芯作者
芯作者

YOLOv11性能评估全解析：从理论到实战的指标指南

深入剖析目标检测核心指标，掌握模型优化的关键密码

为什么需要性能评估指标？

在目标检测领域，YOLO系列模型以其卓越的速度-精度平衡成为行业标杆。当我们训练或使用YOLOv11模型时，一个核心问题始终存在：如何量化模型的性能？ 性能评估指标正是回答这个问题的关键工具，它们不仅衡量模型效果，更是模型优化迭代的导航灯。

本文将系统解析YOLOv11的七大核心评估指标，结合理论公式、可视化解释和实战代码，带您深入理解：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-wS0HDQX2-1751330161620)(https://miro.medium.com/v2/resize:fit:1400/1*R2vB7b2e2e1P1ZxV7T2z2g.png)]
图：目标检测评估指标关系图

一、基础指标：检测任务的基石

1.1 交并比（IoU：Intersection over Union）

IoU是目标检测最基础的评估标准，衡量预测框与真实框的重合程度：

 
 
 


                            

                        

                    

                    
                    

                    
                    
                    

                

                

                    
                

            

        

    

    

        
你可能感兴趣的:(D2:,YOLO,YOLO,计算机视觉)

        

            

                
    
                    
  • D2早课与活力链接
                        亲爱的lingling

                        
    宇宙法则是：关注什么，什么就会变大。所以时刻关注自己在想什么，听什么，看什么！感恩今天早晨醒来的第一个意识是，真好，美好的一天开始了，我要越来越漂亮。起床做感恩冥想，呼吸法，喝一杯白开水，贴牛奶面膜。谢谢真我，感觉真好！感恩今天芳哥哥做的爱心早餐，给我煎了鸡蛋，谢谢芳哥的付出。谢谢！感恩我能够越来越清晰自己要做什么，越来越清楚知道自己想要的是什么，更加宁静与喜悦。今天早晨我听到我的高级智慧的声音，
    
                    
    • 
                    
  • 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
    
                    
    • 
                    
  • 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
    
                    
    • 
                    
  • 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
    
                    
    • 
                    
  • 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
    
                    
    • 
                    
  • 《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
    
                    
    • 
                    
  • 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
    
                    
    • 
                    
  • 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
    
                    
    • 
                                
  • java封装继承多态等
                                    麦田的设计者
javaeclipsejvmcencapsulatopn
                                    
           最近一段时间看了很多的视频却忘记总结了，现在只能想到什么写什么了，希望能起到一个回忆巩固的作用。 
    1、final关键字 
      译为：最终的 
       &
    
                                
    • 
                                
  • F5与集群的区别
                                    bijian1013
weblogic集群F5
                                    
            http请求配置不是通过集群，而是F5；集群是weblogic容器的，如果是ejb接口是通过集群。 
        F5同集群的差别，主要还是会话复制的问题，F5一把是分发http请求用的，因为http都是无状态的服务，无需关注会话问题，类似
    
                                
    • 
                                
  • LeetCode[Math] - #7 Reverse Integer
                                    Cwind
java题解MathLeetCodeAlgorithm
                                    
    原题链接：#7 Reverse Integer 
  
要求： 
按位反转输入的数字 
例1： 输入 x = 123, 返回 321 
例2： 输入 x = -123, 返回 -321 
  
难度：简单 
  
分析： 
对于一般情况，首先保存输入数字的符号，然后每次取输入的末位（x%10）作为输出的高位（result = result*10 + x%10）即可。但
    
                                
    • 
                                
  • BufferedOutputStream
                                    周凡杨

                                    
         首先说一下这个大批量，是指有上千万的数据量。 
     例子： 
     有一张短信历史表，其数据有上千万条数据，要进行数据备份到文本文件，就是执行如下SQL然后将结果集写入到文件中！ 
     select t.msisd
    
