企业官网建设流程全解析

使用技术

Python 3.8、YOLOv8、OpenCV、PyTorch、Ultralytics、Vue、MySQL、Django

基于MediaPipe的手语识别系统

技术核心是用 MediaPipe Hands 做手部关键点检测：它能在图像或视频帧中定位单只手并输出 21 个带有 x、y、z 三维坐标的关键点，实时场景使用视频跟踪模式（帧间跟踪、低复杂度模型）以保证速度，单张图片预测则切换为静态图模式，避免跟踪状态跨图串扰。拿到关键点后做特征工程：以腕关节为原点平移，再以腕关节到中指掌指关节的距离作尺度因子归一化，得到与手部大小、位置无关的 63 维特征向量。分类部分用 PyTorch 搭建一个轻量 MLP（63→128→64→类别数，带 Dropout），用交叉熵损失和 Adam 优化器训练手语类别，保存权重与标签文件，推理时输出各类别 softmax 概率并取最高分作为识别结果。可视化方面借助 MediaPipe 的绘图工具在画面上叠加手部骨架和关键点连线，再用 OpenCV 画包围盒并配合 PIL 渲染中文标签，涉及的第三方库主要是 mediapipe、PyTorch、OpenCV、NumPy、PIL 与 matplotlib。

基于HRNet的舞蹈动作评分

围绕 HRNet 搭建了「姿态估计 + 舞蹈评分」的完整链路。姿态部分用 PyTorch 自实现 HRNet-W32 高分辨率网络，靠多分辨率并行分支与跨分辨率融合始终保持高分辨率表征，并加载官方 COCO 预训练权重做推理；图像先经 256×192 等比缩放（letterbox）与 ImageNet 归一化，输出 17 通道热图，再用全局 argmax 加亚像素偏移提取 COCO 17 个人体关键点，并以髋中心为原点、躯干长度为尺度归一化成 34 维平移缩放不变特征。

评分部分自建两层 LSTM 时序模型对滑窗骨架序列建模，训练采用类别加权交叉熵、Adam、学习率衰减、梯度裁剪与早停，并输出混淆矩阵、PR/ROC 等指标；同时用 DTW 动态时间规整校验动作与标准套路的一致性，把距离映射为百分制等级。OpenCV 处理图像视频帧与骨架绘制，线程锁保证推理串行安全。主要第三方库为 PyTorch、OpenCV、NumPy、scikit-learn、matplotlib、Pillow 与 dwebsocket。

基于MediaPipe的瑜伽动作识别系统

技术核心是用 MediaPipe Hands 做手部关键点检测：它能在图像或视频帧中定位单只手并输出 21 个带有 x、y、z 三维坐标的关键点，实时场景使用视频跟踪模式（帧间跟踪、低复杂度模型）以保证速度，单张图片预测则切换为静态图模式，避免跟踪状态跨图串扰。拿到关键点后做特征工程：以腕关节为原点平移，再以腕关节到中指掌指关节的距离作尺度因子归一化，得到与手部大小、位置无关的 63 维特征向量。分类部分用 PyTorch 搭建一个轻量 MLP（63→128→64→类别数，带 Dropout），用交叉熵损失和 Adam 优化器训练手语类别，保存权重与标签文件，推理时输出各类别 softmax 概率并取最高分作为识别结果。可视化方面借助 MediaPipe 的绘图工具在画面上叠加手部骨架和关键点连线，再用 OpenCV 画包围盒并配合 PIL 渲染中文标签，涉及的第三方库主要是 mediapipe、PyTorch、OpenCV、NumPy、PIL 与 matplotlib。

