harmonyos开发者社区,HarmonyOS开发者创新大赛结果公布,社区渠道参赛队伍战果斐然...

article/2025/8/23 13:20:07

3fc48c58d2c92483a2e1993a535823c6.png

HarmonyOS开发者创新大赛是华为HarmonyOS开发者生态建设的重要一环,致力于挖掘优秀的应用创新人才及项目。参赛队伍基于HarmonyOS的创新特性,结合应用场景,开发出具有全新体验、全新交互的终端应用。对有市场前景的项目,华为不吝帮助其链接自有生态资源,加速HarmonyOS创新应用落地,助力参赛项目实现商业价值,进而推进HarmonyOS生态建设。

华为HarmonyOS开发者创新大赛于4月25日在深圳举行了颁奖典礼,历时五个多月,共计3100支参赛队伍报名,23支队伍通过最终评审闯入决赛。此次通过最终评审的23支参赛队伍中,16支队伍是通过51CTO HarmonyOS技术社区渠道报名参赛,并取得了非常不错的成绩。最终评选结果如下:

4cbae6f90b3ad9575d0e2035512d9452.png

《Labo涂鸦鸿蒙亲子版》

参赛队伍:Labo儿童艺术创想

指导老师:张荣超

作品展示:

a833c3f435bc0a63b863d6f78ca1d2e9.png

f7b423b5c09fcfa0a2ed9d26b388d39a.png

《分镜头》

参赛队伍:鸿蒙OS研发小分队

指导老师:张荣超

作品展示:

d5de64d9c1a6eaad0686a52eccf1a143.png

《Tan探索者》

参赛队伍:齐家意志

指导老师:董昱

作品展示:待更新

5e139acbb79dd38170e54cc68903f13b.png

《翻滚吧大西瓜》

参赛队伍:北京鸿蒙开发者联盟

作品展示:待更新

《分布式小车》

参赛队伍:聚星

指导老师:钟洪发

作品展示:待更新

《飞机大战》

参赛队伍:鸿蒙大圣队

指导老师:徐礼文

作品展示:待更新

《智能农场》

参赛队伍:开拓者战队

指导老师:李传钊

作品展示:待更新

《智能三角警示牌》

参赛队伍:凌云战队

指导老师:张荣超

作品展示:待更新

afeb15eece87ae23142373e2ede3255c.png

《牛气记账本》

参赛队伍:双子科技

《不只是冰箱》

参赛队伍:harmony_frist_team

指导老师:张荣超

《方寸云笔记》

参赛队伍:骏图软件

《酷特简谱》

参赛队伍:Cutimidi

《顺哒校园》

参赛队伍:鸿蒙无敌-所向披靡

《农业大棚温湿度检测控制系统》

参赛队伍:卓越之星

《小北计时器》

参赛队伍:3721

《折腾吧》

参赛队伍:聆芯网络

《西窗烛》

参赛队伍:西窗烛

指导老师:孙洋

《点滴助手》

参赛队伍:灼灼其华

《Dchart图表》

参赛队伍:Dweb工作室

《时光序》

参赛队伍:A-Team

指导老师:李玮玮

《智能行李箱》

参赛队伍:花果山

《居家和》

参赛队伍:居家和

《E智签》

参赛队伍:OneTake

最佳导师奖

dd4d55f0d723bd64e26c1837b930ea5d.png

感谢大赛指导老师们的辛勤付出,张荣超老师此次一共指导了四支队伍,分别斩获一等奖(《Labo涂鸦鸿蒙亲子版》)、二等奖(《分镜头》)、三等奖(《智能三角警示牌》)、创新科技奖(《不只是冰箱》)!

我们相信这些参赛队伍在这为期五个多月的磨练中已脱胎换骨。在成员之间的磨合中,理解了协作的重要性;在与代码的较量中,重新认知新技术;在大赛老师的指导下,开阔了眼界;面对严格的项目评审,认清了理想与现实......

【编辑推荐】

【责任编辑:jianghua TEL:(010)68476606】

点赞 0


http://chatgpt.dhexx.cn/article/rRn2D66n.shtml

相关文章

凌云抒志 星海航帆 | 汇佳学校MYP社区设计展隆重举办

毕业,一个带着憧憬、喜悦和不舍的复杂字眼。在那些不曾预料的挑战和困难中,拥有不寻常经历的2022届MYP毕业生,通过为期一年的社区服务与行动,为这个词增添了新的注解:毕业,还需要“勇气”与“坚毅”&#x…

YOLOv2相比于yolov1的改进

1.Batch Normalization Batch Normalization可以提升模型收敛速度,而且可以起到一定正则化效果,降低模型的过拟合。在YOLOv2中,每个卷积层后面都添加了Batch Normalization层,并且不再使用droput。使用Batch Normalization后&…

YOLOv1,YOLOv2,YOLOv3解读

本文依次讲解YOLOv1,v2,v3。博客地址https://blog.csdn.net/hancoder/article/details/87994678 文章目录 YOLOv11.1 Introduction1.2 Unified Detection1.3 网络框架1.4 Loss解读LOSS: 1.5 test附:NMS示例: 1.7 YOLOv1结语待解决问题 YOLOv22.1 Better更…

Yolov2模型——pytorch实现

论文传送门:YOLO9000: Better, Faster, Stronger Yolov2的改进: 1.批标准化(Batch Normalization):在conv后加入BN(conv不再使用bias),改善模型的收敛性,同时去掉dropout; 2.高分辨率分类器(High Resolut…

