边缘计算NVIDIA&Rockchip
边缘计算NVIDIA&Rockchip

OK3588应用之——人脸和人脸关键点的检测（十四）

一、主机模型转换

采用FastDeploy来部署应用深度学习模型到OK3588板卡上

进入主机Ubuntu的虚拟环境
conda activate ok3588
主机环境搭建可以参考上一篇 《OK3588板卡实现人像抠图（十二）》

转换成RKNN模型

cd FastDeploy
wget  https://bj.bcebos.com/paddlehub/fastdeploy/rknpu2/scrfd_500m_bnkps_shape640x640.zip
unzip scrfd_500m_bnkps_shape640x640.zip
python  tools/rknpu2/export.py \
        --config_path tools/rknpu2/config/scrfd_unquantized.yaml \
        --target_platform rk3588

得到scrfd_500m_bnkps_shape640x640_rk3588_unquantized.rknn 放到OK3588板卡上

二、板卡模型部署

进入虚拟环境
conda activate ok3588

git clone https://github.com/PaddlePaddle/FastDeploy.git
cd FastDeploy

# 如果您使用的是develop分支输入以下命令
git checkout develop

mkdir build && cd build
cmake ..  -DENABLE_ORT_BACKEND=OFF \
	      -DENABLE_RKNPU2_BACKEND=ON \
	      -DENABLE_VISION=ON \
	      -DRKNN2_TARGET_SOC=RK3588 \
          -DCMAKE_INSTALL_PREFIX=${PWD}/fastdeploy-0.0.0

make -j2
make install
#为了方便大家配置环境变量，FastDeploy提供了一键配置环境变量的脚本
source fastdeploy-0.0.0/fastdeploy_init.sh
sudo cp fastdeploy-0.0.0/fastdeploy_libs.conf /etc/ld.so.conf.d/
sudo ldconfig

cd FastDeploy/examples/vision/facedet/scrfd/rknpu2/cpp
mkdir build
cd build
cmake .. -DFASTDEPLOY_INSTALL_DIR=/home/forlinx/FastDeploy/build/fastdeploy-0.0.0/
make -j
得到了编译后的文件 infer_demo

三、执行推理

把scrfd_500m_bnkps_shape640x640_rk3588_unquantized.rknn放在build里面

NPU推理

找一张测试图片

wget https://raw.githubusercontent.com/DefTruth/lite.ai.toolkit/main/examples/lite/resources/test_lite_face_detector_3.jpg
./infer_demo scrfd_500m_bnkps_shape640x640_rk3588_unquantized.rknn test_lite_face_detector_3.jpg 1

OK3588应用之——人脸和人脸关键点的检测（十四）_第1张图片

推理结果展示

OK3588应用之——人脸和人脸关键点的检测（十四）_第2张图片
OK3588应用之——人脸和人脸关键点的检测（十四）_第3张图片

你可能感兴趣的:(OK3588,facedet,目标检测,计算机视觉,OK3588)