                                
    • 
                                
  • linux下模拟按键输入和鼠标
                                    被触发
linux
                                    
    查看/dev/input/eventX是什么类型的事件， cat /proc/bus/input/devices 
设备有着自己特殊的按键键码，我需要将一些标准的按键，比如0－9，X－Z等模拟成标准按键，比如KEY_0,KEY-Z等，所以需要用到按键 模拟，具体方法就是操作/dev/input/event1文件，向它写入个input_event结构体就可以模拟按键的输入了。 
 
linux/in
    
                                
    • 
                                
  • ContentProvider初体验
                                    肆无忌惮_
ContentProvider
                                    
    ContentProvider在安卓开发中非常重要。与Activity，Service，BroadcastReceiver并称安卓组件四大天王。 
在android中的作用是用来对外共享数据。因为安卓程序的数据库文件存放在data/data/packagename里面，这里面的文件默认都是私有的，别的程序无法访问。 
如果QQ游戏想访问手机QQ的帐号信息一键登录，那么就需要使用内容提供者COnte
    
                                
    • 
                                
  • 关于Spring MVC项目（maven）中通过fileupload上传文件
                                    843977358
mybatisspring mvc修改头像上传文件upload
                                    
    Spring MVC 中通过fileupload上传文件，其中项目使用maven管理。 
  
1.上传文件首先需要的是导入相关支持jar包：commons-fileupload.jar,commons-io.jar 
因为我是用的maven管理项目，所以要在pom文件中配置（每个人的jar包位置根据实际情况定） 
<!-- 文件上传 start by zhangyd-c --&g
    
                                
    • 
                                
  • 使用svnkit api，纯java操作svn，实现svn提交，更新等操作
                                    aigo
svnkit
                                    
     原文：http://blog.csdn.net/hardwin/article/details/7963318 
  
import java.io.File;  
  
import org.apache.log4j.Logger;  
import org.tmatesoft.svn.core.SVNCommitInfo;  
import org.tmateso
    
                                
    • 
                                
  • 对比浏览器，casperjs，httpclient的Header信息
                                    alleni123
爬虫crawlerheader
                                    
    		@Override
		protected void doGet(HttpServletRequest req, HttpServletResponse res) throws ServletException, IOException
		{
			String type=req.getParameter("type");
			Enumeration es=re
    
                                
    • 
                                
  • java.io操作 DataInputStream和DataOutputStream基本数据流
                                    百合不是茶
java流
                                    
    1，java中如果不保存整个对象，只保存类中的属性，那么我们可以使用本篇文章中的方法，如果要保存整个对象  先将类实例化  后面的文章将详细写到 
  
  
2，DataInputStream 是java.io包中一个数据输入流允许应用程序以与机器无关方式从底层输入流中读取基本 Java 数据类型。应用程序可以使用数据输出流写入稍后由数据输入流读取的数据。
    
                                
    • 
                                
  • 车辆保险理赔案例
                                    bijian1013
车险
                                    
    理赔案例： 
一货运车，运输公司为车辆购买了机动车商业险和交强险，也买了安全生产责任险，运输一车烟花爆竹，在行驶途中发生爆炸，出现车毁、货损、司机亡、炸死一路人、炸毁一间民宅等惨剧，针对这几种情况，该如何赔付。 
赔付建议和方案： 
客户所买交强险在这里不起作用，因为交强险的赔付前提是：“机动车发生道路交通意外事故”； 
如果是交通意外事故引发的爆炸，则优先适用交强险条款进行赔付，不足的部分由商业
    
                                
    • 
                                
  • 学习Spring必学的Java基础知识(5)—注解
                                    bijian1013
javaspring
                                    
            文章来源：http://www.iteye.com/topic/1123823，整理在我的博客有两个目的：一个是原文确实很不错，通俗易懂，督促自已将博主的这一系列关于Spring文章都学完；另一个原因是为免原文被博主删除，在此记录，方便以后查找阅读。 
  
        有必要对
    
                                
    • 
                                
  • 【Struts2一】Struts2 Hello World
                                    bit1129
Hello world
                                    
    Struts2 Hello World应用的基本步骤 
创建Struts2的Hello World应用，包括如下几步： 
1.配置web.xml 
2.创建Action 
3.创建struts.xml，配置Action 
4.启动web server，通过浏览器访问 
  配置web.xml 
<?xml version="1.0" encoding="
    
                                
    • 
                                
  • 【Avro二】Avro RPC框架
                                    bit1129
rpc
                                    
    1. Avro RPC简介 1.1. RPC 
 
 RPC逻辑上分为二层，一是传输层，负责网络通信；二是协议层，将数据按照一定协议格式打包和解包 
 从序列化方式来看，Apache Thrift 和Google的Protocol Buffers和Avro应该是属于同一个级别的框架，都能跨语言，性能优秀，数据精简，但是Avro的动态模式（不用生成代码，而且性能很好）这个特点让人非常喜欢，比较适合R
    
