- Yolo-v3利用GPU训练make时发生错误:/usr/bin/ld: cannot find -lcuda
徐小妞66666
一.利用GPU训练Yolov3时,首先要修改MakeFile文件,修改格式如下:GPU=1(原来为0)CUDNN=1(原来为0)NVCC=/usr/local/cuda/bin/nvcc(新建,注意自己本机的地址)二.此时make产生错误/usr/bin/ld:cannotfind-lcuda1.查看MakeFile文件找到该行代码:LDFLAGS+=-L/usr/local/cuda/lib64
- 目标检测-YOLOv3
wydxry
深度学习目标检测YOLO深度学习
YOLOv3介绍YOLOv3(YouOnlyLookOnce,Version3)是YOLO系列目标检测模型的第三个版本,相较于YOLOv2有了显著的改进和增强,尤其在检测速度和精度上表现优异。YOLOv3的设计目标是在保持高速的前提下提升检测的准确性和稳定性。下面是对YOLOv3改进和优势的介绍,以及YOLOv3核心部分的代码展示。相比YOLOv2的改进与优势多尺度特征金字塔YOLOv3引入了FP
- 目标检测-YOLOv4
wydxry
深度学习目标检测YOLO目标跟踪
YOLOv4介绍YOLOv4是YOLO系列的第四个版本,继承了YOLOv3的高效性,并通过大量优化和改进,在目标检测任务中实现了更高的精度和速度。相比YOLOv3,YOLOv4在框架设计、特征提取、训练策略等方面进行了全面升级。它在保持实时检测的同时,显著提升了检测性能,尤其在复杂场景中的表现尤为出色。相比YOLOv3的改进与优势改进的Backbone(CSPDarknet-53)YOLOv4使用
- 来了,YoloV5的TensorFlow版开源
半壶雪
开源自从yolov5开源以来,(不管因为啥原因)深受瞩目,我最近用tensorflow实现了其主要部分。可能是第一个纯正的tensorfow2版本,欢迎tryandstar:github.com/LongxingTan…之前在工作中接触过yolov3(跑过demo应该就算接触过了),效果惊艳。我在视觉领域只是个新人(悲伤的是我一个中年人却在哪儿哪儿都TM是新人),能力有限,疏漏难免。从头开始实现,
- YOLO缺陷检测学习笔记(2)
tt555555555555
YOLO缺陷检测学习笔记YOLO学习笔记
YOLO缺陷检测学习笔记(2)残差连接1.**YOLO的残差连接结构**2.**YOLO使用残差连接的目的**3.**YOLO中的残差块**4.**YOLOv3和YOLOv4的残差连接架构**YOLO网络架构概述1.特征提取网络2.预测头(DetectionHead)3.后处理(Post-processing)YOLOv3/v4的改进YOLOv3YOLOv4SoftmaxSoftmax的性质:So
- DNN学习平台(GoogleNet、SSD、FastRCNN、Yolov3)
吾名招财
人工智能MFC界面应用dnnopencv神经网络
DNN学习平台(GoogleNet、SSD、FastRCNN、Yolov3)前言相关介绍1,登录界面:2,主界面:3,部分功能演示如下(1)识别网络图片(2)GoogleNet分类(3)人脸识别(4)SSD目标检测(5)FasterRCNN目标检测资源链接(含源码)前言 还记得上学那会儿刚学完几个深度学习模型的C++简单部署应用,当时特别兴奋,外加那会儿还能自己写界面生成应用程序了,就想着做一个
- YOLO系列目标检测数据集大全_yolo数据集(1)
2401_84187537
程序员YOLO目标检测人工智能
Darknet版YOLOv4猫狗识别训练好的权重文件:https://download.csdn.net/download/zhiqingAI/85541214Darknet版YOLOv3猫狗识别训练好的权重文件:https://download.csdn.net/download/zhiqingAI/85541209DeepSORT-YOLOv5猫狗检测和跟踪+可视化目标运动轨迹yolov7猫狗
- 目标检测 | yolov8 原理和介绍
hero_hilog
目标检测AIYOLO目标检测
相关系列:目标检测|yolov1原理和介绍目标检测|yolov2/yolo9000原理和介绍目标检测|yolov3原理和介绍目标检测|yolov4原理和介绍目标检测|yolov5原理和介绍目标检测|yolov6原理和介绍目标检测|yolov7原理和介绍目标检测|yolov8原理和介绍目标检测|yolov9原理和介绍目标检测|yolov10原理和介绍IEEE链接:https://ieeexplore