  • Python Gradio：实现交互式图像编辑 PythonAI编程架构实战家 Python编程之道python开发语言ai
    PythonGradio：实现交互式图像编辑关键词：Python,Gradio,交互式图像编辑,计算机视觉,深度学习,图像处理,Web应用摘要：本文将深入探讨如何使用Python的Gradio库构建交互式图像编辑应用。我们将从基础概念开始，逐步介绍Gradio的核心功能，并通过实际代码示例展示如何实现各种图像处理功能。文章将涵盖图像滤镜应用、对象检测、风格迁移等高级功能，同时提供完整的项目实战案例
  • 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
  • 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
  • 视觉Transformer还有哪些点可以研究？怎么应用？ 计算机视觉工坊 3D视觉从入门到精通学习算法开源
    0.这篇文章干了啥？今天笔者为大家推荐一篇最新的综述，详细总结了Transformer的网络架构、优化策略、发展方向，还会定期更新Github，研究注意力机制的小伙伴一定不要错过。注意机制有助于人类视觉系统有效地分析和理解复杂场景，它能够聚焦于图像的关键区域，同时忽略无关紧要的部分。受此概念启发，注意机制已经被引入到计算机视觉（CV）中，以动态地为图像中的不同区域分配权重。这使得神经网络能够专注于
  • Python_day54Inception网络及其思考 且慢.589 Python_60python开发语言
    一、inception网络介绍今天我们介绍inception，也就是GoogleNet传统计算机视觉的发展史从上面的链接，可以看到其实inceptionnet是在resnet之前的，那为什么我今天才说呢？因为他要引出我们后面的特征融合和特征并行处理这些思想。Inception网络，也被称为GoogLeNet，是Google团队在2014年提出的经典卷积神经网络架构。它的核心设计理念是“并行的多尺度
  • AI 绘画 + 编程：10 分钟生成个性化艺术作品 大力出奇迹985 人工智能
    本文围绕Python+OpenCV实现自动人脸识别门禁系统展开，先概述系统的基本构成与作用，再从系统核心技术、开发实现步骤、功能扩展方向、实际应用场景及优化改进策略五个方面详细阐述，最后总结系统的价值与发展前景，为相关开发和应用提供全面参考。一、系统核心技术解析人脸识别技术是门禁系统的核心，其关键在于对人脸特征的精准提取与匹配。OpenCV作为开源计算机视觉库，提供了丰富的人脸检测算法，如Haar
  • 【AI大模型：前沿】43、Mamba架构深度解析：为什么它是Transformer最强挑战者？ 无心水 架构transformerMambaMamba架构AI大模型系统开发实战AI大模型高手开发AI大模型系统实战
    Transformer架构自2017年诞生以来，一直是NLP、计算机视觉等领域的“统治级”模型架构。但随着序列长度需求的增长（如128K长文本处理、基因组学超长序列分析），其自注意力机制的O(n2)O(n^2)O(n2)计算复杂度成为难以逾越的瓶颈。2023年底，由AlbertGu和TriDao等人提出的Mamba架构，通过创新的“选择性状态空间模型（SelectiveSSM）”实现了线性复杂度（
  • 【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
  • 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
  • 《揭秘AI应用架构师在智能虚拟人设计系统中的创新思维》 SuperAGI架构师的AI实验室 人工智能ai
    揭秘AI应用架构师在智能虚拟人设计系统中的创新思维关键词：AI应用架构师、智能虚拟人、系统设计、创新思维、自然语言处理、计算机视觉、实时交互摘要：智能虚拟人已从科幻走进现实，无论是直播间的虚拟主播、手机里的智能助手，还是元宇宙中的数字分身，它们背后都离不开AI应用架构师的“隐形设计”。本文将以“总设计师视角”，用生活化的比喻和实例，拆解AI应用架构师在智能虚拟人系统设计中的创新思维——从“让虚拟人
  • AI人工智能为空间智能领域带来的科技革新 AI云原生与云计算技术学院 AI云原生与云计算人工智能科技ai
    AI人工智能为空间智能领域带来的科技革新关键词：人工智能、空间智能、计算机视觉、SLAM、空间计算、增强现实、自动驾驶摘要：本文将深入探讨人工智能如何革新空间智能领域。我们将从基本概念出发，逐步分析AI在空间感知、理解和交互方面的突破性进展，包括SLAM技术、3D重建、空间计算等核心应用。通过生动的比喻和实际案例，揭示AI如何赋予机器"空间思维"能力，并展望这一技术融合的未来发展趋势。背景介绍目的
  • 基于深度学习的图像分类：使用ShuffleNet实现高效分类 Blossom.118 机器学习与人工智能深度学习分类人工智能机器学习数据挖掘python目标检测
