- 基于深度学习的目标检测算法综述:从RCNN到YOLOv13,一文看懂十年演进!
人工智能教程
深度学习目标检测算法人工智能自动驾驶YOLO机器学习
一、引言:目标检测的十年巨变2012年AlexNet拉开深度学习序幕,2014年RCNN横空出世,目标检测从此进入“深度时代”。十年间,算法从两阶段到单阶段,从Anchor-base到Anchor-free,从CNN到Transformer,从2D到3D,从监督学习到自监督学习,迭代速度之快令人目不暇接。本文将系统梳理基于深度学习的目标检测算法,带你全面了解技术演进、核心思想、代表算法、工业落地与
- Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现不同水果的检测识别(C#代码,UI界面版)
Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现不同水果的检测识别(C#代码,UI界面版))工业相机使用YoloV8模型实现不同水果的检测识别工业相机通过YoloV8模型实现不同水果的检测识别的技术背景在相机SDK中获取图像转换图像的代码分析工业相机图像转换Bitmap图像格式和Mat图像重要核心代码本地文件图像转换Bitmap图像格式和Mat图像重要核心代码Mat图像导入Yo
- yolo 目标检测600类目标
大霸王龙
行业+领域+业务场景=定制YOLO目标检测人工智能
1.模型架构调整类别适配:将YOLO输出层的类别节点数调整为600(如YOLOv5的detect.yaml中修改nc=600),并更新类别名称映射表(classes.txt)。骨干网络优化:若使用YOLOv5/v8,可升级骨干网络(如C3模块深度)或替换为更高性能的主干(如EfficientNet、ResNet-101),以增强复杂场景的特征提取能力。多尺度检测头:保留或扩展YOLO的多尺度输出(
- yolo检测常见指标
bigdata从入门到放弃
深度学习yoloYOLO目标跟踪人工智能深度学习
YOLO(YouOnlyLookOnce)作为经典的单阶段目标检测算法,其性能评估依赖于目标检测领域的通用指标。这些指标既衡量检测精度(是否准确识别物体类别、准确定位),也衡量检测速度(是否实时)。下面用通俗的语言详细解释核心指标:一、基础:判断“预测框是否有效”——IoU(交并比)目标检测的核心是“预测框”(模型输出的矩形框)是否准确覆盖“真实框”(人工标注的物体位置)。IoU是衡量两者重叠程度
- 【YOLO系列】YOLOv1详解:模型结构、损失函数、训练方法及代码实现
一碗白开水一
yolo系列助你拿捏AI算法YOLO人工智能目标检测计算机视觉
YOLOv1(YouOnlyLookOnce):实时目标检测的革命性突破✨motivation在目标检测领域,传统方法如R-CNN系列存在计算冗余、推理速度慢的问题。2016年提出的YOLO(YouOnlyLookOnce)首次实现端到端单阶段检测,将检测速度提升至45FPS(FasterR-CNN仅7FPS),彻底改变了实时目标检测的格局。其核心思想是将检测视为回归问题,实现"看一眼即知全貌"的
- 【三维目标检测】Complex-Yolov4详解(二):模型结构
Coding的叶子
Python三维点云实战宝典Complex-YoloComplex-Yolov4三维目标检测目标检测python
本文为博主原创文章,未经博主允许不得转载。本文为专栏《python三维点云从基础到深度学习》系列文章,地址为“https://blog.csdn.net/suiyingy/article/details/124017716”。Complex-Yolo网络模型的核心思想是用鸟瞰图BEV替换Yolo网络输入的RGB图像。因此,在完成BEV处理之后,模型的训练和推理过程基本和Yolo完全一致。Yolov
- YOLOv4详细介绍
不是二哈的柯基
YOLO系列深度学习pdfYOLO计算机视觉
YOLOv4是一种目标检测算法,是YOLO(YouOnlyLookOnce)系列的最新版本,由AlexeyBochkovskiy、Chien-YaoWang和Hong-YuanMarkLiao共同提出。相比于之前的版本,YOLOv4在速度和精度方面都有了显著的提升。下面是YOLOv4的一些详细介绍:模型结构YOLOv4采用了一种新的模型结构,称为CSPDarknet。这个结构类似于ResNet的残
- YOLOV8模型及损失函数
山居秋暝LS
计算机视觉PythonYOLO