基于MediaPipe的健身动作识别系统

技术核心是用 MediaPipe Hands 做手部关键点检测：它能在图像或视频帧中定位单只手并输出 21 个带有 x、y、z 三维坐标的关键点，实时场景使用视频跟踪模式（帧间跟踪、低复杂度模型）以保证速度，单张图片预测则切换为静态图模式，避免跟踪状态跨图串扰。拿到关键点后做特征工程：以腕关节为原点平移，再以腕关节到中指掌指关节的距离作尺度因子归一化，得到与手部大小、位置无关的 63 维特征向量。分类部分用 PyTorch 搭建一个轻量 MLP（63→128→64→类别数，带 Dropout），用交叉熵损失和 Adam 优化器训练手语类别，保存权重与标签文件，推理时输出各类别 softmax 概率并取最高分作为识别结果。可视化方面借助 MediaPipe 的绘图工具在画面上叠加手部骨架和关键点连线，再用 OpenCV 画包围盒并配合 PIL 渲染中文标签，涉及的第三方库主要是 mediapipe、PyTorch、OpenCV、NumPy、PIL 与 matplotlib。

基于MediaPipe的拳击动作识别系统

技术核心是用 MediaPipe Hands 做手部关键点检测：它能在图像或视频帧中定位单只手并输出 21 个带有 x、y、z 三维坐标的关键点，实时场景使用视频跟踪模式（帧间跟踪、低复杂度模型）以保证速度，单张图片预测则切换为静态图模式，避免跟踪状态跨图串扰。拿到关键点后做特征工程：以腕关节为原点平移，再以腕关节到中指掌指关节的距离作尺度因子归一化，得到与手部大小、位置无关的 63 维特征向量。分类部分用 PyTorch 搭建一个轻量 MLP（63→128→64→类别数，带 Dropout），用交叉熵损失和 Adam 优化器训练手语类别，保存权重与标签文件，推理时输出各类别 softmax 概率并取最高分作为识别结果。可视化方面借助 MediaPipe 的绘图工具在画面上叠加手部骨架和关键点连线，再用 OpenCV 画包围盒并配合 PIL 渲染中文标签，涉及的第三方库主要是 mediapipe、PyTorch、OpenCV、NumPy、PIL 与 matplotlib。

基于MediaPipe的篮球动作识别系统

技术核心是用 MediaPipe Hands 做手部关键点检测：它能在图像或视频帧中定位单只手并输出 21 个带有 x、y、z 三维坐标的关键点，实时场景使用视频跟踪模式（帧间跟踪、低复杂度模型）以保证速度，单张图片预测则切换为静态图模式，避免跟踪状态跨图串扰。拿到关键点后做特征工程：以腕关节为原点平移，再以腕关节到中指掌指关节的距离作尺度因子归一化，得到与手部大小、位置无关的 63 维特征向量。分类部分用 PyTorch 搭建一个轻量 MLP（63→128→64→类别数，带 Dropout），用交叉熵损失和 Adam 优化器训练手语类别，保存权重与标签文件，推理时输出各类别 softmax 概率并取最高分作为识别结果。可视化方面借助 MediaPipe 的绘图工具在画面上叠加手部骨架和关键点连线，再用 OpenCV 画包围盒并配合 PIL 渲染中文标签，涉及的第三方库主要是 mediapipe、PyTorch、OpenCV、NumPy、PIL 与 matplotlib。

基于MediaPipe的足球动作识别系统

技术核心是用 MediaPipe Hands 做手部关键点检测：它能在图像或视频帧中定位单只手并输出 21 个带有 x、y、z 三维坐标的关键点，实时场景使用视频跟踪模式（帧间跟踪、低复杂度模型）以保证速度，单张图片预测则切换为静态图模式，避免跟踪状态跨图串扰。拿到关键点后做特征工程：以腕关节为原点平移，再以腕关节到中指掌指关节的距离作尺度因子归一化，得到与手部大小、位置无关的 63 维特征向量。分类部分用 PyTorch 搭建一个轻量 MLP（63→128→64→类别数，带 Dropout），用交叉熵损失和 Adam 优化器训练手语类别，保存权重与标签文件，推理时输出各类别 softmax 概率并取最高分作为识别结果。可视化方面借助 MediaPipe 的绘图工具在画面上叠加手部骨架和关键点连线，再用 OpenCV 画包围盒并配合 PIL 渲染中文标签，涉及的第三方库主要是 mediapipe、PyTorch、OpenCV、NumPy、PIL 与 matplotlib。