    前言图像分类是计算机视觉领域中的一个基础任务，其目标是将输入的图像分配到预定义的类别中。近年来，深度学习技术，尤其是卷积神经网络（CNN），在图像分类任务中取得了显著的进展。ShuffleNet是一种轻量级的深度学习架构，专为移动和嵌入式设备设计，能够在保持较高分类精度的同时，显著减少计算量和模型大小。本文将详细介绍如何使用ShuffleNet实现高效的图像分类，从理论基础到代码实现，带你一步步掌
  • 《零基础入门AI：从图像梯度到凸包特征检测（OpenCV图像特征提取）》 竹子_23 OpenCV入门opencv人工智能计算机视觉
    一、图像梯度处理：理解像素变化的本质1.1图像梯度基础图像梯度是计算机视觉中的核心概念，它描述了图像中像素强度的变化情况：梯度方向：像素值变化最剧烈的方向（垂直于边缘）梯度幅度：像素值变化的强度（值越大表示边缘越明显）物理意义：就像地形图中的等高线，梯度大的地方相当于陡坡，梯度小的地方相当于平地1.2垂直边缘提取垂直边缘是图像中物体左右边界形成的线条：特征：水平方向上像素值发生突变应用场景：文档扫
  • OpenCV基础02_图像预处理 白槿_cha 计算机视觉基础opencv人工智能计算机视觉笔记
    图像预处理在计算机视觉和图像处理领域，图像预处理是一个重要的步骤，它能够提高后续处理（如特征提取、目标检测等）的准确性和效率。OpenCV提供了许多图像预处理的函数和方法，一些常见的图像预处理操作：图像色彩空间转换图像大小调整图像仿射变换图像翻转图像裁剪图像二值化处理图像去噪边缘检测图像平滑处理图像形态学一、图像翻转cv2.flip是OpenCV库中的一个函数，用于翻转图像。翻转可以是水平翻转、垂
  • 破解电梯场景难题：陌讯识别算法 mAP 达 98.7% 2501_92474790 算法计算机视觉目标检测智慧城市目标跟踪
    开篇痛点：电梯间电动车识别的行业困局传统视觉算法在电梯间电动车检测场景中始终面临三重挑战：复杂光线环境下（如强光直射、夜间低照度）目标特征提取不稳定，电动车与婴儿车、行李箱等相似物体的误判率高达35%；电梯轿厢狭小空间导致目标畸变严重，小目标检测漏检率超过20%；普通模型在边缘设备部署时难以兼顾精度与速度，FPS普遍低于15帧[实测数据显示]。这些问题直接导致物业安防系统告警泛滥，真正的安全隐患却
  • 电表箱识别漏检率高？陌讯算法实测降 90%
    在电力巡检领域，电表箱状态识别一直是计算机视觉技术落地的难点。传统人工巡检模式下，一个台区的200个电表箱需2名巡检员耗时1天完成，且受光线、天气影响，误判率常超过15%。而采用普通开源算法部署的自动识别系统，又面临箱体污渍遮挡、表计型号混杂、边缘计算设备算力有限等多重挑战，实际商用时mAP（平均精度）往往跌破70%，难以满足电力行业的可靠性要求技术解析：从传统方法到陌讯创新架构传统电表箱识别多采
  • 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
  • 以AI人工智能为核心，发展空间智能 AI智能探索者 AIAgent智能体开发实战人工智能ai
    以AI人工智能为核心，发展空间智能关键词：人工智能、空间智能、智能系统、机器学习、计算机视觉、物联网、自动化技术摘要：本文围绕"以AI人工智能为核心发展空间智能"这一主题，系统解析空间智能的技术架构与实现路径。通过揭示AI与空间智能的核心关联，深入探讨机器学习、计算机视觉、数字孪生等关键技术如何赋能空间数据的感知、处理与决策。结合智能建筑、智慧城市等实际场景，展示从算法原理到工程落地的完整技术链条
  • 智慧零售 AI 卡顿？陌讯轻量化方案 FPS 升 40% 2501_92722744 零售人工智能目标跟踪计算机视觉目标检测算法
    一、开篇痛点：智慧零售视觉算法的三大行业困境在智慧零售场景中，传统视觉算法正面临着难以突破的技术瓶颈。自助结算台的商品误识别率常高达12%-18%，导致消费者频繁触发人工核验；复杂货架场景下，商品重叠、光照变化和包装相似性问题，使得目标检测漏检率超过20%；而边缘设备的算力限制，又让实时推理帧率（FPS）普遍低于25，无法满足流畅交互需求[1]。这些问题直接造成商超运营成本增加30%以上，严重制约
  • 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
  • [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
  • 探索未来标注新纪元：AutoLabelImg 多功能自动标注工具 徐耘馨
    探索未来标注新纪元：AutoLabelImg多功能自动标注工具在计算机视觉领域，高质量的数据标注是模型训练的关键一步，而AutoLabelImg正是这样一个旨在提升效率的开源标注工具。它不仅继承了著名的labelImg的基础特性，还创新性地加入了多种高级功能，为开发者和研究人员提供了一个全新的标注体验。项目简介AutoLabelImg是一款强大的图像和视频标注工具，集成了自动化标注、追踪标注、放大
