业务和功能介绍
场景：面向家庭安防场景，针对用户对包裹相关事件（投递、家人取件、快递员取件、包裹盗窃）的高关注需求，基于视觉大语
言模型（VLM）的视频理解能力，构建多类别事件识别系统。
任务：负责视频多模态大模型的选型、训练与压缩， 构建覆盖图文预训练 → 安防垂域微调 → 偏好对齐（DPO） 的完整训练体
系，并设计轻量化方案以支持边端部署。
言模型（VLM）的视频理解能力，构建多类别事件识别系统。
任务：负责视频多模态大模型的选型、训练与压缩， 构建覆盖图文预训练 → 安防垂域微调 → 偏好对齐（DPO） 的完整训练体
系，并设计轻量化方案以支持边端部署。
项目实现
模型指标：在7k测试集上， 在精准率98%约束下，召回率达到93%；
模型优化：基于 VILA 1.5 架构，构建多阶段训练流程（图文对齐 + 多模态预训练 + 指令微调 + DPO），针对“快递员取
件”和“包裹偷盗”等易混淆类别，引入 DPO 进行偏好对齐，类间混淆率降低约1%；
模型压缩：
token压缩：针对 SgLIP2 输出视觉 token 冗余问题，提出高效token压缩策略（ 196→9），显著降低计算开销，使推
理时间由4.9s降低至0.5s（约10×加速）召回率仅下降0.6%；
模型小型化：通过结构轻量化设计将模型规模由3B压缩至1.3B， 显存占用降低30%以上， 推理速度提升约2倍，性能基
本无损；
仿真设计：设计基于关键动作的抽帧策略与动态缓存建模方案，实现边缘端轻量化部署，并提升事件识别的稳定性，在端到
端1.2w真实用户数据上验证，在精准率98%条件下，包裹事件平均召回率达到91%。
模型优化：基于 VILA 1.5 架构，构建多阶段训练流程（图文对齐 + 多模态预训练 + 指令微调 + DPO），针对“快递员取
件”和“包裹偷盗”等易混淆类别，引入 DPO 进行偏好对齐，类间混淆率降低约1%；
模型压缩：
token压缩：针对 SgLIP2 输出视觉 token 冗余问题，提出高效token压缩策略（ 196→9），显著降低计算开销，使推
理时间由4.9s降低至0.5s（约10×加速）召回率仅下降0.6%；
模型小型化：通过结构轻量化设计将模型规模由3B压缩至1.3B， 显存占用降低30%以上， 推理速度提升约2倍，性能基
本无损；
仿真设计：设计基于关键动作的抽帧策略与动态缓存建模方案，实现边缘端轻量化部署，并提升事件识别的稳定性，在端到
端1.2w真实用户数据上验证，在精准率98%条件下，包裹事件平均召回率达到91%。
示例图片视频
相似推荐
甘肃省旅游数据可视化分析系统
使用Python Flask搭建后端服务，依托Pandas对全省各地景区客流、门票营收、游客地域来源等多维度原始数据完成清洗、去重、统计聚合，通过Matplotlib生成折线、饼状、热力可视化图表并通过接口返回前端展示。自主设计MySQL数据表存储旅游业务数据，编写定时数据同步脚本，解决海量零散旅游数据杂乱、人工统计效率低下的问题，完整独立完成后端接口、数据处理逻辑、定时任务开发，交付后客户可直观查看全省旅游运营数据。
旅行社订单管理后台-启游星saas系统
产品模块：酒店/包房，机票/切位，门票，一日游，跟团游，打包产品。
订单模块：对接OTA，代下单，订单确认，收款，申请付款，发票
财务：对账，收付款，佣金，结账，发票（可接电子发票）银行日记账。
报表：收益报表，客户报表，业绩报表等。
旅游大数据推荐系统
1. 立项背景和目标
1.1 立项背景
文旅行业数据量激增，景点信息分散杂乱，传统方式难以高效处理和分析。为实现旅游数据的自动化采集、深度分析与可视化应用，构建旅游大数据推荐系统，助力文旅数字化升级。
1.2 项目目标
完成携程景点数据爬取、分布式存储与清洗，构建分层数据仓库；
实现景点数据多维度分析，挖掘评分、热度、价格、地域分布规律；
开发数据可视化大屏，直观展示统计结果，支撑运营决策；