基于MediaPipe的体操动作识别系统

技术核心是用 MediaPipe Hands 做手部关键点检测：它能在图像或视频帧中定位单只手并输出 21 个带有 x、y、z 三维坐标的关键点，实时场景使用视频跟踪模式（帧间跟踪、低复杂度模型）以保证速度，单张图片预测则切换为静态图模式，避免跟踪状态跨图串扰。拿到关键点后做特征工程：以腕关节为原点平移，再以腕关节到中指掌指关节的距离作尺度因子归一化，得到与手部大小、位置无关的 63 维特征向量。分类部分用 PyTorch 搭建一个轻量 MLP（63→128→64→类别数，带 Dropout），用交叉熵损失和 Adam 优化器训练手语类别，保存权重与标签文件，推理时输出各类别 softmax 概率并取最高分作为识别结果。可视化方面借助 MediaPipe 的绘图工具在画面上叠加手部骨架和关键点连线，再用 OpenCV 画包围盒并配合 PIL 渲染中文标签，涉及的第三方库主要是 mediapipe、PyTorch、OpenCV、NumPy、PIL 与 matplotlib。

基于MediaPipe的舞蹈动作识别系统

技术核心是用 MediaPipe Hands 做手部关键点检测：它能在图像或视频帧中定位单只手并输出 21 个带有 x、y、z 三维坐标的关键点，实时场景使用视频跟踪模式（帧间跟踪、低复杂度模型）以保证速度，单张图片预测则切换为静态图模式，避免跟踪状态跨图串扰。拿到关键点后做特征工程：以腕关节为原点平移，再以腕关节到中指掌指关节的距离作尺度因子归一化，得到与手部大小、位置无关的 63 维特征向量。分类部分用 PyTorch 搭建一个轻量 MLP（63→128→64→类别数，带 Dropout），用交叉熵损失和 Adam 优化器训练手语类别，保存权重与标签文件，推理时输出各类别 softmax 概率并取最高分作为识别结果。可视化方面借助 MediaPipe 的绘图工具在画面上叠加手部骨架和关键点连线，再用 OpenCV 画包围盒并配合 PIL 渲染中文标签，涉及的第三方库主要是 mediapipe、PyTorch、OpenCV、NumPy、PIL 与 matplotlib。

基于MediaPipe的武术动作识别系统

技术核心是用 MediaPipe Hands 做手部关键点检测：它能在图像或视频帧中定位单只手并输出 21 个带有 x、y、z 三维坐标的关键点，实时场景使用视频跟踪模式（帧间跟踪、低复杂度模型）以保证速度，单张图片预测则切换为静态图模式，避免跟踪状态跨图串扰。拿到关键点后做特征工程：以腕关节为原点平移，再以腕关节到中指掌指关节的距离作尺度因子归一化，得到与手部大小、位置无关的 63 维特征向量。分类部分用 PyTorch 搭建一个轻量 MLP（63→128→64→类别数，带 Dropout），用交叉熵损失和 Adam 优化器训练手语类别，保存权重与标签文件，推理时输出各类别 softmax 概率并取最高分作为识别结果。可视化方面借助 MediaPipe 的绘图工具在画面上叠加手部骨架和关键点连线，再用 OpenCV 画包围盒并配合 PIL 渲染中文标签，涉及的第三方库主要是 mediapipe、PyTorch、OpenCV、NumPy、PIL 与 matplotlib。

基于MediaPipe的日常活动识别系统

技术核心是用 MediaPipe Hands 做手部关键点检测：它能在图像或视频帧中定位单只手并输出 21 个带有 x、y、z 三维坐标的关键点，实时场景使用视频跟踪模式（帧间跟踪、低复杂度模型）以保证速度，单张图片预测则切换为静态图模式，避免跟踪状态跨图串扰。拿到关键点后做特征工程：以腕关节为原点平移，再以腕关节到中指掌指关节的距离作尺度因子归一化，得到与手部大小、位置无关的 63 维特征向量。分类部分用 PyTorch 搭建一个轻量 MLP（63→128→64→类别数，带 Dropout），用交叉熵损失和 Adam 优化器训练手语类别，保存权重与标签文件，推理时输出各类别 softmax 概率并取最高分作为识别结果。可视化方面借助 MediaPipe 的绘图工具在画面上叠加手部骨架和关键点连线，再用 OpenCV 画包围盒并配合 PIL 渲染中文标签，涉及的第三方库主要是 mediapipe、PyTorch、OpenCV、NumPy、PIL 与 matplotlib。

