PaddleLite2.12版本对应的C++库，用于开发Windows32位程序。使用VS2017进行编译，配套有详细的博客教程（https://blog.csdn.net/qianbin3200896/article/details/120019597）。目前官网没有给出对应的适合windows32位的paddlelite库，有需要的用户可以下载使用。需要注意，本资源中不含python安装包，只有C++版的sdk。

抓包工具Fiddler everywhere Fiddler everywhere可记录计算机和Internet之间的所有HTTP（S）通信，可以检查和编辑通信，并拥有Mock请求以及修改响应返回的能力 Fiddler Everywhere是一款在手机和PC端都非常实用的网络抓包工具，它能够详细记录计算机与互联网之间的所有HTTP(S)通信信息。这款工具为用户提供了检查和编辑这些通信数据的能力，使其可以在数据传输过程中进行实时监控和分析。Fiddler Everywhere的主要功能包括但不限于： 1. 数据包捕获：能够捕获进出设备的所有HTTP和HTTPS通信数据包，方便用户进行审查和分析。 2. 会话重放：用户可以对捕获到的数据包进行重放，模拟特定的网络请求，以检查网络响应是否符合预期。 3. 请求编辑：用户可以对捕获到的请求进行编辑，修改参数、请求头等，帮助测试不同的网络请求场景。 4. 响应修改：除了可以修改请求，Fiddler Everywhere也支持修改服务器返回的响应数据，适用于测试应用对异常响应的处理能力。 5. Mock功能：通过Mock功能，用户可以模拟服务器返回特定的响应数据，而不必实际向服务器发送请求，这在测试应用对特定情况的响应时非常有用。 6. 代理设置：Fiddler Everywhere允许用户设置设备的网络代理，将网络请求重定向通过Fiddler Everywhere，从而实现对所有通信的监控。 7. 过滤器使用：用户可以根据需要设置过滤条件，只捕获特定的应用或域名下的数据包，使得数据审查更加高效。 8. 数据导出：捕获的数据包可以导出为各种格式，便于与其他团队成员分享分析结果，或进行进一步的数据处理。 9. 跨平台支持：作为“Fiddler Everywhere”名字的体现，这款工具支持在多种操作系统上运行，包括Windows、macOS以及Linux。 10. 用户界面：Fiddler Everywhere提供了直观易用的图形用户界面，用户可以轻松地通过图形界面进行各项操作。 Fiddler Everywhere的广泛应用，不仅仅是在软件开发和测试过程中，它也被网络安全分析师用于监视和诊断网络问题，或者在网络安全培训中作为教学工具。它支持多种编程语言和框架的应用，因此无论是Web开发者、移动开发者还是桌面应用开发者，都能在工作中充分利用Fiddler Everywhere的强大功能。 使用Fiddler Everywhere时，用户应该注意其可能带来的隐私和安全问题。因为工具能够捕获敏感信息，所以在处理这些数据时，必须确保符合相关的隐私保护法规和公司政策，避免泄露用户的私人数据。 Fiddler Everywhere是一款功能强大的网络抓包工具，能够为开发者、测试者和安全分析师提供有力的网络数据交互分析支持。它通过各种便捷的功能，极大地简化了网络请求的捕获和分析过程，让网络通信变得更加透明和可控。

基于develop分支开发适配Spark DGX GB10服务器，cuda版本为13.0，算力 sm12.1。目前GB10服务器属于最高算力的最新服务器。 目前构建对于flashattn构建存在问题，但对于不使用LLM等其他小模型应该是没有问题的。 验证脚本 import paddle paddle.utils.run_check()