                                
    • 
                                
  • lua　set get cookie
                                    ronin47
lua cookie
                                    
    lua:
local access_token = ngx.var.cookie_SGAccessToken
if access_token then
    ngx.header["Set-Cookie"] = "SGAccessToken="..access_token.."; path=/;Max-Age=3000"
end
    
                                
    • 
                                
  • java-打印不大于N的质数
                                    bylijinnan
java
                                    
    

public class PrimeNumber {

	/**
	 * 寻找不大于N的质数
	 */
	public static void main(String[] args) {
		int n=100;
		PrimeNumber pn=new PrimeNumber();
		pn.printPrimeNumber(n);
		System.out.print
    
                                
    • 
                                
  • Spring源码学习-PropertyPlaceholderHelper
                                    bylijinnan
javaspring
                                    
    今天在看Spring 3.0.0.RELEASE的源码，发现PropertyPlaceholderHelper的一个bug 
当时觉得奇怪，上网一搜，果然是个bug，不过早就有人发现了，且已经修复： 
详见： 
http://forum.spring.io/forum/spring-projects/container/88107-propertyplaceholderhelper-bug 
 

    
                                
    • 
                                
  • [逻辑与拓扑]布尔逻辑与拓扑结构的结合会产生什么?
                                    comsci
拓扑
                                    
     
   如果我们已经在一个工作流的节点中嵌入了可以进行逻辑推理的代码,那么成百上千个这样的节点如果组成一个拓扑网络,而这个网络是可以自动遍历的,非线性的拓扑计算模型和节点内部的布尔逻辑处理的结合,会产生什么样的结果呢? 
 
   是否可以形成一种新的模糊语言识别和处理模型呢?  大家有兴趣可以试试,用软件搞这些有个好处,就是花钱比较少,就算不成
    
                                
    • 
                                
  • ITEYE 都换百度推广了
                                    cuisuqiang
GoogleAdSense百度推广广告外快
                                    
    以前ITEYE的广告都是谷歌的Google AdSense，现在都换成百度推广了。 
  
为什么个人博客设置里面还是Google AdSense呢？ 
  
都知道Google AdSense不好申请，这在ITEYE上也不是讨论了一两天了，强烈建议ITEYE换掉Google AdSense。至少，用一个好申请的吧。 
  
什么时候能从ITEYE上来点外快，哪怕少点
    
                                
    • 
                                
  • 新浪微博技术架构分析
                                    dalan_123
新浪微博架构
                                    
    新浪微博在短短一年时间内从零发展到五千万用户，我们的基层架构也发展了几个版本。第一版就是是非常快的，我们可以非常快的实现我们的模块。我们看一下技术特点，微博这个产品从架构上来分析，它需要解决的是发表和订阅的问题。我们第一版采用的是推的消息模式，假如说我们一个明星用户他有10万个粉丝，那就是说用户发表一条微博的时候，我们把这个微博消息攒成10万份，这样就是很简单了，第一版的架构实际上就是这两行字。第
    
                                
    • 
                                
  • 玩转ARP攻击
                                    dcj3sjt126com
r
                                    
    我写这片文章只是想让你明白深刻理解某一协议的好处。高手免看。如果有人利用这片文章所做的一切事情，盖不负责。 网上关于ARP的资料已经很多了，就不用我都说了。 用某一位高手的话来说，“我们能做的事情很多，唯一受限制的是我们的创造力和想象力”。 ARP也是如此。 以下讨论的机子有 一个要攻击的机子：10.5.4.178 硬件地址：52:54:4C:98
    
                                
    • 
                                
  • PHP编码规范
                                    dcj3sjt126com
编码规范
                                    
    一、文件格式 
1. 对于只含有 php 代码的文件，我们将在文件结尾处忽略掉 "?>" 。这是为了防止多余的空格或者其它字符影响到代码。例如：<?php$foo = 'foo';2. 缩进应该能够反映出代码的逻辑结果，尽量使用四个空格，禁止使用制表符TAB，因为这样能够保证有跨客户端编程器软件的灵活性。例
    