YOLOV8代码分析1.YOLOV8相对于YOLOV5的改进2模型2.1模型主要模块2.1.1模型主要模块:2.1.2CBS、SPPF、Bottleneck、C2f、model3损失ultralytics/models/yolo/detect/train.py3.2.1生成anchor_points3.3.1把targets[9,6]变为[bs,max_gt,1+4]3.4获取预测框Pboxes3
- YOLOv4 介绍及其模型优化方法
1、YOLOv4介绍2020年4月,YOLOv4在悄无声息中重磅发布,在目标检测领域引起广泛的讨论。在YOLO系列的原作者JosephRedmon宣布退出CV领域后,表明官方不再更新YOLOv3。但在过去的两年中,AlexeyAB继承了YOLO系列的思想和理念,在YOLOv3的基础上不断进行改进和开发,于今年4月发布YOLOv4,并得到了原作者JosephRedmon的承认。YOLOv4可以使用传
- 【YOLO系列】YOLOv4详解:模型结构、损失函数、训练方法及代码实现
一碗白开水一
yolo系列助你拿捏AI算法YOLO目标跟踪人工智能目标检测计算机视觉论文阅读
YOLOv4详解:模型结构、损失函数、训练方法及代码实现motivationYOLO系列作者JosephRedmon与AlexeyBochkovskiy致力于解决目标检测领域的核心矛盾:精度与速度的平衡。YOLOv4的诞生源于两大需求:工业落地:在移动端/边缘设备实现实时检测(>30FPS)学术突破:无需昂贵算力(如1080Ti即可训练),在MSCOCO数据集达到SOTAmethods1.数据加载
- 夜间监控模糊不清?陌讯低光目标检测方案解读
2501_92474779
目标跟踪人工智能计算机视觉算法目标检测
开篇痛点:安防监控的检测困局在智慧城市建设浪潮下,安防监控面临核心矛盾:复杂场景中传统算法的泛化性短板日益凸显。某市级公安部门数据显示,夜间监控的误报率高达34%,雨雾天气下漏检率超40%。更严峻的是,密集人流场景中YOLOv5的ID丢失率达28%,实时预警几乎瘫痪——这恰是陌讯视觉算法v3.2的破局切入点。技术解析:三阶时空融合架构传统单帧检测在遮挡场景易失效,陌讯的创新在于时空联合建模:#陌讯
- 实时检测延迟超200ms?陌讯新框架FPS提速50%揭晓
2501_92474779
目标跟踪人工智能计算机视觉机器学习算法视觉检测
开篇痛点在现代安防监控场景中,实时目标检测(Real-timeObjectDetection)至关重要,但传统算法如FasterR-CNN或YOLOv5往往面临严峻挑战。实测数据显示:复杂环境下(如夜间低光照、人群密集区),漏检率(MissRate)高达15-20%,导致安全隐患;同时,检测延迟(Latency)常超过200ms,影响应急响应。例如,某城市交通监控系统报告,在雨雾天气中的车辆误报率
- 工业检测漏检率高?陌讯多模态算法降损 40%
2501_92473287
算法目标检测人工智能机器学习计算机视觉
开篇:工业检测的“隐形损耗”难题在汽车零部件、电子制造等精密工业场景中,传统视觉检测系统正面临严峻挑战:复杂光照下金属表面缺陷漏检率超15%,多类瑕疵并存时算法误判率高达20%,生产线因人工复检导致的停机损失年均超百万[1]。某新能源电池厂商曾反馈,基于开源YOLOv5的检测方案在极耳缺陷检测中,因无法区分“褶皱”与“裂纹”,导致合格产品误判率达8%,直接造成每月30万元物料浪费。这些问题的核心在
- 漏检率骤升20%的安防困局:陌讯动态剪枝技术如何破局
2501_92473199
人工智能机器学习算法目标检测计算机视觉视觉检测
1.开篇痛点:安防监控的夜间困局传统目标检测算法在复杂安防场景中面临三重挑战:光照敏感:低光环境下行人检测mAP暴跌至65%以下,夜间误报率高达40%目标遮挡:密集场景(如校园周界)漏检率超25%,某园区因货柜遮挡漏检损失超万元/次算力瓶颈:边缘设备(如JetsonXavier)运行YOLOv5仅12FPS,响应延迟>200ms某安防厂商反馈:40%误报率迫使每2小时人工复核,运维成本激增37%2
- YOLOv5激活函数替换与模型变体实验实战教程
机 _ 长
YOLO极致优化实战YOLO深度学习算法
YOLOv5激活函数替换与模型变体实验实战教程本教程面向已具备YOLOv5训练经验的开发者,系统讲解如何在YOLOv5中替换激活函数、构建模型变体,并结合本项目实际文件和命令,突出实用性和可操作性。内容涵盖激活函数原理、替换方法、配置文件讲解、训练实操、源码解读、实验对比与常见问题排查。完整代码见文末1.激活函数原理简介激活函数是深度神经网络中非线性建模的关键组件。常见激活函数包括:ReLU:简单
- [毕业设计]一些基于yolov5项目高分毕业项目源码下载地址汇总
海神之光.