  • 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
  • 插入表主键冲突做更新 a-john
    有以下场景： 用户下了一个订单，订单内的内容较多，且来自多表，首次下单的时候，内容可能会不全（部分内容不是必须，出现有些表根本就没有没有该订单的值）。在以后更改订单时，有些内容会更改，有些内容会新增。 问题： 如果在sql语句中执行update操作，在没有数据的表中会出错。如果在逻辑代码中先做查询，查询结果有做更新，没有做插入，这样会将代码复杂化。 解决： mysql中提供了一个sql语
  • Android xml资源文件中@、@android:type、@*、？、@+含义和区别 Cb123456 @+@?@*
    一.@代表引用资源 1.引用自定义资源。格式：@[package:]type/name android：text="@string/hello"   2.引用系统资源。格式：@android:type/name     android:textColor="@android:color/opaque_red"
  • 数据结构的基本介绍 天子之骄 数据结构散列表树、图线性结构价格标签
    数据结构的基本介绍 数据结构就是数据的组织形式，用一种提前设计好的框架去存取数据，以便更方便，高效的对数据进行增删查改。正确选择合适的数据结构，对软件程序的高效执行的影响作用不亚于算法的设计。此外，在计算机系统中数据结构的作用也是非同小可。例如常常在编程语言中听到的栈，堆等，就是经典的数据结构。   经典的数据结构大致如下：   一：线性数据结构 (1)：列表 a
  • 通过二维码开放平台的API快速生成二维码 一炮送你回车库 api
     现在很多网站都有通过扫二维码用手机连接的功能，联图网(http://www.liantu.com/pingtai/)的二维码开放平台开放了一个生成二维码图片的Api,挺方便使用的。闲着无聊，写了个前台快速生成二维码的方法。        html代码如下:(二维码将生成在这div下) ? 1  &nbs
  • ImageIO读取一张图片改变大小 3213213333332132 javaIOimageBufferedImage
    package com.demo; import java.awt.image.BufferedImage; import java.io.File; import java.io.IOException; import javax.imageio.ImageIO; /** * @Description 读取一张图片改变大小 * @author FuJianyon
  • myeclipse集成svn（一针见血） 7454103 eclipseSVNMyEclipse
                                     &n
  • 装箱与拆箱----autoboxing和unboxing darkranger J2SE
    4.2　自动装箱和拆箱 基本数据(Primitive)类型的自动装箱(autoboxing)、拆箱(unboxing)是自J2SE 5.0开始提供的功能。虽然为您打包基本数据类型提供了方便，但提供方便的同时表示隐藏了细节，建议在能够区分基本数据类型与对象的差别时再使用。 4.2.1　autoboxing和unboxing 在Java中，所有要处理的东西几乎都是对象(Object)
  • ajax传统的方式制作ajax aijuans Ajax
    //这是前台的代码 <%@ page language="java" import="java.util.*" pageEncoding="UTF-8"%> <% String path = request.getContextPath(); String basePath = request.getScheme()+
  • 只用jre的eclipse是怎么编译java源文件的？ avords javaeclipsejdktomcat
    eclipse只需要jre就可以运行开发java程序了，也能自动 编译java源代码，但是jre不是java的运行环境么，难道jre中也带有编译工具？ 还是eclipse自己实现的？谁能给解释一下呢问题补充：假设系统中没有安装jdk or jre，只在eclipse的目录中有一个jre，那么eclipse会采用该jre，问题是eclipse照样可以编译java源文件，为什么呢？ &nb
  • 前端模块化 bee1314 模块化
    背景： 前端JavaScript模块化，其实已经不是什么新鲜事了。但是很多的项目还没有真正的使用起来，还处于刀耕火种的野蛮生长阶段。   JavaScript一直缺乏有效的包管理机制，造成了大量的全局变量，大量的方法冲突。我们多么渴望有天能像Java（import），Python (import)，Ruby(require)那样写代码。在没有包管理机制的年代，我们是怎么避免所
  • 处理百万级以上的数据处理 bijian1013 oraclesql数据库大数据查询
