目前，许多运动检测技术都是基于简单的背景差分概念的，即假设摄像头（视频）的曝光和场景中的光照条件是稳定的，当摄像头捕捉到新的帧时，我们可以从参考图像中减去该帧，并取这个差的绝对值，以获得帧中每个像素位置的运动测量值。如果帧的任何区域与参考图像有很大的不同，我们就认为给定区域中是一个运动物体。
常用的有MOG2：
fgbg = cv2.createBackgroundSubtractorMOG2(
detectShadows=False, # disable shadow det[......]
convert ./assets/icon.png -fill "#C7EDCC" -colorize 100 ./assets/icon.png
[......]
HuggingFace的transformers库提供了各种SOTA开源模型的方案，而且做了整合链，很方便使用。
1 安装
pip install transformers
2 做情感分析任务
数据准备
from transformers import pipeline
import numpy as np
import pandas as pd
import seaborn as sn
# prepare data
df = pd.read_csv("Airline[......]
需求是这样子的：
访问/service--env/xxx，能够反代到env.coder4.com/service/xxx上
其实location和proxy_pass是能够支持正则的，只是有一个很诡异的限制条件：proxy_pass中不能含有/，这个没搞懂原因。
最终的实现如下：
location ~ ^/service--([^/]*)/(.*)$ {
resolver 127.0.0.53;
set $venv $1;
set $new_uri /ser[......]