以使用以下指令：

`

sudo apt-get purge cmake

sudo snap install cmake --classic

`

如果你使用bash作為你的指令shell，你可能需要重新啟動你的shell。如果你使用fish，它應該立即拾取新的路徑。

進階用戶:

如果你想建立一個RPM安裝文件而不是DEB文件，請參閱CM_package.cmake中的相關行。在運行make -j4 package之前，你需要編輯這兩行：

`

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

`

對於Centos和OpenSUSE等發行版，你需要將CM_package.cmake中的這兩行改為：

`

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

`

要安裝安裝包，一旦它已建置完成，請使用你的發行版的常用套件管理器。例如，在Debian-based系統（如Ubuntu）上：

`

sudo dpkg -i darknet-2.0.1-Linux.deb

`

安裝.deb套件將複製以下檔案：

/usr/bin/darknet是通常的Darknet可執行檔。從CLI運行darknet version以確認它已正確安裝。

/usr/include/darknet.h是Darknet API，適用於C、C++和Python開發人員。

/usr/include/darknet_version.h包含用於開發人員的版本資訊。

/usr/lib/libdarknet.so是用於C、C++和Python開發人員的函式庫，用於連結。

/opt/darknet/cfg/...是所有.cfg模板儲存的位置。

現在你完成了！ Darknet已經建置並安裝到/usr/bin/中。執行以下命令進行測試：darknet version。

如果你沒有/usr/bin/darknet，這意味著你沒有安裝它，你只是建造了它！確保你按照上面描述的那樣安裝.deb或.rpm檔。

Windows CMake Method

這些說明假設你全新安裝了Windows 11 22H2。

打開一個普通的cmd.exe命令提示字元窗口，執行以下命令：

`

winget install Git.Git

winget install Kitware.CMake

winget install nsis.nsis

winget install Microsoft.VisualStudio.2022.Community

`

在此時，我們需要修改Visual Studio安裝以包含對C++應用程式的支援：

* 點選"Windows Start"選單，執行"Visual Studio Installer"。

* 點擊Modify。

* 選擇Desktop Development With C++。

* 點選右下角的Modify，然後點選Yes。

一旦所有內容都下載並安裝完畢，再次點擊"Windows Start"選單，選擇Developer Command Prompt for VS 2022。不要使用PowerShell執行這些步驟，你將會遇到問題！

進階用戶:

而不是執行Developer Command Prompt，你可以使用普通的命令提示字元或ssh進入設備，手動執行"Program FilesMicrosoft Visual Studio2022CommunityCommon7ToolsVsDevCmd.bat"。

一旦你按照上面的說明運行了Developer Command Prompt（不是PowerShell！），請執行以下命令來安裝Microsoft VCPKG，它將用於建立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

`

請耐心等待最後一步，因為它可能需要很長時間才能運行。它需要下載並構建許多東西。

進階用戶:

請注意，在建造OpenCV時，你可能想要添加許多其他可選模組。運行.vcpkg.exe search opencv查看完整清單。

可選: 如果你有一個現代的NVIDIA GPU，你可以在此時安裝CUDA或CUDA+cuDNN。如果安裝，Darknet將使用你的GPU來加速映像（和視訊）處理。

必需: 你必須從你的Darknet建置目錄中刪除CMakeCache.txt文件，以強制CMake重新找到所有必要的文件。

必需: 記得重新建置Darknet。

Darknet可以在沒有它的情況下運行，但如果你想訓練一個自訂網絡，那麼需要CUDA或CUDA+cuDNN。

請造訪https://developer.nvidia.com/cuda-downloads下載並安裝CUDA。

請造訪https://developer.nvidia.com/rdp/cudnn-download或https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#download-windows下載並安裝cuDNN。

一旦安裝了CUDA，確保你可以執行nvcc.exe和nvidia-smi.exe。你可能需要修改你的PATH變數。

一旦你下載了cuDNN，解壓縮並將bin、include和lib目錄複製到C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/[version]/。你可能需要覆蓋一些文件。

如果你稍後安裝了CUDA或CUDA+cuDNN，或是你升級到NVIDIA軟體的更新版本：

CUDA必須在Visual Studio之後安裝。如果你升級了Visual Studio，請記得重新安裝CUDA。

一旦所有前面的步驟成功完成，你需要克隆Darknet並建立它。在此步驟中，我們還需要告訴CMake vcpkg的位置，以便它可以找到OpenCV和其他依賴：

`

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

`

如果你收到關於一些缺少的CUDA或cuDNN DLLs的錯誤，例如cublas64_12.dll，那麼手動將CUDA .dll檔案複製到與Darknet.exe相同的輸出目錄中。例如：

`

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

`

（這是一個範例！請檢查以確保你正在執行哪個版本，並執行適合你已安裝版本的指令。）

一旦檔案被複製，重新執行最後一個msbuild.exe命令以產生NSIS安裝包：

`

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

`

進階用戶:

請注意，cmake指令的輸出是一個普通的Visual Studio解決方案文件，Darknet.sln。如果你是軟體開發人員，經常使用Visual Studio GUI而不是msbuild.exe來建置項目，你可以忽略命令列，並在Visual Studio中載入Darknet專案。

你現在應該擁有這個你可以運行的檔案：C:srcDarknetbuildsrc-cliReleasedarknet.exe。執行以下命令進行測試：C:srcDarknetbuildsrc-cliReleasedarknet.exe version。

若要正確安裝Darknet，程式庫、包含檔案和必要的DLLs，請執行在最後一步建置的NSIS安裝精靈。請參閱建置目錄中的檔案darknet-VERSION.exe。例如：