**Fiddler4.6.1.5** 是一款强大的网络调试工具，尤其在Web应用程序开发和测试领域中被广泛使用。它允许开发者捕获、查看、修改HTTP和HTTPS通信，帮助找出网络请求中的问题或者进行性能优化。由于是免安装版本，用户可以直接解压后运行，无需经历传统软件安装的步骤，简化了使用流程。 **核心功能**： 1. **网络数据捕获**：Fiddler能够监控并记录所有的HTTP(S)流量，包括请求头、响应头、请求体和响应体，这对于调试网页应用或API接口非常有帮助。 2. **请求和响应修改**：在调试过程中，Fiddler允许用户修改HTTP请求和响应的任何部分，包括方法、URL、头信息和内容，以测试不同场景。 3. **断点调试**：可以设置断点，暂停流量，手动操作后再继续，便于分析交互过程。 4. **脚本支持**：Fiddler内置支持JScript.NET，用户可以编写自定义脚本来自动化复杂的操作或扩展功能。 5. **加密和解密HTTPS**：Fiddler可解密HTTPS流量，便于查看加密通信内容，但这也可能涉及隐私安全问题，因此在生产环境中需谨慎使用。 6. **性能分析**：通过查看请求和响应的时间戳，可以分析页面加载速度和网络延迟，有助于性能优化。 7. **自动化测试**：配合Fiddler的规则引擎和脚本，可以实现自动化测试，模拟多种用户行为。 **附带文件**： - **Telerik.Analytics.dll**：这可能是Telerik公司的一个组件，用于收集使用情况数据或提供某种分析功能。 - **IE_Toolbar.ico**：图标文件，可能用于Fiddler的Internet Explorer工具栏图标。 - **EnableLoopback.exe**：这是一个小工具，可能用于启用回环（loopback）功能，允许Fiddler捕获本地主机的流量。 - **credits.txt**：包含了软件的版权信息和贡献者名单。 - **汉化截图**：表明该版本可能包含中文语言界面，方便中国用户使用。 - **saz.ico**：Fiddler的默认SAZ文件（会话存档）的图标。 - **LoadScript.wav**：可能是一个声音文件，用于在某些操作（如加载脚本）成功时播放提示音。 - **makecert.exe**：Windows自带的证书创建工具，Fiddler可能用它来创建解密HTTPS所需的根证书。 - **ResponseTemplates**：这是Fiddler中存储预定义响应模板的文件夹，可以快速模拟特定响应。 - **UpdateFiddler.exe**：更新程序，用户可以使用它来检查和安装Fiddler的最新版本。 Fiddler4.6.1.5作为一个免安装的网络调试工具，提供了丰富的功能和灵活性，是开发者和IT专业人员进行Web应用程序调试的得力助手。其附带的文件各有用途，共同构建了一个完整的工具集。在使用过程中，用户可以根据需要启用或利用这些组件，以提升工作效率。

内容概要：本资源介绍了如何使用飞桨PaddleOCR团队开发的PP-Structure工具，将图片中的数据转换为Excel格式，实现数字化办公中的文档分析和表格识别。 适合人群：适合对数字化办公自动化、OCR技术以及数据结构化转换感兴趣的开发者和办公人员。 能学到什么： ①了解PP-Structure的安装和配置过程； ②掌握如何使用PP-Structure进行版面分析和表格识别； ③学习如何将识别结果输出为Excel文件。 阅读建议：此资源提供了详细的环境配置、代码实现和模型选择指导，适合在实践中逐步学习并深入理解PP-Structure的工作机制。建议结合实际图片数据进行操作，以加深对工具使用和结果分析的理解。

在处理图像识别和文字识别模型时，PaddlePaddle框架提供的PP-OCRv5模型被广泛应用。为了进行模型的跨平台部署，常常需要将模型导出为ONNX格式，以便在不同的推理引擎上进行优化与推理。ONNX（Open Neural Network Exchange）是一个开放的格式，用于表示深度学习模型，它使得模型能够在不同的深度学习框架和推理引擎之间自由转换，例如TensorFlow、PyTorch和PaddlePaddle等。 在将PaddlePaddle训练好的模型转换成ONNX格式之前，需要先准备模型文件，包括模型的参数文件（通常为.pdparams或.pdiparams格式）以及结构文件（通常为.pdmodel格式）。有了这些文件后，可以利用PaddlePaddle提供的工具或接口进行转换工作。转换过程中，需要确保所有输入输出节点的名称和格式符合ONNX标准。转换成功后，模型的参数和结构信息会被保存在.onnx文件中。 得到ONNX模型文件后，可以通过ONNX Runtime或其它支持ONNX的推理引擎进行模型的加载和推理。在加载和推理过程中，通常需要设置输入数据的预处理方式，比如图像的缩放、归一化等，以确保输入数据符合模型训练时的预期格式。推理得到的结果则需要经过相应的后处理，才能转换为用户可读的文本或图像识别结果。 PP-OCRv5模型包含了文本检测、文本方向分类、文本识别三个主要部分，每部分模型都需要按照上述流程进行ONNX格式的转换和推理。例如，在文本检测模型中，输入通常是图像，输出是检测到的文本框的位置和置信度。在文本识别模型中，输入是文本区域的图像，输出是该区域文本的文字内容。而文本方向分类模型则用于判断文本区域的阅读方向。 此外，进行模型转换和推理时，还需要考虑模型的优化问题。不同的推理引擎有各自的优化工具和策略，比如模型的图优化、算子融合、内存优化等。这些优化手段能够在保持模型精度的同时，提升模型的推理速度，降低计算资源的消耗，对于部署在边缘设备或者移动设备上尤其重要。 使用ONNX进行模型部署与推理，不仅提高了模型的跨平台兼容性，而且有利于模型的快速迭代与应用。开发者可以更加灵活地选择和切换不同的硬件平台和软件框架，更方便地将模型集成到各种产品和服务中，从而加快人工智能技术在各个领域的应用落地。 为了保证模型转换和推理的准确性，开发者需要进行充分的测试，确保模型在不同环境和输入数据上的表现符合预期。在测试过程中，需要注意模型在不同硬件和软件环境下的表现差异，并根据实际情况进行必要的调整和优化。通过这样的过程，可以确保最终部署的模型在实际应用中能够稳定运行，达到预期的效果。