    一.处理百万级以上的数据提高查询速度的方法：        1.应尽量避免在 where 子句中使用!=或<>操作符，否则将引擎放弃使用索引而进行全表扫描。         2.对查询进行优化，应尽量避免全表扫描，首先应考虑在 where 及 o
  • mac 卸载 java 1.7 或更高版本 征客丶 javaOS
    卸载 java 1.7 或更高 sudo rm -rf /Library/Internet\ Plug-Ins/JavaAppletPlugin.plugin 成功执行此命令后，还可以执行 java 与 javac 命令 sudo rm -rf /Library/PreferencePanes/JavaControlPanel.prefPane 成功执行此命令后，还可以执行 java
  • 【Spark六十一】Spark Streaming结合Flume、Kafka进行日志分析 bit1129 Stream
    第一步，Flume和Kakfa对接，Flume抓取日志，写到Kafka中 第二部，Spark Streaming读取Kafka中的数据，进行实时分析   本文首先使用Kakfa自带的消息处理（脚本）来获取消息，走通Flume和Kafka的对接 1. Flume配置 1. 下载Flume和Kafka集成的插件，下载地址：https://github.com/beyondj2ee/f
  • Erlang vs TNSDL bookjovi erlang
          TNSDL是Nokia内部用于开发电信交换软件的私有语言，是在SDL语言的基础上加以修改而成，TNSDL需翻译成C语言得以编译执行，TNSDL语言中实现了异步并行的特点，当然要完整实现异步并行还需要运行时动态库的支持，异步并行类似于Erlang的process（轻量级进程），TNSDL中则称之为hand，Erlang是基于vm(beam)开发，
  • 非常希望有一个预防疲劳的java软件, 预防过劳死和眼睛疲劳,大家一起努力搞一个 ljy325 企业应用
    　非常希望有一个预防疲劳的java软件，我看新闻和网站，国防科技大学的科学家累死了，太疲劳，老是加班，不休息，经常吃药，吃药根本就没用，根本原因是疲劳过度。我以前做java,那会公司垃圾，老想赶快学习到东西跳槽离开，搞得超负荷，不明理。深圳做软件开发经常累死人，总有不明理的人，有个软件提醒限制很好，可以挽救很多人的生命。 相关新闻： （1）IT行业成五大疾病重灾区：过劳死平均37.9岁
  • 读《研磨设计模式》-代码笔记-原型模式 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/ /** * Effective Java 建议使用copy constructor or copy factory来代替clone()方法： * 1.public Product copy(Product p){} * 2.publi
  • 配置管理---svn工具之权限配置 chenyu19891124 SVN
    今天花了大半天的功夫，终于弄懂svn权限配置。下面是今天收获的战绩。 安装完svn后就是在svn中建立版本库，比如我本地的是版本库路径是C:\Repositories\pepos。pepos是我的版本库。在pepos的目录结构 pepos    component    webapps 在conf里面的auth里赋予的权限配置为 [groups]
  • 浅谈程序员的数学修养 comsci 设计模式编程算法面试招聘
                                     浅谈程序员的数学修养
  • 批量执行 bulk collect与forall用法 daizj oraclesqlbulk collectforall
    BULK COLLECT 子句会批量检索结果，即一次性将结果集绑定到一个集合变量中，并从SQL引擎发送到PL/SQL引擎。通常可以在SELECT INTO、 FETCH INTO以及RETURNING INTO子句中使用BULK COLLECT。本文将逐一描述BULK COLLECT在这几种情形下的用法。     有关FORALL语句的用法请参考：批量SQL之 F
  • Linux下使用rsync最快速删除海量文件的方法 dongwei_6688 OS
    1、先安装rsync：yum install rsync 2、建立一个空的文件夹：mkdir /tmp/test 3、用rsync删除目标目录：rsync --delete-before -a -H -v --progress --stats /tmp/test/ log/这样我们要删除的log目录就会被清空了，删除的速度会非常快。rsync实际上用的是替换原理，处理数十万个文件也是秒删。
  • Yii CModel中rules验证规格 dcj3sjt126com rulesyiivalidate