毕设课程设计YOLO
项目名称下载地址车辆检测计数+车牌定位+车牌识别的yolov4模板检测与yolov5车牌检测与LPRNet车牌检测源码+模型+详细说明.zip点我下载基于改进后的YOLOv5目标检测模型实现人群密度检测系统源码+模型+详细说明.zip点我下载基于YOLOv5实现微藻智能化在线检测系统源码+图片+说明文档.zip点我下载YOLOv5deepsort算法船舶等交通工具监测计数UI界面源码.zip点我下
- 基于YOLOv5+pyQT6的目标检测系统通用项目模板
本项目开发基于YOLOv5+pyQT6的目标检测项目,用来集成YOLO的目标检测系统,作为该类系统的开发模板,旨在通过替换模型文件即可进行照片、视频、摄像视频流的检测,设置日志系统,记录系统的每一步操作,并集成其他功能作为该模板的辅助功能。具体效果如下:yolo目标检测系统模板1.概述智能目标检测系统V2.1是一款基于PyQt6和YOLOv5模型开发的桌面应用程序。它提供了一个现代化、直观且功能丰
- 标签助手:基于LabelImg和YOLOv5的图像半自动标注工具
伏容一Julia
标签助手:基于LabelImg和YOLOv5的图像半自动标注工具项目基础介绍标签助手(labelGo-Yolov5AutoLabelImg)是一个图形化的半自动图像注解工具,它结合了广受欢迎的图像标注工具LabelImg的力量与先进的目标检测框架YOLOv5。这个开源项目旨在简化数据集的标注过程,利用现有YOLOv5PyTorch模型实现快速的半自动化标注,极大地提高了标注效率。项目主要采用Pyt
- YOLO13:基于超图增强自适应视觉感知的实时目标检测
alpszero
YOLO计算机视觉应用目标检测人工智能计算机视觉YOLO13
YOLO13:基于超图增强自适应视觉感知的实时目标检测论文:YOLOv13:Real-TimeObjectDetectionwithHypergraph-EnhancedAdaptiveVisualPerception代码:https://github.com/iMoonLab/yolov13YOLOv13主要技术YOLOv13新一代实时检测器,集卓越性能与效率于一身。YOLOv13系列包含四种变
- 基于Jetson Nano与PyTorch的无人机实时目标跟踪系统搭建指南
引言:边缘计算赋能智能监控在AIoT时代,将深度学习模型部署到嵌入式设备已成为行业刚需。本文将手把手指导读者在NVIDIAJetsonNano(4GB版本)开发板上,构建基于YOLOv5+SORT算法的实时目标跟踪系统,集成无人机控制与地面站监控界面,最终打造低功耗智能监控设备。通过本项目,读者将掌握:嵌入式端模型优化与部署技巧;多目标跟踪算法工程化实现;无人机-地面站协同控制架构;边缘计算场景下
- sahi+yolov8实现图像切片推理
文章目录前言一、SAHI介绍切片推理兼容性设计二、使用步骤图像切片推理与结果融合代码示例结果对比总结前言本文记录项目中涉及到了无人机正射图像的推理(通常8000像素*8000像素以上),由于模型推理尺寸是640*640的,如果直接整图送入模型推理,推理效果极差,可以考虑采用多个切片进行分别进行推理,最后合并推理结果的方式。一、SAHI介绍SAHI(SlicingAidedHyperInferenc
- yolov8seg如何获取每个结果的mask,不是一整个的mask
boss-dog
视觉算法开发yolov8rk3588
使用rk3588开发板对yolov8-seg进行推理时,瑞芯微官方代码中对推理的结果进行了封装,返回的分割结果是所有目标的mask,而不是单个目标的mask。yolov8seg怎么获得每个结果的mask,不是一整个的mask:https://github.com/airockchip/rknn_model_zoo/issues/175解决postprocess.h中关于检测结果的结构体解析type
- 博客摘录「 yolo 11从原理、创新点、训练到部署(yolov11代码+教程)」2025年4月28日
G.547
笔记
2.1新的Backbone设计YOLOv11引入了一个改进的Backbone网络架构,采用了CSPNet(CrossStagePartialNetwork)的升级版。CSPNet的引入使得YOLOv11在计算量相对较低的情况下能够更有效地提取深度特征,从而提高模型的表达能力。具体来说,CSPNet通过将特征图进行部分跨层连接,减少了冗余梯度信息,提高了模型的学习效率和泛化能力。2.2SPPF(Sp
