助力使用keras模型，避免在网上寻觅数据导致时间的浪费。

1、 训练数据准备所有数据均放置于Sample\Build\下，其中Build为数据类型，根据本人需要进行修改，本示例数据为512*512大小GF2建筑，训练数据按照:Sample\Build\train\IMG_T1-----------------------\IMG_LABEL-----------------\val\IMG_T1-----------------------\IMG_LABEL2、 训练参数设置参数和运行皆在dp0_train.py中，主要参数包括：（1） num_epochs，训练批次（2） learning_rate，学习率（3） dataset，步骤一本人构建的数据集名称（4） band，输入数据通道数（波段数）（5） n_class,模型输出通道数（类别）设置好后点击run即可3、 训练模型位置模型结构放与net文件中，生成模型文件pt位于Checkpointspath\4、 预测使用填写参数Checkpointspath，模型位置名称Dataset，待预测数据文件夹Outputpath，输出数据文件夹

matlabdir源代码Crop_DiseasesCropDiseasesDetection代码源于Google识别API，根据数据情况做了少许修改。
深度学习框架Tensorflow1.9密码:yq30生成TFrecords运行process.py将数据图像压缩生成TFRecords类型的数据文件，可以提高数据读取效率#修改process.py主函数路径，改为本人的下载后压缩的路径pythonprocess.py训练模型#配置train.sh参数#生成的TFrecords路劲(根据本人的实际修改，下同)DATASET_DIR=/media/zh/DATA/AgriculturalDisease20181023/tf_data#训练过程产生的模型，迭代保存的数据位置TRAIN_DIR=/media/zh/DATA/AgriculturalDisease20181023/check_save/resnetv1_101_finetune#定义预训练模型定义(预训练模型下载地址上面有给出)CHECKPOINT_PATH=/media/zh/DA

VGG16isaconvolutionalneuralnetworkmodelproposedbyK.SimonyanandA.ZissermanfromtheUniversityofOxfordinthepaper“VeryDeepConvolutionalNetworksforLarge-ScaleImageRecognition”.Themodelachieves92.7%top-5testaccuracyinImageNet,whichisadatasetofover14millionimag

图像描绘网络训练文件

Abstract—Visual-inertialSLAM(VI-SLAM)requiresagoodinitialestimationoftheinitialvelocity,orientationwithrespecttogravityandgyroscopeandaccelerometerbiases.InthispaperwebuildontheinitializationmethodproposedbyMartinelli[1]andextendedbyKaiseretal.[2],modifyingittobemoregeneralandefficient.Weimproveaccuracywithseveralroundsofvisual-inertialbundleadjustment,androbustifythemethodwithnovelobservabilityandconsensustests,thatdiscarderroneoussolutions.OurresultsontheEuRoCdatasetshowthat,whiletheoriginalmethodproducesscaleerrorsupto156%,ourmethodisabletoconsistentlyinitializeinlessthantwosecondswithscaleerrorsaround5%,whichcanbefurtherreducedtolessthan1%performingvisual-inertialbundleadjustmentaftertenseconds

RSODDataset是用于遥感图像中物体检测的数据集，其包含飞机、操场、立交桥和油桶四类目的，数量分别为：446张图——4993架飞机，189张图——191个操场，176张图——180座立交桥，165张图——1586个油桶。
该数据集由武汉大学于2015年发布，相关论文有《EllipticFouriertransformation-basedhistogramsoforientedgradientsforrotationallyinvariantobjectdetectioninremote-sensingimages》和《AccurateObjectLocalizationinRemoteSensingImagesBasedonConvolutionalNeuralNetworks》。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。