If it's on the screen, it's an API. Control any desktop app via REST + MCP. Rust.

High Speed Eye Tracking for Point Gray USB3.0 Cameras

EOG signal acquisition, classificaion and control

Script simples que adiciona oculos a imagens de rostos capturados pela webcam

Inspiração Numa brincadeira de palavras, nasce a vontade de criar uma ferramenta, que em princípio educa os usuários dessa nova mobilidade, chamada de micromobilidade, mas também conecta as pessoas com a cidade, estimula o bom comportamento e cidadania, cria possibilidades de negócios entre privado e público e tudo isso de uma forma dinâmica e divertida. Em nome do bem social, nós nos sentimos impactados com as recentes fatalidades de usuários de patinetes eletricos ao redor do planeta todo. Com essa visão de 360 graus, a decisão de ferramenta foi bem natural. Precisamos abrir os olhos da sociedade, interpretar diversos pontos de vista e extrapolar nosso limitado campo de visão. Com react 360, cada decisão irá gerar uma nova reação. Como Construímos Para desenvolver nossa solução utilizamos o framework React 360 do Facebook para criar o ambiente virtual e realizamos diversas gravações com câmera 360. Para criação e estilização dos elementos da interface do usuário aplicamos componentes reutilizáveis do React 360. Desafios 1 - Entender o escopo e recursos tecnológicos do React, algumas dúvidas não foram encontradas diretamente na documentação. 2 - Entender sobre o funcionamento de câmeras 360, realizar e refazer as gravações, fazer a edição e importar ao projeto. Próximos Passos 1 - Ampliar a quantidade de finais que o jogo possui. 2 - Trazer mais opções de interações que o usuário pode ter com o ambiente. 3 - Continuar desenvolvendo a aplicação para usá-la em óculos 360 ou transformar em um app

Python and ROS implementation of an SNN on Intel's Loihi neuromorphic processor mimicking the oculomotor system controlling a biomimetic robotic head

Oculomotor environment/task library.

WBAI 2018 Hackathon Oculomotor Project Repository.

A simple and intuitive JavaScript 2D virtual camera for animating HTML

Unity framework for scientific research using HTC Vive Pro Eye and SRanipal SDK. Includes high-frequency eye tracking (120 Hz), gaze-contingent rendering, and experimental tasks for detecting saccades, smooth pursuits, and vergence.

Eye Tracking for Point Grey USB3 Cameras

Loja online de exmplo para o nicho de óculos VR

No description available

An app that helps the visually impaired classify, identify, and read out bill values

Eye Tracking for Point Gray Cameras (linux)

Oculo — AI-Powered Native Browser. Cursor:VSCode :: Oculo:Chrome. 7 MCP tools, open-source.

System monitoring frontend for collectd

Gym environment class and examples for oculoenv (Oculomotor task environments).

No description available

Primeiro projeto em React

👓 - Sistema para gestão de oculos para laboratorio

Detrending with CSC on Oculographic signals

Loja de óculos criada em estrutura react utilizando import/export componentes.

Data formatting OxIOD dataset for training TLIO, a CNN/ResNET Neural Network.

Resumo do Projeto: Óculos Inteligentes com Detecção de Obstáculos Objetivo: Criar óculos inteligentes que alertem o usuário sobre obstáculos próximos, proporcionando segurança e assistência para pessoas com deficiência visual ou em ambientes com visibilidade limitada

Diffex analysis of MS proteomic vitreous data from PDR and MH clinical samples.