- RK3568笔记九十三:基于RKNN Lite的YOLOv5目标检测
殷忆枫
RK3568学习笔记笔记YOLO
若该文为原创文章,转载请注明原文出处。一、介绍Yolov5是一种目标检测算法,属于单阶段目标检测方法,是在COCO数据集上预训练的物体检测架构和模型系列,它代表了Ultralytics对未来视觉AI方法的开源研究,其中包含了经过数千小时的研究和开发而形成的经验教训和最佳实践。最新的YOLOv5v7.0有YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x等,除了目标检测,
- 博客摘录「 适合小白的超详细yolov8环境配置+实例运行教程,从零开始教你如何使用yolov8训练自己的数据集(Windows+conda+pycharm)」2024年3月13日
激活虚拟环境使用condaactivate命令激活虚拟环境,激活成功的标志就是命令行前面的(base)换
- 博客摘录「 yolov8改进-添加Wise-IoU,soft-nms」2023年12月18日
Exodu
笔记
(1.0-iou[0])*iou[1].detach()iou*torch.exp((rho2/c2))
- 博客摘录「 Yolov8 源码解析(三十八)」2024年9月29日
starAI_2025
笔记
数列表格式defstore_track_info(self,track_id,box):"""存储跟踪数据。Args:track_id(int):对象的跟踪ID。box(list):对象边界框数据。Returns:(list):给定track_id的更新跟踪历史记录。"""#获取当前跟踪ID对应的历史跟踪数据track=self.trk_history[track_id]#计算边界框中心点坐标bb
- Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现水下鱼类识别(C#代码,UI界面版)
格林威
机器视觉工业相机数码相机YOLO深度学习计算机视觉人工智能
Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现水下鱼类识别(C#代码,UI界面版)工业相机使用YoloV8模型实现水下鱼类识别工业相机通过YoloV8模型实现水下鱼类识别的技术背景在相机SDK中获取图像转换图像的代码分析工业相机图像转换Bitmap图像格式和Mat图像重要核心代码本地文件图像转换Bitmap图像格式和Mat图像重要核心代码Mat图像导入YoloV8模型重要核心
- 手把手教你用YOLOv10打造智能垃圾检测系统
无需编程基础!手把手教你用YOLOv10打造智能垃圾检测系统垃圾分类不再难,AI助手秒识别你是否曾站在分类垃圾桶前犹豫不决?塑料瓶是可回收还是其他垃圾?外卖餐盒到底该丢哪里?随着垃圾分类政策推广,这样的困惑成为许多人的日常。今天,我将教你用当前最先进的目标检测技术YOLOv10,从零开始搭建一个智能垃圾识别系统!一、为什么选择YOLOv10做垃圾检测?YOLOv10作为目标检测领域的最新成果,在速
- 【目标检测】刺猬数据集3238张YOLO+VOC格式
不会仰游的河马君
数据集目标检测YOLO人工智能刺猬
【目标检测】刺猬数据集3238张YOLO+VOC格式数据集格式:VOC格式+YOLO格式压缩包内含:3个文件夹,分别存储图片、xml、txt文件JPEGImages文件夹中jpg图片总计:3238Annotations文件夹中xml文件总计:3238labels文件夹中txt文件总计:3238标签种类数:1标签名称:["hedgehog"]每个标签的框数(注意yolo格式类别顺序不和这个对应,而以
- apache ftpserver-CentOS config
gengzg
apache
<server xmlns="http://mina.apache.org/ftpserver/spring/v1"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="
http://mina.apache.o
- 优化MySQL数据库性能的八种方法
AILIKES
sqlmysql