基于HRNet的日常人体姿态识别系统

围绕 HRNet 搭建了「姿态估计 + 舞蹈评分」的完整链路。姿态部分用 PyTorch 自实现 HRNet-W32 高分辨率网络，靠多分辨率并行分支与跨分辨率融合始终保持高分辨率表征，并加载官方 COCO 预训练权重做推理；图像先经 256×192 等比缩放（letterbox）与 ImageNet 归一化，输出 17 通道热图，再用全局 argmax 加亚像素偏移提取 COCO 17 个人体关键点，并以髋中心为原点、躯干长度为尺度归一化成 34 维平移缩放不变特征。

评分部分自建两层 LSTM 时序模型对滑窗骨架序列建模，训练采用类别加权交叉熵、Adam、学习率衰减、梯度裁剪与早停，并输出混淆矩阵、PR/ROC 等指标；同时用 DTW 动态时间规整校验动作与标准套路的一致性，把距离映射为百分制等级。OpenCV 处理图像视频帧与骨架绘制，线程锁保证推理串行安全。主要第三方库为 PyTorch、OpenCV、NumPy、scikit-learn、matplotlib、Pillow 与 dwebsocket。

基于HRNet的体育动作识别系统

围绕 HRNet 搭建了「姿态估计 + 舞蹈评分」的完整链路。姿态部分用 PyTorch 自实现 HRNet-W32 高分辨率网络，靠多分辨率并行分支与跨分辨率融合始终保持高分辨率表征，并加载官方 COCO 预训练权重做推理；图像先经 256×192 等比缩放（letterbox）与 ImageNet 归一化，输出 17 通道热图，再用全局 argmax 加亚像素偏移提取 COCO 17 个人体关键点，并以髋中心为原点、躯干长度为尺度归一化成 34 维平移缩放不变特征。

评分部分自建两层 LSTM 时序模型对滑窗骨架序列建模，训练采用类别加权交叉熵、Adam、学习率衰减、梯度裁剪与早停，并输出混淆矩阵、PR/ROC 等指标；同时用 DTW 动态时间规整校验动作与标准套路的一致性，把距离映射为百分制等级。OpenCV 处理图像视频帧与骨架绘制，线程锁保证推理串行安全。主要第三方库为 PyTorch、OpenCV、NumPy、scikit-learn、matplotlib、Pillow 与 dwebsocket。

基于HRNet的健身动作识别系统

围绕 HRNet 搭建了「姿态估计 + 舞蹈评分」的完整链路。姿态部分用 PyTorch 自实现 HRNet-W32 高分辨率网络，靠多分辨率并行分支与跨分辨率融合始终保持高分辨率表征，并加载官方 COCO 预训练权重做推理；图像先经 256×192 等比缩放（letterbox）与 ImageNet 归一化，输出 17 通道热图，再用全局 argmax 加亚像素偏移提取 COCO 17 个人体关键点，并以髋中心为原点、躯干长度为尺度归一化成 34 维平移缩放不变特征。

评分部分自建两层 LSTM 时序模型对滑窗骨架序列建模，训练采用类别加权交叉熵、Adam、学习率衰减、梯度裁剪与早停，并输出混淆矩阵、PR/ROC 等指标；同时用 DTW 动态时间规整校验动作与标准套路的一致性，把距离映射为百分制等级。OpenCV 处理图像视频帧与骨架绘制，线程锁保证推理串行安全。主要第三方库为 PyTorch、OpenCV、NumPy、scikit-learn、matplotlib、Pillow 与 dwebsocket。