- 【计算机视觉面经四】基于深度学习的目标检测算法面试必备(RCNN~YOLOv5)
旅途中的宽~
计算机视觉面经总结计算机视觉深度学习目标检测YOLORCNN
文章目录一、前言二、两阶段目标检测算法2.1RCNN2.2Fast-RCNN2.3FasterR-CNN三、多阶段目标检测算法3.1CascadeR-CNN四、单阶段目标检测算法4.1编码方式4.1.1基于中心坐标4.1.1.1方案14.1.1.2方案24.1.1.3方案34.2YOLOv14.3SSD4.4YOLOv24.5RetinaNet4.6YOLOv34.7YOLOv44.8YOLOv5
- 深度学习||YOLO(You Only Look Once)深度学习的实时目标检测算法(YOLOv1~YOLOv5)
小嘤嘤怪学
深度学习算法目标检测
目录YOLOv1:YOLOv2:YOLOv3:YOLOv4:YOLOv5:总结:YOLO(YouOnlyLookOnce)是一系列基于深度学习的实时目标检测算法。自从2015年首次被提出以来,YOLO系列不断发展,推出了多个版本,包括YOLOv1,YOLOv2,YOLOv3,YOLOv4,和YOLOv5等。下面是对YOLO系列的详解:YOLOv1:提出时间:2015年。主要贡献:将目标检测任务转换
- 挑战杯 YOLOv7 目标检测网络解读
laafeer
python
文章目录0前言1yolov7的整体结构2关键点-backbone关键点-head3训练4使用效果5最后0前言世界变化太快,YOLOv6还没用熟YOLOv7就来了,如果有同学的毕设项目想用上最新的技术,不妨看看学长的这篇文章,学长带大家简单的解读yolov7,目的是对yolov7有个基础的理解。从2015年的YOLOV1,2016年YOLOV2,2018年的YOLOV3,到2020年的YOLOV4、
- yolov3-tiny
HelloWorldQAQ。
CNN模型介绍自动驾驶深度学习神经网络
文章目录一、目标检测简介二、Yolov3-tiny2.1anchorbox2.2NMS算法三、后记一、目标检测简介针对一张图片,根据后续任务的需要,有三个主要层次。一是分类(Classification),即是将图像结构化为某一类别的信息,用事先确定好的类别或实例ID来描述图片,这一任务是最简单、最基础的图像理解任务,也是深度学习模型最先取得突破和实现大规模应用的任务。其中ImageNet是最权威
- YOLO系列详解(YOLOV1-YOLOV3)
X.AI666
深度学习yolo
YOLO算法简介本文主要介绍YOLO算法,包括YOLOv1、YOLOv2/YOLO9000和YOLOv3。YOLO算法作为one-stage目标检测算法最典型的代表,其基于深度神经网络进行对象的识别和定位,运行速度很快,可以用于实时系统。了解YOLO是对目标检测算法研究的一个必须步骤。目标检测思路目标检测属于计算机视觉的一个中层任务,该任务可以细化为目标定位与目标识别两个任务,简单来说,找到图片中
- AI助力农作物自动采摘,基于YOLOv3全系列【yolov3tiny/yolov3/yolov3spp】参数模型开发构建作物生产场景下番茄采摘检测计数分析系统
Together_CZ
人工智能YOLO
去年十一那会无意间刷到一个视频展示的就是德国机械收割机非常高效自动化地24小时不间断地在超广阔的土地上采摘各种作物,专家设计出来了很多用于采摘不同农作物的大型机械,看着非常震撼,但是我们国内农业的发展还是相对比较滞后的,小的时候拔草是一个人一列蹲在地里就在那埋头拔草,不知道什么时候才能走到地的尽头,小块的分散的土地太多基本上都是只能人工手工来取收割,大点的连片的土地可以用收割机来收割,不过收割机基
- 如何用OpenCV加载Yolov5并使用CUDA加速
geekboys
1背景随着Pytorch、TensorFlow等有效的框架被用来深度的学习开发,各种任务的模型也层出不穷。但是大多的部署往往依赖签名的两个框架,需要前面的两个框架大量的库。而且先前的Yolov3和Yolov4有官方直接支持,可以自接加载weights和cfg文件。部署起来相对来说就很简单,但是最新的Yolov5确实基于Pytorch版本的,这使用Opencv部署起来就稍微的麻烦了。可以这时候我们希
- 在C++上如何使用OpenCV头文件是什么_用OpenCV的dnn模块调用yolov3模型