1、选取最适用的字段属性 MySQL可以很好的支持大数据量的存取,但是一般说来,数据库中的表越小,在它上面执行的查询也就会越快。因此,在创建表的时候,为了获得更好的 性能,我们可以将表中字段的宽度设得尽可能小。例如,在定义邮政编码这个字段时,如果将其设置为CHAR(255),显然给数据库增加了不必要的空间,甚至使用VARCHAR这种类型也是多余的,因为CHAR(6)就可以很
- JeeSite 企业信息化快速开发平台
Kai_Ge
JeeSite
JeeSite 企业信息化快速开发平台
平台简介
JeeSite是基于多个优秀的开源项目,高度整合封装而成的高效,高性能,强安全性的开源Java EE快速开发平台。
JeeSite本身是以Spring Framework为核心容器,Spring MVC为模型视图控制器,MyBatis为数据访问层, Apache Shiro为权限授权层,Ehcahe对常用数据进行缓存,Activit为工作流
- 通过Spring Mail Api发送邮件
120153216
邮件main
原文地址:http://www.open-open.com/lib/view/open1346857871615.html
使用Java Mail API来发送邮件也很容易实现,但是最近公司一个同事封装的邮件API实在让我无法接受,于是便打算改用Spring Mail API来发送邮件,顺便记录下这篇文章。 【Spring Mail API】
Spring Mail API都在org.spri
- Pysvn 程序员使用指南
2002wmj
SVN
源文件:http://ju.outofmemory.cn/entry/35762
这是一篇关于pysvn模块的指南.
完整和详细的API请参考 http://pysvn.tigris.org/docs/pysvn_prog_ref.html.
pysvn是操作Subversion版本控制的Python接口模块. 这个API接口可以管理一个工作副本, 查询档案库, 和同步两个.
该
- 在SQLSERVER中查找被阻塞和正在被阻塞的SQL
357029540
SQL Server
SELECT R.session_id AS BlockedSessionID ,
S.session_id AS BlockingSessionID ,
Q1.text AS Block
- Intent 常用的用法备忘
7454103
.netandroidGoogleBlogF#
Intent
应该算是Android中特有的东西。你可以在Intent中指定程序 要执行的动作(比如:view,edit,dial),以及程序执行到该动作时所需要的资料 。都指定好后,只要调用startActivity(),Android系统 会自动寻找最符合你指定要求的应用 程序,并执行该程序。
下面列出几种Intent 的用法
显示网页:
- Spring定时器时间配置
adminjun
spring时间配置定时器
红圈中的值由6个数字组成,中间用空格分隔。第一个数字表示定时任务执行时间的秒,第二个数字表示分钟,第三个数字表示小时,后面三个数字表示日,月,年,< xmlnamespace prefix ="o" ns ="urn:schemas-microsoft-com:office:office" />
测试的时候,由于是每天定时执行,所以后面三个数
- POJ 2421 Constructing Roads 最小生成树
aijuans
最小生成树
来源:http://poj.org/problem?id=2421
题意:还是给你n个点,然后求最小生成树。特殊之处在于有一些点之间已经连上了边。
思路:对于已经有边的点,特殊标记一下,加边的时候把这些边的权值赋值为0即可。这样就可以既保证这些边一定存在,又保证了所求的结果正确。
代码:
#include <iostream>
#include <cstdio>
- 重构笔记——提取方法(Extract Method)
ayaoxinchao
java重构提炼函数局部变量提取方法
提取方法(Extract Method)是最常用的重构手法之一。当看到一个方法过长或者方法很难让人理解其意图的时候,这时候就可以用提取方法这种重构手法。
下面是我学习这个重构手法的笔记:
提取方法看起来好像仅仅是将被提取方法中的一段代码,放到目标方法中。其实,当方法足够复杂的时候,提取方法也会变得复杂。当然,如果提取方法这种重构手法无法进行时,就可能需要选择其他
- 为UILabel添加点击事件
bewithme
UILabel
默认情况下UILabel是不支持点击事件的,网上查了查居然没有一个是完整的答案,现在我提供一个完整的代码。
