智慧城管出店经营识别算法通过AI视频智能分析技术，智慧城管出店经营识别算法对城市街道画面进行实时分析，算法可以实现违规摆摊检测、街道垃圾监测、违章停车识别、违规广告、出店经营检测、公共设施破坏、游摊小贩识别等违规识别。智慧城管出店经营识别算法通过AI技术手段提高城管对城市各个街道的巡查监管的工作效率。算法可以真正做到事前预警、事中高效检测预警。
在架构方面，E-ELAN 只改变了计算块的架构，而过渡层（transition layer）的架构完全没有改变。YOLOv7 的策略是使用组卷积来扩展计算块的通道和基数。研究者将对计算层的所有计算块应用相同的组参数和通道乘数。然后，每个计算块计算出的特征图会根据设置的组参数 g 被打乱成 g 个组，再将它们连接在一起。此时，每组特征图的通道数将与原始架构中的通道数相同。最后，该方法添加 g 组特征图来执行 merge cardinality。除了保持原有的 ELAN 设计架构，E-ELAN 还可以引导不同组的计算块学习更多样化的特征。
随着社会的发展和人们生活的快速进步，大家对于城管各个违规行为巡检越来越重视。近年来在城市管理中面临以下问题： 信息滞后，管理点多面广缺乏技术手段，难以点面兼顾，管理被动后置，投诉多、管理范围不清，曝光少，运动式管理，范围交叉，相互推诿，缺乏长效机制。在管理方式上主要依靠传统人工巡检模式，先进技术运用不够，缺乏主动的及时的监督。算法提升了民众的生活质量，切实改善民众居住环境。
YOLOv7 的发展方向与当前主流的实时目标检测器不同，研究团队希望它能够同时支持移动 GPU 和从边缘到云端的 GPU 设备。除了架构优化之外，该研究提出的方法还专注于训练过程的优化，将重点放在了一些优化模块和优化方法上。这可能会增加训练成本以提高目标检测的准确性，但不会增加推理成本。研究者将提出的模块和优化方法称为可训练的「bag-of-freebies」。
# From Mr. Dinosaur
import os
def listdir(path, list_name): # 传入存储的list
for file in os.listdir(path):
file_path = os.path.join(path, file)
if os.path.isdir(file_path):
listdir(file_path, list_name)
else:
list_name.append(file_path)
list_name = []
path = 'D:/PythonProject/data/' # 文件夹路径
listdir(path, list_name)
print(list_name)
with open('./list.txt', 'w') as f: # 要存入的txt
write = ''
for i in list_name:
write = write + str(i) + '\n'
f.write(write)智慧城管出店经营识别算法基于AI视频智能分析技术，算法通过街道已有的监控摄像头，对视频中的违规行为进行实时分析上报，将城市街道人员违规摆摊占道经营游摊小贩等分析结果实时传送平台，算法通过AI视觉分析技术，实现“非现场”检测，主动识别预警。实现监管实时性解决无法达到"第一时间发现问题、解决问题”的传统难题。