weixin_39785858
前言在实际应用场景,我们用darknet的GPU版本训练自己的数据,得到权值文件,然后我们可以调用训练的好的模型去实现自己的检测项目。一般情况下,我们可以使用opencv的dnn模块去调用yolov3。下面大致讲解一下如何是实现调用。一、环境准备1、编译好darknet的GPU版本。可参考我的文章https://zhuanlan.zhihu.com/p/1343471762、安装好opencv3.
- C++ OpenCV-dnn模块调用模型进行目标检测 (支持CUDA加速)
枸杞叶儿
经验笔记深度学习神经网络
前言OpenCV4.4开始支持YOLOv4模型的调用,需要使用Opencv的DNN模块。编译安装OpenCV和OpenCV-contrib库步骤,点此链接C++OpenCV调用YOLO模型的完整代码点此下载一、模型加载constexprconstchar*darknet_cfg="../face/yolov3-tiny.cfg";//网络文件constexprconstchar*darknet_w
- Darknet yolov3 Makefile文件解析
未完城
ubuntudeep-learningdarknetlinuxmakefile
文章目录1.darknetMakefile注释2.reference现在搞深度学习都在linux平台,经常遇到gcc手动编译的时候。由于linux平台没有通用的IDE,大家都是靠Makefile配置文件进行make。在学习darknet框架的过程中,决定要顺便搞清楚Makefile的写法和参数配置。Makefile完整的教程网上有很多,我暂时也不打算完整学一遍,仅仅把遇到的都搞懂,下次遇到新的东西
- 【从零开始学习YOLOv3】5. 网络模型的构建
pprpp
前言:之前几篇讲了cfg文件的理解、数据集的构建、数据加载机制和超参数进化机制,本文将讲解YOLOv3如何从cfg文件构造模型。本文涉及到一个比较有用的部分就是bias的设置,可以提升mAP、F1、P、R等指标,还能让训练过程更加平滑。1.cfg文件在YOLOv3中,修改网络结构很容易,只需要修改cfg文件即可。目前,cfg文件支持convolutional,maxpool,unsample,ro
- python相对导入错误,ValueError: attempted relative import beyond top-level package
aminghhhh
pythonpycharm
在yolov3的文件中出现了类似的相对导入错误,同时类似的还有ValueError:attemptedrelativeimportnoparentpackage或者明明存在的.py文件报错说不存在,例如Modulenofound:utilsisnoamodle/XXXisnotamodle。。。这是由于在引入文件的时候相对导入的问题直接说解决方法:将相对导入改为绝对导入1.先右键点击package
- 经典目标检测YOLO系列(三)YOLOv3算法详解
undo_try
#深度学习目标检测YOLOpython
经典目标检测YOLO系列(三)YOLOv3算法详解不论是YOLOv1,还是YOLOv2,都有一个共同的致命缺陷:小目标检测的性能差。尽管YOLOv2使用了passthrough技术将16倍降采样的特征图(即C4特征图)融合到了C5特征图中,但最终的检测仍是在C5尺度的特征图上进行的。为了解决这一问题,YOLO作者做了第3次改进,主要改进如下:使用了更好的主干网络DarkNet-53使用了多级检测与
- 经典目标检测YOLO系列(三)YOLOv3的复现(2)正样本的匹配、损失函数的实现
undo_try
#深度学习目标检测YOLO
经典目标检测YOLO系列(三)YOLOv3的复现(2)正样本的匹配、损失函数的实现我们在之前实现YOLOv2的基础上,加入了多级检测及FPN,快速的实现了YOLOv3的网络架构,并且实现了前向推理过程。经典目标检测YOLO系列(三)YOLOV3的复现(1)总体网络架构及前向处理过程我们继续进行YOLOv3的复现。1正样本匹配策略1.1基于先验框的正样本匹配策略官方YOLOv2的正样本匹配思路是根据
- 经典目标检测YOLO系列(三)YOLOV3的复现(1)总体网络架构及前向处理过程
undo_try
#深度学习目标检测YOLO人工智能