`

darknet-2.0.31-win64.exe

`

安裝NSIS安裝包將：

建立一個名為Darknet的目錄，例如C:Program FilesDarknet。

安裝CLI應用程序，darknet.exe和其他範例應用程式。

安裝所需的第三方.dll文件，例如來自OpenCV的文件。

安裝必要的Darknet .dll、.lib和.h文件，以便從另一個應用程式使用darknet.dll。

安裝模板.cfg檔。

現在你完成了！一旦安裝精靈完成，Darknet將安裝到C:Program FilesDarknet。執行以下命令進行測試：C:Program FilesDarknetbindarknet.exe version。

如果你沒有C:/Program Files/darknet/bin/darknet.exe，這表示你沒有安裝它，你只是建置了它！確保你按照上一步中描述的那樣，瀏覽NSIS安裝精靈的每個面板。

Using Darknet

CLI

以下不是Darknet支援的所有命令的完整列表。

除了Darknet CLI之外，還要注意DarkHelp專案CLI，它提供了Darknet/YOLO的替代CLI。 DarkHelp CLI還具有一些在Darknet中無法直接取得的進階功能。你可以將Darknet CLI和DarkHelp CLI一起使用，它們並不互相排斥。

對於下面顯示的大多數指令，你需要使用對應的.names和.cfg檔的.weights檔。你可以訓練自己的網路（強烈建議！），或從網路上下載別人已經訓練好的並免費提供的神經網路。預訓練資料集的例子包括：

LEGO Gears（在影像中尋找物體）

Rolodex（在圖像中尋找文字）

MSCOCO（標準的80類目標偵測）

要運行的命令包括：

列出一些可以運行的命令和選項：

`

darknet help

`

檢查版本：

`

darknet version

`

使用影像進行預測：

`

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

`

輸出座標：

`

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

`

使用影片：

`

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

`

從網路攝影機讀取：

`

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

V3: darknet08display_webcam animals

`

將結果儲存到影片：

`

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上運行：

`

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

`

檢查神經網路的準確性：

`

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 光 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

`

檢查準確度mAP@IoU=75：

`

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

`

重新計算錨點最好在DarkMark中完成，因為它將連續運行100次，並從計算出的所有錨點中選擇最佳錨點。但如果你想在Darknet中運行舊版本：

`

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

`

訓練新網路：

`

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

`

Training

快速連結到Darknet/YOLO FAQ的相關部分：

* 如何設定我的檔案和目錄？

* 我應該使用哪個設定檔？

* 訓練自己的網路時，我該使用什麼指令？

使用DarkMark來創建所有必要的Darknet文件，這是註釋和訓練的最簡單方法。這絕對是訓練新神經網路的推薦方法。

如果你想手動設定各種文件來訓練自訂網路：

1. 建立一個新資料夾，用於儲存檔案。在本例中，將建立一個神經網路來偵測動物，因此將建立以下目錄：~/nn/animals/。

2. 複製你想要用來當模板的Darknet設定檔之一。例如，請參閱cfg/yolov4-tiny.cfg。將它放在你創建的資料夾中。在本例中，我們現在有了~/nn/animals/animals.cfg。

3. 在你放置設定檔的同一個資料夾中，建立一個animals.names文字檔。在本例中，我們現在有了~/nn/animals/animals.names。

4. 使用文字編輯器編輯animals.names檔案。列出你想要使用的類別。你每行需要有且僅有一個條目，沒有空白行，也沒有註解。在本例中，.names檔案將包含恰好4行：

`

dog

cat

鳥

horse

`

5. 在同一個資料夾中建立一個animals.data文字檔。在本例中，.data檔案將包含：

`

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. 建立一個資料夾，用於儲存你的圖像和註解。例如，這可以是~/nn/animals/dataset。每個圖像都需要一個相應的.txt文件，用於描述該圖像的註釋。 .txt註解文件的格式非常具體。你不能手動建立這些文件，因為每個註釋都需要包含註釋的確切座標。請參閱DarkMark或其他類似軟體來註釋你的圖像。 YOLO註釋格式在Darknet/YOLO FAQ中進行了描述。

7. 建立在.data檔案中命名的"train"和"valid"文字檔。這兩個文字檔案需要分別列出Darknet必須用來訓練和驗證（在計算mAP%時）的所有圖像。每行恰好有一個圖像。路徑和檔案名稱可以是相對的或絕對的。

8. 使用文字編輯器修改你的.cfg檔。

* 確保batch=64。

* 注意subdivisions。根據網路維度和你的GPU上的可用記憶體大小，你可能需要增加subdivisions。要使用的最佳值是1，所以先從這個值開始。如果1對你不起作用，請參閱Darknet/YOLO FAQ。

注意maxbatches=....。在開始時，一個好的值是類別數量的2000倍。在本例中，我們有4種動物，所以4 2000 = 8000。這意味著我們將使用maxbatches=8000。

* 注意steps=....。這應該設定為maxbatches的80%和90%。在本例中，我們將使用steps=6400,7200，因為maxbatches設定為8000。

* 注意width=...和height=....。這些是網路維度。 Darknet/YOLO FAQ說明如何計算要使用的最佳尺寸。

* 搜尋所有包含行classes=...的實例，並使用你的.names檔案中的類別數量對其進行修改。在本例中，我們將使用classes=4。

在每個[yolo]部分之前的[convolutional]部分中，搜尋所有包含行filters=...的實例。要使用的值是（類別數量+ 5） 3。這意味著在本例中，（4 + 5）* 3 = 27。所以我們將在適當的行中使用filters=27。

9. 開始訓練！運行以下命令：

`

cd ~/nn/animals/