                                
    • 
                                
  • linux 脱机管理（nohup）
                                    eksliang
linux nohupnohup
                                    
    脱机管理 nohup 
转载请出自出处：http://eksliang.iteye.com/blog/2166699 
nohup可以让你在脱机或者注销系统后，还能够让工作继续进行。他的语法如下 
nohup [命令与参数]   --在终端机前台工作
nohup [命令与参数] & --在终端机后台工作 
  
但是这个命令需要注意的是，nohup并不支持bash的内置命令，所
    
                                
    • 
                                
  • BusinessObjects Enterprise Java SDK
                                    greemranqq
javaBOSAPCrystal Reports
                                    
    最近项目用到oracle_ADF  从SAP/BO 上调用 水晶报表，资料比较少，我做一个简单的分享，给和我一样的新手 提供更多的便利。 
  
首先，我是尝试用JAVA JSP 去访问的。 
  
官方API：http://devlibrary.businessobjects.com/BusinessObjectsxi/en/en/BOE_SDK/boesdk_ja
    
                                
    • 
                                
  • 系统负载剧变下的管控策略
                                    iamzhongyong
高并发
                                    
    假如目前的系统有100台机器，能够支撑每天1亿的点击量（这个就简单比喻一下），然后系统流量剧变了要，我如何应对，系统有那些策略可以处理，这里总结了一下之前的一些做法。 
1、水平扩展 
这个最容易理解，加机器，这样的话对于系统刚刚开始的伸缩性设计要求比较高，能够非常灵活的添加机器，来应对流量的变化。 
2、系统分组 
假如系统服务的业务不同，有优先级高的，有优先级低的，那就让不同的业务调用提前分组
    
                                
    • 
                                
  • BitTorrent DHT 协议中文翻译
                                    justjavac
bit
                                    
    前言 
做了一个磁力链接和BT种子的搜索引擎 {Magnet & Torrent}，因此把 DHT 协议重新看了一遍。 
 
 BEP: 5Title: DHT ProtocolVersion: 3dec52cb3ae103ce22358e3894b31cad47a6f22bLast-Modified: Tue Apr 2 16:51:45 2013 -070
    
                                
    • 
                                
  • Ubuntu下Java环境的搭建
                                    macroli
java工作ubuntu
                                    
    配置命令： 
　　$sudo apt-get install ubuntu-restricted-extras 
　　再运行如下命令： 
　　$sudo apt-get install sun-java6-jdk 
　　待安装完毕后选择默认Java. 
　　$sudo update- alternatives --config java 
　　安装过程提示选择，输入“2”即可，然后按回车键确定。 
    
                                
    • 
                                
  • js字符串转日期（兼容IE所有版本）
                                    qiaolevip
TODateStringIE
                                    
    	/**
	 * 字符串转时间（yyyy-MM-dd HH:mm:ss）
	 * result （分钟）
	 */
	stringToDate : function(fDate){
		var fullDate = fDate.split(" ")[0].split("-");
		var fullTime = fDate.split("
    
                                
    • 
                                
  • 【数据挖掘学习】关联规则算法Apriori的学习与SQL简单实现购物篮分析
                                    superlxw1234
sql数据挖掘关联规则
                                    
    关联规则挖掘用于寻找给定数据集中项之间的有趣的关联或相关关系。 
关联规则揭示了数据项间的未知的依赖关系，根据所挖掘的关联关系，可以从一个数据对象的信息来推断另一个数据对象的信息。 
例如购物篮分析。牛奶 ⇒ 面包 [支持度：3%，置信度：40%]  支持度3%：意味3%顾客同时购买牛奶和面包。   置信度40%：意味购买牛奶的顾客40%也购买面包。   规则的支持度和置信度是两个规则兴
    
                                
    • 
                                
  • Spring 5.0 的系统需求，期待你的反馈
                                    wiselyman
spring
                                    
            
       Spring 5.0将在2016年发布。Spring5.0将支持JDK 9。 
  
       Spring 5.0的特性计划还在工作中，请保持关注，所以作者希望从使用者得到关于Spring 5.0系统需求方面的反馈。 
 
    
                                
    • 
                

            

        

    




    

        

            按字母分类：
            ABCDEFGHIJKLMNOPQRSTUVWXYZ其他