经典目标检测YOLO系列(三)YOLOV3的复现(1)总体网络架构及前向处理过程和之前实现的YOLOv2一样,根据《YOLO目标检测》(ISBN:9787115627094)一书,在不脱离YOLOv3的大部分核心理念的前提下,重构一款较新的YOLOv3检测器,来对YOLOv3有更加深刻的认识。书中源码连接:RT-ODLab:YOLOTutorial1、YOLOv3网络架构1.1DarkNet53主
- keras yolo v3调用笔记本本地摄像头实时监测
A大于_963a
最近在学习yolov3,下载了yolo的keras版本,按照工程里readme中将权重下载,运行Convert后,可以进行yolo的图像检测,图像检测命令:pythonyolo_video.py--image,然后在提示下输入图片路径即可实现本地图片检测。本地视频检测:pythonyolo_video.py--inputxxx.mp4即可实时检测本地视频。然后,想用笔记本的自带摄像头进行实时检测,
- YOLOv3测试和训练
weixin_42103837
python
参考文章:学习YOLO系列的个人总结_boss-dog的博客-CSDN博客windows操作系统上运行ultralytics/yolov3进行目标检测_itsgoodtobebad的专栏-CSDN博客0.环境windows101.下载2.建立虚环境、安装包安装包非常缓慢忘了指定下载源$pipinstall-rrequirements.txt指定下载源pipinstall-rrequirements
- [C#]winform部署yolov7+CRNN实现车牌颜色识别车牌号检测识别
FL1623863129
C#YOLO
【官方框架地址】https://github.com/WongKinYiu/yolov7.git【框架介绍】Yolov7是一种目标检测算法,全称YouOnlyLookOnceversion7。它是继Yolov3和Yolov4之后的又一重要成果,是目标检测领域的一个重要里程碑。Yolov7在算法结构上继承了其前作Yolov3和Yolov4的设计思想,但在许多方面进行了优化和改进。它采用了深度学习技术
- 用python实现yolov3检测工业相机视频
蘑菇的神
python音视频计算机视觉
前言:学习记录环境:windows+pycharm+yolov3相机:海康工业网口相机:MV-CA020-20GC(Gige,彩色,全局)1.网上有很多网络摄像头跑yolo的案例,但是,不行。网络摄像头和工业相机不一样!yolo是能直接检测网络摄像头的视频的(这个我没有试过,因为没有网络摄像头)./darknetdetectordemocfg/coco.datacfg/yolov3.cfgyolo
- 手把手教你用深度学习做物体检测(一): 快速感受物体检测的酷炫
AAI机器之心
深度学习人工智能YOLOcnn机器学习
我们先来看看什么是物体检测,见下图:如上图所示,物体检测就是需要检测出图像中有哪些目标物体,并且框出其在图像中的位置。本篇文章,我将会介绍如何利用训练好的物体检测模型来快速实现上图的效果,这里我们将会用到基于coco数据集训练的yolov3模型,该模型能识别80类物品,具体如下:人自行车汽车摩托车飞机公共汽车火车卡车船红绿灯消防栓停车标志停车收费码表长凳鸟猫狗马羊牛大象熊斑马长颈鹿双肩包雨伞手提包
- 基于树莓派与YOLOv3模型的人体目标检测小车(三)
凌乱533
模型效果:在上文中,我们制作了数据集,并利用数据集进行了模型的训练,利用静态图片和视频对模型的检测效果进行了检验,发现效果还是不错的。imageimage前两张为静态图片检测,后一张为视频检测效果截图。image但是模型要想部署在算力微弱的树莓派上,还需要进行两次模型转化才能运行在NCS上进行前向推理。模型转化:第一次转化:(.weight-->.pb)这里的模型转化OpenVINO给出了官方指南
- YOLOv3(Pytorch版本和Tensorflow版本)学习
南叔先生
机器学习pytorchtensorflow深度学习
一、地址来源YOLOv4最全复现代码合集(含PyTorch/TF/Keras和Caffe等)二、Pytorch版本地址:https://github.com/Tianxiaomo/pytorch-YOLOv4这个地址支持训练RequirementsandDependenciespipinstallnumpy==1.18.2#CPUonlypipinstalltorch==1.4.0+cputorc
- Nginx负载均衡
510888780