这是一个实用的网络协议抓包与分析工具包，专为学习和分析 TCP/IP、IP 包及 HTTP 包设计。包含多个经典抓包软件和配套文档，可帮助开发者、网络工程师快速上手网络数据包分析。 包含的主要工具： Wireshark-win32-1.12.1-ip.exe - 经典网络协议分析器，支持多种协议解析 Fiddler 5.0汉化版setup-http.exe - 专注 HTTP/HTTPS 抓包与调试的工具 smsniff-tcp-ip.exe - 轻量级 TCP/IP 数据包嗅探器 miniSniffer.zip - 迷你网络嗅探工具 分析 IP 协议数据包格式.doc - IP 协议数据包结构学习文档 readme.txt - 使用说明文件 适用场景： 网络协议学习与教学 网络问题排查与调试 应用程序网络通信分析 安全审计与数据包监控 重要声明 版权与用途 资源来自网友分享，仅限学习研究，下载后需在24小时内删除。 不得用于商业目的或非法传播，否则需自行承担法律责任。

飞桨OCR（PaddleOCR）是一款基于PaddlePaddle深度学习框架开发的开源光学字符识别（OCR）工具，它提供高效、准确的文本检测和识别功能。在使用飞桨OCR时，我们需要将Paddle_CPP.7z这个压缩包中的文件解压到指定的位置，以便系统能够正确地找到和使用这些库文件。 解压java-springboot-paddleocr-demo.zip后，我们会得到以下文件： 1.**java-springboot-paddleocr-项目**：全套springboot项目代码，直接运行启动。使用swagger进行验证。 2.**Paddle_CPP**：进行图像或者文字识别PaddleOCR项目依赖于一系列的动态链接库dll文件。可用于业务项目集成使用。

卷积神经网络（Convolutional Neural Networks, CNNs 或 ConvNets）是一类深度神经网络，特别擅长处理图像相关的机器学习和深度学习任务。它们的名称来源于网络中使用了一种叫做卷积的数学运算。以下是卷积神经网络的一些关键组件和特性： 卷积层（Convolutional Layer）： 卷积层是CNN的核心组件。它们通过一组可学习的滤波器（或称为卷积核、卷积器）在输入图像（或上一层的输出特征图）上滑动来工作。 滤波器和图像之间的卷积操作生成输出特征图，该特征图反映了滤波器所捕捉的局部图像特性（如边缘、角点等）。 通过使用多个滤波器，卷积层可以提取输入图像中的多种特征。 激活函数（Activation Function）： 在卷积操作之后，通常会应用一个激活函数（如ReLU、Sigmoid或tanh）来增加网络的非线性。 池化层（Pooling Layer）： 池化层通常位于卷积层之后，用于降低特征图的维度（空间尺寸），减少计算量和参数数量，同时保持特征的空间层次结构。 常见的池化操作包括最大池化（Max Pooling）和平均池化（Average Pooling）。 全连接层（Fully Connected Layer）： 在CNN的末端，通常会有几层全连接层（也称为密集层或线性层）。这些层中的每个神经元都与前一层的所有神经元连接。 全连接层通常用于对提取的特征进行分类或回归。 训练过程： CNN的训练过程与其他深度学习模型类似，通过反向传播算法和梯度下降（或其变种）来优化网络参数（如滤波器权重和偏置）。 训练数据通常被分为多个批次（mini-batches），并在每个批次上迭代更新网络参数。 应用： CNN在计算机视觉领域有着广泛的应用，包括图像分类、目标检测、图像分割、人脸识别等。 它们也已被扩展到处理其他类型的数据，如文本（通过卷积一维序列）和音频（通过卷积时间序列）。 随着深度学习技术的发展，卷积神经网络的结构和设计也在不断演变，出现了许多新的变体和改进，如残差网络（ResNet）、深度卷积生成对抗网络（DCGAN）等。

基于yolov11+3588开发的车牌识别系统（源码+按照部署教程+图片） 环境 python 3.11.x rk3588/rk3588s rknn-toolkit 2.3.0 lprnet.rknn(lprnet.pt/lprnet.onnx) 车牌识别 也可以直接直接用paddleocr 不管是什么框架都需要用车牌数据集进行训练 车牌检测可以使用yolo obb或seg，可以直接获取车牌倾斜角度，方便矫正 项目中的模型为演示模型，识别率较低，主要学习原理 安装 apt update apt install ffmpeg # 本项目只能在3588开发板中运行，无法在pc和服务器上运行 cd rknn-yolov11-plate # 安装项目依赖 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple # 替换rknn api 运行时驱动，防止不是2.3.0版本 cp -f lib/librknnrt.so /usr/lib 运行 # 运行后查看控制台输出 python src/main.py