UILabel *l = [[UILabel alloc] initWithFrame:CGRectMake(60, 0, listV.frame.size.width - 60, listV.frame.size.height)]
- NoSQL数据库之Redis数据库管理(PHP-REDIS实例)
bijian1013
redis数据库NoSQL
一.redis.php
<?php
//实例化
$redis = new Redis();
//连接服务器
$redis->connect("localhost");
//授权
$redis->auth("lamplijie");
//相关操
- SecureCRT使用备注
bingyingao
secureCRT每页行数
SecureCRT日志和卷屏行数设置
一、使用securecrt时,设置自动日志记录功能。
1、在C:\Program Files\SecureCRT\下新建一个文件夹(也就是你的CRT可执行文件的路径),命名为Logs;
2、点击Options -> Global Options -> Default Session -> Edite Default Sett
- 【Scala九】Scala核心三:泛型
bit1129
scala
泛型类
package spark.examples.scala.generics
class GenericClass[K, V](val k: K, val v: V) {
def print() {
println(k + "," + v)
}
}
object GenericClass {
def main(args: Arr
- 素数与音乐
bookjovi
素数数学haskell
由于一直在看haskell,不可避免的接触到了很多数学知识,其中数论最多,如素数,斐波那契数列等,很多在学生时代无法理解的数学现在似乎也能领悟到那么一点。
闲暇之余,从图书馆找了<<The music of primes>>和<<世界数学通史>>读了几遍。其中素数的音乐这本书与软件界熟知的&l
- Java-Collections Framework学习与总结-IdentityHashMap
BrokenDreams
Collections
这篇总结一下java.util.IdentityHashMap。从类名上可以猜到,这个类本质应该还是一个散列表,只是前面有Identity修饰,是一种特殊的HashMap。
简单的说,IdentityHashMap和HashM
- 读《研磨设计模式》-代码笔记-享元模式-Flyweight
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
import java.util.ArrayList;
import java.util.Collection;
import java.util.HashMap;
import java.util.List;
import java
- PS人像润饰&调色教程集锦
cherishLC
PS
1、仿制图章沿轮廓润饰——柔化图像,凸显轮廓
http://www.howzhi.com/course/retouching/
新建一个透明图层,使用仿制图章不断Alt+鼠标左键选点,设置透明度为21%,大小为修饰区域的1/3左右(比如胳膊宽度的1/3),再沿纹理方向(比如胳膊方向)进行修饰。
所有修饰完成后,对该润饰图层添加噪声,噪声大小应该和
- 更新多个字段的UPDATE语句
crabdave
update
更新多个字段的UPDATE语句
update tableA a
set (a.v1, a.v2, a.v3, a.v4) = --使用括号确定更新的字段范围
- hive实例讲解实现in和not in子句
daizj
hivenot inin
本文转自:http://www.cnblogs.com/ggjucheng/archive/2013/01/03/2842855.html
当前hive不支持 in或not in 中包含查询子句的语法,所以只能通过left join实现。
假设有一个登陆表login(当天登陆记录,只有一个uid),和一个用户注册表regusers(当天注册用户,字段只有一个uid),这两个表都包含
- 一道24点的10+种非人类解法(2,3,10,10)
dsjt
算法
这是人类算24点的方法?!!!