nginx应用服务器
Nginx负载均衡一些基础知识:
nginx 的 upstream目前支持 4 种方式的分配
1)、轮询(默认)
每个请求按时间顺序逐一分配到不同的后端服务器,如果后端服务器down掉,能自动剔除。
2)、weight
指定轮询几率,weight和访问比率成正比
- RedHat 6.4 安装 rabbitmq
bylijinnan
erlangrabbitmqredhat
在 linux 下安装软件就是折腾,首先是测试机不能上外网要找运维开通,开通后发现测试机的 yum 不能使用于是又要配置 yum 源,最后安装 rabbitmq 时也尝试了两种方法最后才安装成功
机器版本:
[root@redhat1 rabbitmq]# lsb_release
LSB Version: :base-4.0-amd64:base-4.0-noarch:core
- FilenameUtils工具类
eksliang
FilenameUtilscommon-io
转载请出自出处:http://eksliang.iteye.com/blog/2217081 一、概述
这是一个Java操作文件的常用库,是Apache对java的IO包的封装,这里面有两个非常核心的类FilenameUtils跟FileUtils,其中FilenameUtils是对文件名操作的封装;FileUtils是文件封装,开发中对文件的操作,几乎都可以在这个框架里面找到。 非常的好用。
- xml文件解析SAX
不懂事的小屁孩
xml
xml文件解析:xml文件解析有四种方式,
1.DOM生成和解析XML文档(SAX是基于事件流的解析)
2.SAX生成和解析XML文档(基于XML文档树结构的解析)
3.DOM4J生成和解析XML文档
4.JDOM生成和解析XML
本文章用第一种方法进行解析,使用android常用的DefaultHandler
import org.xml.sax.Attributes;
- 通过定时任务执行mysql的定期删除和新建分区,此处是按日分区
酷的飞上天空
mysql
使用python脚本作为命令脚本,linux的定时任务来每天定时执行
#!/usr/bin/python
# -*- coding: utf8 -*-
import pymysql
import datetime
import calendar
#要分区的表
table_name = 'my_table'
#连接数据库的信息
host,user,passwd,db =
- 如何搭建数据湖架构?听听专家的意见
蓝儿唯美
架构
Edo Interactive在几年前遇到一个大问题:公司使用交易数据来帮助零售商和餐馆进行个性化促销,但其数据仓库没有足够时间去处理所有的信用卡和借记卡交易数据
“我们要花费27小时来处理每日的数据量,”Edo主管基础设施和信息系统的高级副总裁Tim Garnto说道:“所以在2013年,我们放弃了现有的基于PostgreSQL的关系型数据库系统,使用了Hadoop集群作为公司的数
- spring学习——控制反转与依赖注入
a-john
spring
控制反转(Inversion of Control,英文缩写为IoC)是一个重要的面向对象编程的法则来削减计算机程序的耦合问题,也是轻量级的Spring框架的核心。 控制反转一般分为两种类型,依赖注入(Dependency Injection,简称DI)和依赖查找(Dependency Lookup)。依赖注入应用比较广泛。
- 用spool+unixshell生成文本文件的方法
aijuans
xshell
例如我们把scott.dept表生成文本文件的语句写成dept.sql,内容如下:
set pages 50000;
set lines 200;
set trims on;
set heading off;
spool /oracle_backup/log/test/dept.lst;
select deptno||','||dname||','||loc
- 1、基础--名词解析(OOA/OOD/OOP)
asia007
学习基础知识
OOA:Object-Oriented Analysis(面向对象分析方法)
是在一个系统的开发过程中进行了系统业务调查以后,按照面向对象的思想来分析问题。OOA与结构化分析有较大的区别。OOA所强调的是在系统调查资料的基础上,针对OO方法所需要的素材进行的归类分析和整理,而不是对管理业务现状和方法的分析。