Previsão de Tempo de Trabalho Hadoop Código utilizado para realizar algumas experiências de predicções de trabalho do Hadoop usando o OpenStack Sahara. Detalhes do tamanho do cluster O mestre e os escravos dos clusters tinham um sabor com as seguintes configurações: 2 VCPUs 45 GB de HD 4 GB de RAM Troca de 4 GB Executando a experiência Para executar esta experiência primeiro você deve: Obter a entrada Compile classes na pasta de origem e obtenha o arquivo jar. Ou obtenha o arquivo jar disponível neste repositório. Coloque o que é necessário no Sara Crie um arquivo de configuração do Json com a mesma estrutura de "configuration_default.json" Deixe este experimento impressionante correr e ir ter algum bom tempo, ele irá enviá-lo quando ele é feito;) Gerar gráficos para obter um resultado mais visual 1. Obtendo o arquivo de entrada O arquivo de entrada usado no experimento pode ser acessado neste link . Este arquivo foi gerado por TeraSortGen de Hadoop 1.2.1 exemplos, fazendo o seguinte comando: bin/hadoop jar hadoop-examples-1.2.1.jar terasortgen 50000000 Se você quiser gerar o arquivo você mesmo, você deve: Instale o hadoop 1.2.1 Descompacte o Hadoop baixado. Edite o arquivo conf / hadoop-env.sh para definir pelo menos JAVA_HOME como a raiz da sua instalação Java. Então corra : bin/hadoop jar hadoop-examples-1.2.1.jar terasortgen 50000000 Em caso de dúvidas: mais informações sobre o TeraSortGen aqui 2. Compilar as classes e gerar o arquivo JAR Para compilar as classes você deve: Tenha hadoop 2.6.0 instalado, você pode ter mais informações sobre como fazê-lo aqui Baixe a pasta de origem e coloque-a no mesmo diretório que o hadoop está instalado (você pode colocar a pasta de origem em outro lugar, mas torna mais fácil se tudo estiver no mesmo lugar e você pode excluí-la quando terminar se você Não quero isso na pasta hadoop) Depois de obter a pasta de origem (e está na mesma pasta do hadoop), compile as classes com os comandos thess: $export JAVA_HOME=/usr/java/default $export PATH=${JAVA_HOME}/bin:${PATH} $export HADOOP_CLASSPATH=${JAVA_HOME}/lib/tools.jar $ bin/hadoop com.sun.tools.javac.Main source/*.java Agora crie o frasco em execução: $jar cf experiment.jar source/*.class Se você tiver dúvidas sobre os tópicos 2 e 3, você pode ter mais informações sobre ele aqui . 3. Colocar o que é necessário no Sara Crie um key_pair, se você já tiver um que você pode usá-lo (O caminho local de sua chave pública e privada será necessária) Você terá que colocar o frasco como binário de trabalho no Sahara e criar um modelo de trabalho do tipo JavaAction para cada trabalho (PiEstimator, TeraSort e WordCount). Você pode ter acesso a um processo similar aqui . Você terá que criar um modelo de grupo de nó mestre e woker e um modelo de cluster com nós (3,4,5, ... 10). Um processo semelhante pode ser visto aqui . Criar um volume e colocar o arquivo de 5GB nele. Você pode entrar em contato comigo se você precisar de ajuda neste processo, eu pretendo fazer algum post sobre isso, e quando eu fizer vou colocar aqui! 4. Altere o arquivo de configuração do json Você pode obter todas essas informações através do Horizon, exceto: public_keypair_path, private_keypair_path e private_keypair_name que somente você tem acesso. 5. Corra, baby, corra! Agora tudo deve estar pronto para correr :coração:! Você pode executar esta experiência de duas maneiras diferentes: Correndo $python runExperiment.py <number of executions> <configuration path> <output file name> Com número de execuções = 8 Running $python runExperimentIndividuall.py <number of executions> <number of cluster nodes> <configuration path> <output file name> Com número de execuções = 8 e número de cluster = [3,10] 6. Gerar gráficos Agora que você tem os arquivos ouput, a etapa final é gerar os gráficos. Se você usou runExperimentIndividually.py você deve concatenar todos os arquivos em um, você pode fazer isso por: $ cat <output_1_node> <output_2_nodes> <output_3_nodes> ... > output_exp ATENTION: antes de executar scripts, altere os nomes input_file e output_file. Verifique também se os arquivos estão na mesma pasta ou altere o caminho no começo do script com o comando: setwd("your_path") Em seguida, vá para a pasta de análise e faça o seguinte: Executar o filtrado. Ele irá gerar um novo arquivo nomeado como output_name. Execute KNN.R no arquivo gerado anteriormente e ele gerará um novo arquivo. Execute graphs_cost.R e graphs_prediction.R com a entrada = saída KNN.R. Eles vão gerar gráficos em formato pdf. E agora você tem alguns gráficos impressionantes :oculos de sol: !!!

loja de óculos

Óculos ultrassom desenvolvido como uma tecnologia open-source, auxiliando na propriocepção a nível da cabeça, para complementar tecnologias assistivas atuais.

Oculo is a crash-safe, SQLite-backed AI agent observability runtime with deterministic anomaly detection and memory mutation diffing, built for developers who need full transparency into agent execution.