【YOLO系列】--YOLOv2超详细解读/总结

本章论文: YOLOv2论文(YOLO9000: Better, Faster, Stronger)(原文+解读/总结+翻译) YOLO系列解读直通车🚀: YOLO系列-【YOLOv1】🚀 YOLO系列-【YOLOv2】&a…

YOLOv1、YOLOv2和YOLOv3对比

YOLOv1、YOLOv2和YOLOv3对比 R-CNN系列YOLOv1结构目标输出网络训练YOLOv1的局限性和R-CNN系列的对比 YOLOv2结构目标输出网络训练关于YOLO9000 YOLOv3结构目标输出网络训练YOLOv3系统做过的不成功的尝试 未来 YOLO深度卷积神经网络已经经过原作者Joseph Redmon已经经过了3代4个…

YOLOv2 论文笔记

论文地址:YOLO9000: Better, Faster, Stronger 项目主页:YOLO: Real-Time Object Detection (最近博客下很多人请求Caffe 代码,受人所托,已经不再提供,且关闭本文评论,望请见谅) …

YOLO - v1

先理解预测阶段: 1)一个448*448*3的图像经过YOLO这个黑箱输出一个7*7*30矩阵; 2)7*7*30的矩阵中的30维是5520;5是预测的bbox的x,y,w,c;20是20个类别的条件概率; 解释c: 解释条件概率:它的意义是…

YOLOV2网络模型

目录 资料 网络模型原理 网络框架 相对于yoloV1的改进 Batch Norm High Resolution Classifier Convolutional With Anchor Boxes Dimension Clusters New Network:Darknet-19 Direct location prediction PassThrough Multi-Scale Training Loss YOLOV2的训…

YOLOv3

YOLOv3 论文信息论文标题:论文作者:收录期刊/会议及年份: 论文学习YOLOv3 网络架构:YOLO 输出特征图解码(前向过程):训练策略与损失函数(反向过程):精度与性能…

从YOLO到YOLO v2再到YOLO v3

配置相关博客链接: YOLO V3-GPU版本在Windows配置及注意事项 YOLO v3在Windows下的配置(无GPU)opencv3.2.0VS2015 前不久YOLO v3出来了,就迫不及待的想试一下。以前装过darknet所以我把整个darknet的文件夹全部删掉。 然后按照…

yolovx

1.输入端 (1)Strong augmentation Yolox主要采用了Mosaic、Mixup两种数据增强方法 有两点需要注意: (1)在训练的最后15个epoch,这两个数据增强会被关闭掉。 而在此之前,Mosaic和Mixup数据增…

史上最通俗易懂的YOLOv2讲解

博主本来想自己写一篇关于YOLOv2的论文笔记的,在找资料的过程中看到这篇天秀的博客,就“据为己用”了。不得不出,很多大佬写的都太深刻了,还是转载比较舒服点~~~~~~ 本文转自目标检测|YOLOv2原理与实现(附YOLOv3) 前 言 在前面的…

【目标检测】YOLOV2详解

前言 前面我们已经讲解过了YOLOV1,因此在这里我会接着前几天的讲解,进一步写一下YOLOV2的基本思想和改进。 YOLOv2的论文全名为YOLO9000: Better, Faster, Stronger,它斩获了CVPR 2017 Best Paper Honorable Mention。在这篇文章中&#xf…

YOLOv2目标检测算法——通俗易懂的解析

目录 YOLOv2目标检测算法前沿一.YOLOv2的改进1.1.BN1.2.High Resolution Classifier1.3.anchor1.4.Fine-Grained Features(细粒度特征)1.5.Multi-Scale Training 二.损失函数三.检测更多类别 YOLOv2目标检测算法 前沿 前面我们讲过了YOLOv1目标检测算法,不了解的小…

YOLOP v2

还是先道歉啊 就是自学求知 又一个自称更好的!! 网上找到的就发了 不知道 大伙用的怎么样啊 更好、更快、更强 ... YOLOv7结合YOLOP的多任务版本 论文链接:https://arxiv.org/pdf/2208.11434v1.pdf 代码链接:https://github.com/CAIC-AD/YOLOPv2 在…

YOLO系列(V1-V2-V3)

yolo系列整理 版本作者主页程序论文yoloV1点击打开点击打开点击打开yoloV2点击打开点击打开点击打开yoloV3点击打开点击打开点击打开 改进 V2 VS V1: 增加BN层: 解决问题:每层的输入分布一直在改变,训练难度增加;采取措施&am…

YOLO_v2讲解

文章目录 一:YOLO_v2的改进二:网络细节【BN层取代了Dropout】【高分辨率分类器】【Anchor思想】【K-means选定先验框】【预测坐标相对于Grid Cell的位置】【细粒度的特征】【多尺度训练】 三:损失函数四:YOLO_v2的不足 一&#xf…

YOLOV2原理理解

YOLOV2 一、YOLOV1的不足之处二、YOLOV2的改进论文精读AbstractIntroductionBetter(重点笔记)FasterStronger(非重点) 三、YOLOV2网络的输出输出结果解释输出图示 四、YOLOV2的LOSS函数五、Kmeans聚类——anchor box六、YOLOV2算法总结七、关于YOLOV2中a…

【目标检测】单阶段算法--YOLOv2详解

论文题目:《YOLO9000: Better, Faster, Stronger》 论文地址:https://arxiv.org/pdf/1612.08242.pdf 一文读懂YOLOv1:YOLOv1 一文读懂YOLOv3:YOLOv3 一文读懂YOLOv4:YOLOv4 1. 前言 在前面的一篇文章中,我…