基于HRNet的体操动作识别系统

围绕 HRNet 搭建了「姿态估计 + 舞蹈评分」的完整链路。姿态部分用 PyTorch 自实现 HRNet-W32 高分辨率网络，靠多分辨率并行分支与跨分辨率融合始终保持高分辨率表征，并加载官方 COCO 预训练权重做推理；图像先经 256×192 等比缩放（letterbox）与 ImageNet 归一化，输出 17 通道热图，再用全局 argmax 加亚像素偏移提取 COCO 17 个人体关键点，并以髋中心为原点、躯干长度为尺度归一化成 34 维平移缩放不变特征。

评分部分自建两层 LSTM 时序模型对滑窗骨架序列建模，训练采用类别加权交叉熵、Adam、学习率衰减、梯度裁剪与早停，并输出混淆矩阵、PR/ROC 等指标；同时用 DTW 动态时间规整校验动作与标准套路的一致性，把距离映射为百分制等级。OpenCV 处理图像视频帧与骨架绘制，线程锁保证推理串行安全。主要第三方库为 PyTorch、OpenCV、NumPy、scikit-learn、matplotlib、Pillow 与 dwebsocket。

基于HRNet的舞蹈动作识别系统

围绕 HRNet 搭建了「姿态估计 + 舞蹈评分」的完整链路。姿态部分用 PyTorch 自实现 HRNet-W32 高分辨率网络，靠多分辨率并行分支与跨分辨率融合始终保持高分辨率表征，并加载官方 COCO 预训练权重做推理；图像先经 256×192 等比缩放（letterbox）与 ImageNet 归一化，输出 17 通道热图，再用全局 argmax 加亚像素偏移提取 COCO 17 个人体关键点，并以髋中心为原点、躯干长度为尺度归一化成 34 维平移缩放不变特征。

评分部分自建两层 LSTM 时序模型对滑窗骨架序列建模，训练采用类别加权交叉熵、Adam、学习率衰减、梯度裁剪与早停，并输出混淆矩阵、PR/ROC 等指标；同时用 DTW 动态时间规整校验动作与标准套路的一致性，把距离映射为百分制等级。OpenCV 处理图像视频帧与骨架绘制，线程锁保证推理串行安全。主要第三方库为 PyTorch、OpenCV、NumPy、scikit-learn、matplotlib、Pillow 与 dwebsocket。

基于HRNet的多人姿态识别系统

围绕 HRNet 搭建了「姿态估计 + 舞蹈评分」的完整链路。姿态部分用 PyTorch 自实现 HRNet-W32 高分辨率网络，靠多分辨率并行分支与跨分辨率融合始终保持高分辨率表征，并加载官方 COCO 预训练权重做推理；图像先经 256×192 等比缩放（letterbox）与 ImageNet 归一化，输出 17 通道热图，再用全局 argmax 加亚像素偏移提取 COCO 17 个人体关键点，并以髋中心为原点、躯干长度为尺度归一化成 34 维平移缩放不变特征。

评分部分自建两层 LSTM 时序模型对滑窗骨架序列建模，训练采用类别加权交叉熵、Adam、学习率衰减、梯度裁剪与早停，并输出混淆矩阵、PR/ROC 等指标；同时用 DTW 动态时间规整校验动作与标准套路的一致性，把距离映射为百分制等级。OpenCV 处理图像视频帧与骨架绘制，线程锁保证推理串行安全。主要第三方库为 PyTorch、OpenCV、NumPy、scikit-learn、matplotlib、Pillow 与 dwebsocket。

基于HRNet的太极动作识别系统

围绕 HRNet 搭建了「姿态估计 + 舞蹈评分」的完整链路。姿态部分用 PyTorch 自实现 HRNet-W32 高分辨率网络，靠多分辨率并行分支与跨分辨率融合始终保持高分辨率表征，并加载官方 COCO 预训练权重做推理；图像先经 256×192 等比缩放（letterbox）与 ImageNet 归一化，输出 17 通道热图，再用全局 argmax 加亚像素偏移提取 COCO 17 个人体关键点，并以髋中心为原点、躯干长度为尺度归一化成 34 维平移缩放不变特征。

