Recherche avancée

Médias (91)

Autres articles (77)

  • La file d’attente de SPIPmotion

    28 novembre 2010, par

    Une file d’attente stockée dans la base de donnée
    Lors de son installation, SPIPmotion crée une nouvelle table dans la base de donnée intitulée spip_spipmotion_attentes.
    Cette nouvelle table est constituée des champs suivants : id_spipmotion_attente, l’identifiant numérique unique de la tâche à traiter ; id_document, l’identifiant numérique du document original à encoder ; id_objet l’identifiant unique de l’objet auquel le document encodé devra être attaché automatiquement ; objet, le type d’objet auquel (...)

  • MediaSPIP v0.2

    21 juin 2013, par

    MediaSPIP 0.2 est la première version de MediaSPIP stable.
    Sa date de sortie officielle est le 21 juin 2013 et est annoncée ici.
    Le fichier zip ici présent contient uniquement les sources de MediaSPIP en version standalone.
    Comme pour la version précédente, il est nécessaire d’installer manuellement l’ensemble des dépendances logicielles sur le serveur.
    Si vous souhaitez utiliser cette archive pour une installation en mode ferme, il vous faudra également procéder à d’autres modifications (...)

  • Le profil des utilisateurs

    12 avril 2011, par

    Chaque utilisateur dispose d’une page de profil lui permettant de modifier ses informations personnelle. Dans le menu de haut de page par défaut, un élément de menu est automatiquement créé à l’initialisation de MediaSPIP, visible uniquement si le visiteur est identifié sur le site.
    L’utilisateur a accès à la modification de profil depuis sa page auteur, un lien dans la navigation "Modifier votre profil" est (...)

Sur d’autres sites (11358)

  • RTSP Streaming Server C++

    24 août 2020, par Lakshya

    I would like to write a RTSP streaming server using C++. Multiple clients will be connected to this server for receiving the streamed data.

    


    What I understand is that I need to do socket programming in C++ for client server architecture.

    


    I know FFMPEG has command line support for streaming audio/video. But my requirement is writing a client server socket model in C++.

    


    I had a look at https://www.medialan.de/usecase0001.html

    


    I am also looking at this. https://www.youtube.com/watch?v=MEMzo59CPr8

    


    but I am not sure if this will help me.

    


    For streaming the audio/video data, Do i need to use FFMEPG APIs. If yes, which libraries of FFMPEG i need to use ?.

    


  • dnn_backend_native_layer_mathunary : add tan support

    6 juin 2020, par Ting Fu
    dnn_backend_native_layer_mathunary : add tan support

    It can be tested with the model generated with below python scripy
    

    import tensorflow as tf
    
import numpy as np
    
import imageio
    

    in_img = imageio.imread('input.jpeg')
    
in_img = in_img.astype(np.float32)/255.0
    
in_data = in_img[np.newaxis, :]
    

    x = tf.placeholder(tf.float32, shape=[1, None, None, 3], name='dnn_in')
    
x1 = tf.multiply(x, 0.78)
    
x2 = tf.tan(x1)
    
y = tf.identity(x2, name='dnn_out')
    

    sess=tf.Session()
    
sess.run(tf.global_variables_initializer())
    

    graph_def = tf.graph_util.convert_variables_to_constants(sess, sess.graph_def, ['dnn_out'])
    
tf.train.write_graph(graph_def, '.', 'image_process.pb', as_text=False)
    

    print("image_process.pb generated, please use \
    
path_to_ffmpeg/tools/python/convert.py to generate image_process.model\n")
    

    output = sess.run(y, feed_dict=x : in_data)
    
imageio.imsave("out.jpg", np.squeeze(output))
    

    Signed-off-by : Ting Fu <ting.fu@intel.com>
    
Signed-off-by : Guo Yejun <yejun.guo@intel.com>
    • [DH] libavfilter/dnn/dnn_backend_native_layer_mathunary.c
    • [DH] libavfilter/dnn/dnn_backend_native_layer_mathunary.h
    • [DH] tools/python/convert_from_tensorflow.py
    • [DH] tools/python/convert_header.py

  • dnn_backend_native_layer_mathunary : add abs support

    25 mai 2020, par Ting Fu
    dnn_backend_native_layer_mathunary : add abs support

    more math unary operations will be added here
    

    It can be tested with the model file generated with below python scripy :
    

    import tensorflow as tf
    
import numpy as np
    
import imageio
    

    in_img = imageio.imread('input.jpeg')
    
in_img = in_img.astype(np.float32)/255.0
    
in_data = in_img[np.newaxis, :]
    

    x = tf.placeholder(tf.float32, shape=[1, None, None, 3], name='dnn_in')
    
x1 = tf.subtract(x, 0.5)
    
x2 = tf.abs(x1)
    
y = tf.identity(x2, name='dnn_out')
    

    sess=tf.Session()
    
sess.run(tf.global_variables_initializer())
    

    graph_def = tf.graph_util.convert_variables_to_constants(sess, sess.graph_def, ['dnn_out'])
    
tf.train.write_graph(graph_def, '.', 'image_process.pb', as_text=False)
    

    print("image_process.pb generated, please use \
    
path_to_ffmpeg/tools/python/convert.py to generate image_process.model\n")
    

    output = sess.run(y, feed_dict=x : in_data)
    
imageio.imsave("out.jpg", np.squeeze(output))
    

    Signed-off-by : Ting Fu <ting.fu@intel.com>
    
Signed-off-by : Guo, Yejun <yejun.guo@intel.com>
    • [DH] libavfilter/dnn/Makefile
    • [DH] libavfilter/dnn/dnn_backend_native.h
    • [DH] libavfilter/dnn/dnn_backend_native_layer_mathunary.c
    • [DH] libavfilter/dnn/dnn_backend_native_layer_mathunary.h
    • [DH] libavfilter/dnn/dnn_backend_native_layers.c
    • [DH] tools/python/convert_from_tensorflow.py
    • [DH] tools/python/convert_header.py

Navigation