OOA(面向对象的分析)模型由5个层次(主题层、对象类层、结构层、属性层和服务层)
- 浅谈java转成json编码格式技术
百合不是茶
json编码java转成json编码
json编码;是一个轻量级的数据存储和传输的语言
在java中需要引入json相关的包,引包方式在工程的lib下就可以了
JSON与JAVA数据的转换(JSON 即 JavaScript Object Natation,它是一种轻量级的数据交换格式,非
常适合于服务器与 JavaScript 之间的数据的交
- web.xml之Spring配置(基于Spring+Struts+Ibatis)
bijian1013
javaweb.xmlSSIspring配置
指定Spring配置文件位置
<context-param>
<param-name>contextConfigLocation</param-name>
<param-value>
/WEB-INF/spring-dao-bean.xml,/WEB-INF/spring-resources.xml,
/WEB-INF/
- Installing SonarQube(Fail to download libraries from server)
sunjing
InstallSonar
1. Download and unzip the SonarQube distribution
2. Starting the Web Server
The default port is "9000" and the context path is "/". These values can be changed in &l
- 【MongoDB学习笔记十一】Mongo副本集基本的增删查
bit1129
mongodb
一、创建复本集
假设mongod,mongo已经配置在系统路径变量上,启动三个命令行窗口,分别执行如下命令:
mongod --port 27017 --dbpath data1 --replSet rs0
mongod --port 27018 --dbpath data2 --replSet rs0
mongod --port 27019 -
- Anychart图表系列二之执行Flash和HTML5渲染
白糖_
Flash
今天介绍Anychart的Flash和HTML5渲染功能
HTML5
Anychart从6.0第一个版本起,已经逐渐开始支持各种图的HTML5渲染效果了,也就是说即使你没有安装Flash插件,只要浏览器支持HTML5,也能看到Anychart的图形(不过这些是需要做一些配置的)。
这里要提醒下大家,Anychart6.0版本对HTML5的支持还不算很成熟,目前还处于
- Laravel版本更新异常4.2.8-> 4.2.9 Declaration of ... CompilerEngine ... should be compa
bozch
laravel
昨天在为了把laravel升级到最新的版本,突然之间就出现了如下错误:
ErrorException thrown with message "Declaration of Illuminate\View\Engines\CompilerEngine::handleViewException() should be compatible with Illuminate\View\Eng
- 编程之美-NIM游戏分析-石头总数为奇数时如何保证先动手者必胜
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class Nim {
/**编程之美 NIM游戏分析
问题:
有N块石头和两个玩家A和B,玩家A先将石头随机分成若干堆,然后按照BABA...的顺序不断轮流取石头,
能将剩下的石头一次取光的玩家获胜,每次取石头时,每个玩家只能从若干堆石头中任选一堆,
- lunce创建索引及简单查询
chengxuyuancsdn
查询创建索引lunce
import java.io.File;
import java.io.IOException;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.document.Docume
- [IT与投资]坚持独立自主的研究核心技术
comsci
it
和别人合作开发某项产品....如果互相之间的技术水平不同,那么这种合作很难进行,一般都会成为强者控制弱者的方法和手段.....