事件缘由:今天晚上突然看到一条24点状态,当时惊为天人,这NM叫人啊?以下是那条状态
朱明西 : 24点,算2 3 10 10,我LX炮狗等面对四张牌痛不欲生,结果跑跑同学扫了一眼说,算出来了,2的10次方减10的3次方。。我草这是人类的算24点啊。。
然后么。。。我就在深夜很得瑟的问室友求室友算
刚出完题,文哥的暴走之旅开始了
5秒后
- 关于YII的菜单插件 CMenu和面包末breadcrumbs路径管理插件的一些使用问题
dcj3sjt126com
yiiframework
在使用 YIi的路径管理工具时,发现了一个问题。 <?php  
- 对象与关系之间的矛盾:“阻抗失配”效应[转]
come_for_dream
对象
概述
“阻抗失配”这一词组通常用来描述面向对象应用向传统的关系数据库(RDBMS)存放数据时所遇到的数据表述不一致问题。C++程序员已经被这个问题困扰了好多年,而现在的Java程序员和其它面向对象开发人员也对这个问题深感头痛。
“阻抗失配”产生的原因是因为对象模型与关系模型之间缺乏固有的亲合力。“阻抗失配”所带来的问题包括:类的层次关系必须绑定为关系模式(将对象
- 学习编程那点事
gcq511120594
编程互联网
一年前的夏天,我还在纠结要不要改行,要不要去学php?能学到真本事吗?改行能成功吗?太多的问题,我终于不顾一切,下定决心,辞去了工作,来到传说中的帝都。老师给的乘车方式还算有效,很顺利的就到了学校,赶巧了,正好学校搬到了新校区。先安顿了下来,过了个轻松的周末,第一次到帝都,逛逛吧!
接下来的周一,是我噩梦的开始,学习内容对我这个零基础的人来说,除了勉强完成老师布置的作业外,我已经没有时间和精力去
- Reverse Linked List II
hcx2013
list
Reverse a linked list from position m to n. Do it in-place and in one-pass.
For example:Given 1->2->3->4->5->NULL, m = 2 and n = 4,
return 
- Spring4.1新特性——页面自动化测试框架Spring MVC Test HtmlUnit简介
jinnianshilongnian
spring 4.1
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- Hadoop集群工具distcp
liyonghui160com
1. 环境描述
两个集群:rock 和 stone
rock无kerberos权限认证,stone有要求认证。
1. 从rock复制到stone,采用hdfs
Hadoop distcp -i hdfs://rock-nn:8020/user/cxz/input hdfs://stone-nn:8020/user/cxz/运行在rock端,即源端问题:报版本
- 一个备份MySQL数据库的简单Shell脚本
pda158
mysql脚本
主脚本(用于备份mysql数据库): 该Shell脚本可以自动备份
数据库。只要复制粘贴本脚本到文本编辑器中,输入数据库用户名、密码以及数据库名即可。我备份数据库使用的是mysqlump 命令。后面会对每行脚本命令进行说明。
1. 分别建立目录“backup”和“oldbackup” #mkdir /backup #mkdir /oldbackup
- 300个涵盖IT各方面的免费资源(中)——设计与编码篇
shoothao
IT资源图标库图片库色彩板字体
A. 免费的设计资源
Freebbble:来自于Dribbble的免费的高质量作品。
Dribbble:Dribbble上“免费”的搜索结果——这是巨大的宝藏。
Graphic Burger:每个像素点都做得很细的绝佳的设计资源。
Pixel Buddha:免费和优质资源的专业社区。
Premium Pixels:为那些有创意的人提供免费的素材。
- thrift总结 - 跨语言服务开发
uule
thrift
官网
官网JAVA例子
thrift入门介绍
IBM-Apache Thrift - 可伸缩的跨语言服务开发框架
Thrift入门及Java实例演示
thrift的使用介绍
RPC
POM:
<dependency>
<groupId>org.apache.thrift</groupId>