COCO（Common Objects in Context）是一个大规模的用于对象检测、分割和字幕生成的数据集，其相关信息总结如下： 1. 重要通知 - LVIS 2021挑战赛和研讨会将在ICCV举行，2021年无COCO挑战赛，鼓励参与LVIS 2021挑战赛。 - 与开源工具FiftyOne合作，便于下载、可视化和评估COCO，FiftyOne可作为模型分析的评估工具。 2. 数据集特点 - 包含330K图像（超200K已标注）、150万个对象实例、80个对象类别、91个stuff类别、每张图像5条字幕、250,000个带关键点的人。 - 具有对象...

Read more

目标检测是计算机视觉领域中的一项重要任务，旨在从图像或视频中识别出特定目标的位置和类别，以下是详细介绍：

任务定义

• 输入一幅图像或一段视频，目标检测系统需要在其中找出感兴趣的目标物体，确定它们的位置和类别。位置通常用边界框（Bounding box）表示，类别可以是各种预定义的物体类别，如人、车、动物、物体等。

主要技术

• 传统目标检测方法：主要基于手工特征和机器学习算法，如Haar特征与Adaboost分类器结合的Viola-Jones算法，以及HOG特征与SVM分类器结合的方法。这些方法先通过手工设计的特征提取器提取图像特征，再使用分类器进行目标分类和定位。
• 基于深度学习的目标检...

Read more

健康检查功能

自检功能

自动修复/故障自愈功能

自动化部署功能

• 自动部署系统
• setups
• 一键能够拉起系统

自动测试系统

监控系统

存活监控

性能监控

调用链监控

todolist

• 申请免费的一年期的免费证书
• 在one.aicda.fun上 拉取最新代码然后 docker-compose up 完成部署
• 修改数据库连接地址 与集合 CanTradeStock *

Read more

预测模块

• 问题：预测股票价格功能 3000只股票-需要时间大概6个小时
• 剥离数据采集功能 单独执行
• 预测价格功能 多进程方案重写
• 入库功能-待定-可以采用redis实现异步写功能

2025-04-23

Todo

默认预测取得数据是365 天， 如果股票的真实数据小于365 天会报错

Read more

统计功能

• 历史预测价格追踪
• 集合竞价9:15-9:30 价格变化可视化-折线图

数据分析

预测准确率

mongodb数据库连接为192.168.3.3， 文档predictPrice 存放预测的股票价格数据 文档内各字段含义 predict_date: 预测日期字段 change_percentage 涨跌幅百分比, latest_price: 昨天价格, predicted_price 预测今天的价格, price_change: 价格变动数额, generate_date: 生成日期字段 使用 akshare.stock_zh_a_...

Read more

任务列表

Todo

接口数据请求 并发处理，加入消息队列，进行并行请求

使用多个机器进行并发请求

后端接口

StockAPI

todo * 更新canTradeStockSet 的API 接口

• 数据采集接口

• 预测收盘价格接口

• 预测股票接口

修改后段接口增加参数 生成日期 写个函数 实现功能 给所有文档增加一个字段 生成日期 值为‘2024-11-20’

根据添加股票页面， 设计一个addStock 的fastapi 生成到main.py 中， 数mongodb 连接地址为192.168.3.3 据库为stock_database， 文档为 stocksBought

Read more

前端模块

AICDA智能投顾体的前端模块作为用户交互的页面，具有至关重要的作用。 它主要提供直观清晰的用户界面，以简洁明了的方式展示各类投资产品信息、市场动态等内容，方便用户快速了解投资概况。 同时，具备便捷的操作功能，如账户注册登录、投资组合创建与调整、交易下单等，使用户能轻松进行操作。 而且，前端模块注重用户体验，界面设计美观大方，响应迅速，还能根据用户行为和偏好进行个性化推荐，为用户提供高效、舒适的智能投顾服务体验。

功能

已有功能

• 登陆
• 添加股票
• 自动盯盘
• 预测价格日历

Todo功能

• 编辑已买股票
• 一键删除已买股票功能

前端页面

登陆功能

登陆界面

• 客户级别
• 钻石级别 ...

Read more

采集模块

数据源

• 数据采集 一直不完整

每日数据采集功能

• 所有的股票信息 数目
• ST 可交易的 不可以交易
• 采集失败的任务，确保重试机制
• 定时任务

Read more

非极大值抑制（Non-Maximum Suppression，NMS）是目标检测中用于去除冗余检测框的一种重要算法，以下是关于它的详细介绍：

算法原理

• 在目标检测任务中，模型会对每个目标生成多个检测框，这些检测框可能有不同的置信度得分，并且会存在大量重叠的情况。NMS的目的就是在这些检测框中筛选出最具代表性的、置信度最高的检测框，同时抑制那些与它重叠度较高的冗余检测框。
• 算法首先根据检测框的置信度得分进行排序，选择得分最高的检测框作为基准框，然后计算其他检测框与该基准框的交并比（IoU）。如果某个检测框与基准框的IoU大于预先设定的阈值，则认为该检测框是冗余的，将其抑制（即从检测结果中...

Read more

基于Python的股票分析与量化交易入门到实践

Read more