所以弱者,在遇到技术难题的时候,最好不要一开始就去寻求强者的帮助,因为在我们这颗星球上,生物都有一种控制其
- flashback transaction闪回事务查询
daizj
oraclesql闪回事务
闪回事务查询有别于闪回查询的特点有以下3个:
(1)其正常工作不但需要利用撤销数据,还需要事先启用最小补充日志。
(2)返回的结果不是以前的“旧”数据,而是能够将当前数据修改为以前的样子的撤销SQL(Undo SQL)语句。
(3)集中地在名为flashback_transaction_query表上查询,而不是在各个表上通过“as of”或“vers
- Java I/O之FilenameFilter类列举出指定路径下某个扩展名的文件
游其是你
FilenameFilter
这是一个FilenameFilter类用法的例子,实现的列举出“c:\\folder“路径下所有以“.jpg”扩展名的文件。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
- C语言学习五函数,函数的前置声明以及如何在软件开发中合理的设计函数来解决实际问题
dcj3sjt126com
c
# include <stdio.h>
int f(void) //括号中的void表示该函数不能接受数据,int表示返回的类型为int类型
{
return 10; //向主调函数返回10
}
void g(void) //函数名前面的void表示该函数没有返回值
{
//return 10; //error 与第8行行首的void相矛盾
}
in
- 今天在测试环境使用yum安装,遇到一个问题: Error: Cannot retrieve metalink for repository: epel. Pl
dcj3sjt126com
centos
今天在测试环境使用yum安装,遇到一个问题:
Error: Cannot retrieve metalink for repository: epel. Please verify its path and try again
处理很简单,修改文件“/etc/yum.repos.d/epel.repo”, 将baseurl的注释取消, mirrorlist注释掉。即可。
&n
- 单例模式
shuizhaosi888
单例模式
单例模式 懒汉式
public class RunMain {
/**
* 私有构造
*/
private RunMain() {
}
/**
* 内部类,用于占位,只有
*/
private static class SingletonRunMain {
priv
- Spring Security(09)——Filter
234390216
Spring Security
Filter
目录
1.1 Filter顺序
1.2 添加Filter到FilterChain
1.3 DelegatingFilterProxy
1.4 FilterChainProxy
1.5
- 公司项目NODEJS实践0.1
逐行分析JS源代码
mongodbnginxubuntunodejs
一、前言
前端如何独立用nodeJs实现一个简单的注册、登录功能,是不是只用nodejs+sql就可以了?其实是可以实现,但离实际应用还有距离,那要怎么做才是实际可用的。
网上有很多nod
- java.lang.Math
liuhaibo_ljf
javaMathlang
System.out.println(Math.PI);
System.out.println(Math.abs(1.2));
System.out.println(Math.abs(1.2));
System.out.println(Math.abs(1));
System.out.println(Math.abs(111111111));
System.out.println(Mat
- linux下时间同步
nonobaba
ntp
今天在linux下做hbase集群的时候,发现hmaster启动成功了,但是用hbase命令进入shell的时候报了一个错误 PleaseHoldException: Master is initializing,查看了日志,大致意思是说master和slave时间不同步,没办法,只好找一种手动同步一下,后来发现一共部署了10来台机器,手动同步偏差又比较大,所以还是从网上找现成的解决方
- ZooKeeper3.4.6的集群部署
roadrunners
zookeeper集群部署
ZooKeeper是Apache的一个开源项目,在分布式服务中应用比较广泛。它主要用来解决分布式应用中经常遇到的一些数据管理问题,如:统一命名服务、状态同步、集群管理、配置文件管理、同步锁、队列等。这里主要讲集群中ZooKeeper的部署。
1、准备工作
我们准备3台机器做ZooKeeper集群,分别在3台机器上创建ZooKeeper需要的目录。
数据存储目录
- Java高效读取大文件
tomcat_oracle
java
读取文件行的标准方式是在内存中读取,Guava 和Apache Commons IO都提供了如下所示快速读取文件行的方法: Files.readLines(new File(path), Charsets.UTF_8); FileUtils.readLines(new File(path)); 这种方法带来的问题是文件的所有行都被存放在内存中,当文件足够大时很快就会导致
- 微信支付api返回的xml转换为Map的方法
xu3508620
xmlmap微信api
举例如下:
<xml>
<return_code><![CDATA[SUCCESS]]></return_code>
<return_msg><![CDATA[OK]]></return_msg>
<appid><