    Yii cValidator主要用法分析：  yii验证rulesit 分类： Yii yii的rules验证 cValidator主要属性 attributes ,builtInValidators,enableClientValidation,message,on,safe,skipOnError  
  • 基于vagrant的redis主从实验 dcj3sjt126com vagrant
    平台: Mac 工具: Vagrant 系统: Centos6.5 实验目的: Redis主从   实现思路 制作一个基于sentos6.5, 已经安装好reids的box, 添加一个脚本配置从机, 然后作为后面主机从机的基础box   制作sentos6.5+redis的box   mkdir vagrant_redis cd vagrant_
  • Memcached(二)、Centos安装Memcached服务器 frank1234 centosmemcached
    一、安装gcc rpm和yum安装memcached服务器连接没有找到，所以我使用的是make的方式安装，由于make依赖于gcc，所以要先安装gcc 开始安装，命令如下，[color=red][b]顺序一定不能出错[/b][/color]： 建议可以先切换到root用户，不然可能会遇到权限问题：su root 输入密码...... rpm -ivh kernel-head
  • Remove Duplicates from Sorted List hcx2013 remove
    Given a sorted linked list, delete all duplicates such that each element appear only once. For example,Given 1->1->2, return 1->2.Given 1->1->2->3->3, return&
  • Spring4新特性——JSR310日期时间API的支持 jinnianshilongnian spring4
    Spring4新特性——泛型限定式依赖注入 Spring4新特性——核心容器的其他改进 Spring4新特性——Web开发的增强 Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC  Spring4新特性——Groovy Bean定义DSL Spring4新特性——更好的Java泛型操作API  Spring4新
  • 浅谈enum与单例设计模式 247687009 java单例
    在JDK1.5之前的单例实现方式有两种(懒汉式和饿汉式并无设计上的区别故看做一种)，两者同是私有构 造器，导出静态成员变量，以便调用者访问。 第一种 package singleton; public class Singleton { //导出全局成员 public final static Singleton INSTANCE = new S
  • 使用switch条件语句需要注意的几点 openwrt cbreakswitch
    1. 当满足条件的case中没有break，程序将依次执行其后的每种条件（包括default）直到遇到break跳出 int main() { int n = 1; switch(n) { case 1: printf("--1--\n"); default: printf("defa
  • 配置Spring Mybatis JUnit测试环境的应用上下文 schnell18 springmybatisJUnit
    Spring-test模块中的应用上下文和web及spring boot的有很大差异。主要试下来差异有： 单元测试的app context不支持从外部properties文件注入属性 @Value注解不能解析带通配符的路径字符串 解决第一个问题可以配置一个PropertyPlaceholderConfigurer的bean。 第二个问题的具体实例是：    
  • Java 定时任务总结一 tuoni javaspringtimerquartztimertask
     Java定时任务总结  一.从技术上分类大概分为以下三种方式：  1.Java自带的java.util.Timer类，这个类允许你调度一个java.util.TimerTask任务;   说明：    java.util.Timer定时器，实际上是个线程，定时执行TimerTask类 &
  • 一种防止用户生成内容站点出现商业广告以及非法有害等垃圾信息的方法 yangshangchuan rank相似度计算文本相似度词袋模型余弦相似度
    本文描述了一种在ITEYE博客频道上面出现的新型的商业广告形式及其应对方法，对于其他的用户生成内容站点类型也具有同样的适用性。   最近在ITEYE博客频道上面出现了一种新型的商业广告形式，方法如下：     1、注册多个账号（一般10个以上）。     2、从多个账号中选择一个账号，发表1-2篇博文
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他