搭建后台管理系统，实现景点管理、数据仪表盘与精准推荐。
2. 软件功能、核心模块介绍
数据采集模块：Python 爬虫抓取携程全国景点数据，含 25 个关键字段，输出 CSV 文件。
大数据存储模块：搭建 Hadoop+Spark+Hive 集群，构建 ODS/DWD 分层数据仓库，实现数据分布式存储与管理。
数据清洗分析模块：PySpark+Hive SQL 完成数据清洗、去重、标准化；实现评分 / 价格 / 热度分档、区域统计、综合评分建模等多维度分析。
数据可视化模块：DataEase 制作数据大屏，生成柱状图、饼图、雷达图、地图等，直观呈现数据。
后台管理模块：基于若依框架开发，实现景点信息管理、数据仪表盘、图表接口开发与优质景点推荐。
3. 业务流程、功能路径
整体流程：数据采集 → 存储 → 清洗 → 分析 → 可视化 → 后台管理与推荐
采集：Python 爬虫爬取携程数据，导出 CSV。
存储：HDFS 上传数据，Hive 建库建表。
清洗分析：Spark 清洗数据，Hive SQL 多维度分析，结果存入 MySQL。
可视化：DataEase 连接 MySQL，设计并发布数据大屏。
后台：若依框架开发管理系统，实现数据展示、管理与推荐功能。
哈尔滨美食评分小程序 - 多平台聚合餐厅排行榜
立项背景与目标：哈尔滨年均游客超亿人次，美食选择是核心痛点——各平台评分分散（携程、美团、大众点评、抖音），缺乏统一客观的排名参考。本项目整合四大平台数据，为本地居民和游客提供一站式哈尔滨餐厅综合排行榜，降低决策成本。
核心功能模块：① 排行榜首页 — TOP 3 领奖台展示 + 完整排名列表，12种菜系分类筛选（东北菜/俄式西餐/烧烤/铁锅炖/小吃/清真/火锅/韩餐/自助等），4种排序方式（综合推荐/评分最高/评价最多/抖音热度），星级可视化评分，排名升降箭头，骨架屏加载。② 餐厅详情页 — 轮播图、三平台评分明细、招牌菜品列表、一键地图导航、外链跳转美团/大众点评。③ 附近餐厅 — 基于地理位置距离排序，地图导航。④ 搜索筛选 — 关键词搜索 + 分类/区域/排序组合筛选 + 历史记录。⑤ 设置中心 — 深色模式、省流量模式、自动更新、缓存管理、意见反馈。
业务流程：用户进入排行榜首页 → 按菜系/区域筛选 → 按排序方式浏览排名 → 点击餐厅进入详情查看多平台评分和招牌菜 → 一键导航或跳转外部平台下单。每周一凌晨云函数自动更新评分数据。
香港空气污染感知智能导航地图系统
本项目是一套面向香港地区的“空气污染规避导航系统”，目标是在传统最短路径导航基础上，引入空气污染数据分析能力，为用户提供更加健康的出行路线规划方案。
传统地图导航通常仅考虑距离、时间或拥堵情况，而本系统会结合香港区域空气污染数据，对道路进行污染权重分析，尽量减少用户在出行过程中暴露于高污染区域的时间，适用于步行、骑行等对空气质量较敏感的场景。
系统支持用户在地图中自由选择起点与终点，并通过后端智能路径规划服务生成污染暴露更低的路线。用户可在地图中实时查看路线结果、污染热力覆盖区域以及导航路径。
核心功能包括：
1. 香港区域地图浏览与定位
基于 Mapbox 实现高性能地图渲染，支持地图缩放、拖拽、定位及路径展示。
2. 自定义起点终点选取
用户可自由点击地图选择任意地点作为导航起点与终点。
3. 污染规避路径规划
系统综合道路长度、区域污染浓度等多维数据进行路径计算，而非简单采用最短距离算法。
4. 污染热力数据可视化
通过自定义 Tile 图层将污染数据叠加至地图，实现污染区域可视化展示。
5. 后端路径计算服务
所有路径规划逻辑均运行于服务端，移动端仅负责交互与结果展示，便于后续扩展复杂算法。
该系统适用于智慧城市、绿色出行、健康导航、环保监测等相关领域，也适合需要自定义路径规划逻辑的地图类应用场景。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服