评分部分自建两层 LSTM 时序模型对滑窗骨架序列建模，训练采用类别加权交叉熵、Adam、学习率衰减、梯度裁剪与早停，并输出混淆矩阵、PR/ROC 等指标；同时用 DTW 动态时间规整校验动作与标准套路的一致性，把距离映射为百分制等级。OpenCV 处理图像视频帧与骨架绘制，线程锁保证推理串行安全。主要第三方库为 PyTorch、OpenCV、NumPy、scikit-learn、matplotlib、Pillow 与 dwebsocket。

基于HRNet的羽毛球动作识别系统

围绕 HRNet 搭建了「姿态估计 + 舞蹈评分」的完整链路。姿态部分用 PyTorch 自实现 HRNet-W32 高分辨率网络，靠多分辨率并行分支与跨分辨率融合始终保持高分辨率表征，并加载官方 COCO 预训练权重做推理；图像先经 256×192 等比缩放（letterbox）与 ImageNet 归一化，输出 17 通道热图，再用全局 argmax 加亚像素偏移提取 COCO 17 个人体关键点，并以髋中心为原点、躯干长度为尺度归一化成 34 维平移缩放不变特征。

评分部分自建两层 LSTM 时序模型对滑窗骨架序列建模，训练采用类别加权交叉熵、Adam、学习率衰减、梯度裁剪与早停，并输出混淆矩阵、PR/ROC 等指标；同时用 DTW 动态时间规整校验动作与标准套路的一致性，把距离映射为百分制等级。OpenCV 处理图像视频帧与骨架绘制，线程锁保证推理串行安全。主要第三方库为 PyTorch、OpenCV、NumPy、scikit-learn、matplotlib、Pillow 与 dwebsocket。

基于HRNet的排球动作识别系统

围绕 HRNet 搭建了「姿态估计 + 舞蹈评分」的完整链路。姿态部分用 PyTorch 自实现 HRNet-W32 高分辨率网络，靠多分辨率并行分支与跨分辨率融合始终保持高分辨率表征，并加载官方 COCO 预训练权重做推理；图像先经 256×192 等比缩放（letterbox）与 ImageNet 归一化，输出 17 通道热图，再用全局 argmax 加亚像素偏移提取 COCO 17 个人体关键点，并以髋中心为原点、躯干长度为尺度归一化成 34 维平移缩放不变特征。

评分部分自建两层 LSTM 时序模型对滑窗骨架序列建模，训练采用类别加权交叉熵、Adam、学习率衰减、梯度裁剪与早停，并输出混淆矩阵、PR/ROC 等指标；同时用 DTW 动态时间规整校验动作与标准套路的一致性，把距离映射为百分制等级。OpenCV 处理图像视频帧与骨架绘制，线程锁保证推理串行安全。主要第三方库为 PyTorch、OpenCV、NumPy、scikit-learn、matplotlib、Pillow 与 dwebsocket。

基于HRNet的游泳姿态识别系统

围绕 HRNet 搭建了「姿态估计 + 舞蹈评分」的完整链路。姿态部分用 PyTorch 自实现 HRNet-W32 高分辨率网络，靠多分辨率并行分支与跨分辨率融合始终保持高分辨率表征，并加载官方 COCO 预训练权重做推理；图像先经 256×192 等比缩放（letterbox）与 ImageNet 归一化，输出 17 通道热图，再用全局 argmax 加亚像素偏移提取 COCO 17 个人体关键点，并以髋中心为原点、躯干长度为尺度归一化成 34 维平移缩放不变特征。

评分部分自建两层 LSTM 时序模型对滑窗骨架序列建模，训练采用类别加权交叉熵、Adam、学习率衰减、梯度裁剪与早停，并输出混淆矩阵、PR/ROC 等指标；同时用 DTW 动态时间规整校验动作与标准套路的一致性，把距离映射为百分制等级。OpenCV 处理图像视频帧与骨架绘制，线程锁保证推理串行安全。主要第三方库为 PyTorch、OpenCV、NumPy、scikit-learn、matplotlib、Pillow 与 dwebsocket。