TGTGInsightтелеграм анализLIVE / telegram public index
← Такты, стеки, два колеса

TGINSIGHT SIMILAR POSTS

Намери подобно съдържание

Изходен канал @clockstackwheels · Post #452 · 19.07

Наконец выдалось время, и реализовал несколько сценариев умного дома в квартире. Один из них банальный — управление светом в прихожей. Прихожая далеко от окон — если не считать санузлы, то только она нуждается в искусственном освещении в любое время года и суток. Оказалось прямо очень удобно, и входя домой (свет по открытию двери) не искать выключатель, и подходя к двери, чтобы открыть курьеру или ответить на домофон (свет по движению). Обратный сценарий тоже важен: при отсутствии движения в течение пары минут свет в прихожей гаснет. Реализуется очень частый в моей жизни кейс, когда ты заходишь домой с какими-нибудь сумками, которые несёшь сразу на кухню, и приходится возвращаться обратно, чтобы нажать на выключатель. Все сделано на базе Aqara. Кажется, только у них есть и многообразие устройств, и отсутствие необходимости делать в квартире ремонт. Отдельно хороши Zigbee-выключатели без нейтрали, питающиеся от тока утечки. Взять нейтраль в уже установленных коробках было бы просто неоткуда. Естественно, поддерживается голосовое управление в том числе. И ещё добавил уюта: при низком освещении (вечером и ночью) в момент входа на кухню включается мягкая лампа на подоконнике. Тоже постоянный в нашей практике случай: пошел ночью воды попить, верхний свет включать слишком жёстко, а вручную пока до этой лампы дойдёшь через всю кухню, пока выключатель нащупаешь... Очень приятное чувство — дом будто бы живой и реагирует на присутствие человека. #gadgets

Hashtags

Резултати

Намерени 1 подобни публикации

Търсене: #mdl

当前筛选 #mdl清除筛选
GitHub Trends

@githubtrending · Post #15271 · 05.11.2025 г., 12:30

#cplusplus#arm#baidu#deep_learning#embedded#fpga#mali#mdl#mobile#mobile_deep_learning#neural_network Paddle Lite is a lightweight, high-performance deep learning inference framework designed to run AI models efficiently on mobile, embedded, and edge devices. It supports multiple platforms like Android, iOS, Linux, Windows, and macOS, and languages including C++, Java, and Python. You can easily convert models from other frameworks to PaddlePaddle format, optimize them for faster and smaller deployment, and run them with ready-made examples. This helps you deploy AI applications quickly on various devices with low memory use and fast speed, making it ideal for real-time, resource-limited environments. It also supports many hardware accelerators for better performance. https://github.com/PaddlePaddle/Paddle-Lite