Dontla
Dontla

yolo-v2 v3实现笔记

参考文章1: 目标检测之YOLOv2，最详细的代码解析

参考文章2: [Deep learning 环境配置之四]YOLO算法之YAD2K配置教程

参考文章3: 5分钟GET AI - 用 Python 玩转 YOLO

参考文章4: python ctypes 探究 ---- python 与 c 的交互

参考文章5: 深度学习框架究竟是什么？

参考文章6: Darknet_yolov2综述入门整理 ⭐

参考文章7: Darknet概述

参考文章8: darknet用自己的数据进行训练

参考文章9: YOLO配置文件理解

参考文章10: CNN中feature map、卷积核、卷积核个数、filter、channel的概念解释，以及CNN 学习过程中卷积核更新的理解

参考文章11: 从YOLOv1到YOLOv3，目标检测的进化之路

参考文章12: 准确率，召回率，mAP(mean average precision)解释

参考文章13: YOLOv2目标检测_单目标_训练自己数据全过程（自用）

参考文章14: yolov2训练自己的数据（win10超详细版）

参考文章15: 目标检测：YOLOv3: 训练自己的数据

参考文章16: Dll的分析与编写(一)

参考文章17: extern "C"的用法解析

参考文章18: Yolo v2 多版本安装

参考文章19: darknet框架中YOLO3的参数理解

参考文章20: YAD2K: Yet Another Darknet 2 Keras

参考文章21: YOLOv2 in PyTorch

参考文章22: A PyTorch implementation of a YOLO v3 Object Detector

参考文章23: YOLOv3 in PyTorch > ONNX > CoreML > iOS

参考文章24: Minimal PyTorch implementation of YOLOv3

参考文章25: pure tensorflow Implement of YOLOv3 with support to train your own dataset

参考文章26: YOLOv3算法详解(包括前向传播过程、YOLOv3 损失函数的理解、YOLOv3 的训练技巧)

参考文章27: YOLOv3目标检测有了TensorFlow实现，可用自己的数据来训练(from 量子位)

参考文章：图解 YoloV2

参考文章：YOLOv2训练自己的数据集（VOC格式）

你可能感兴趣的:(Yolo-v2)

  • 经典目标检测YOLO系列(二)YOLOv2算法详解 undo_try #深度学习目标检测YOLO算法
    经典目标检测YOLO系列(二)YOLOv2算法详解YOLO-V1以完全端到端的模式实现达到实时水平的目标检测。但是，YOLO-V1为追求速度而牺牲了部分检测精度，在检测速度广受赞誉的同时，其检测精度也饱受诟病。正是由于这个原因，YOLO团队在2016年提出了YOLO的第一个改进版本—YOLO-V2。该论文题目，直接指出了该模型的存在三大特点——更好（better）、更快（faster）、更强（st
  • （三）YOLO-V2改进细节 Life Pursuer 深度学习机器学习pytorch目标检测
    （1）Dropout与BatchNormalization在V1版本中使用Dropout，在前向传播时，停止一部分神经元，使模型泛化性更强，防止过拟合在V2版本中改进为BN（批量标准化），对数据进行归一化（统一格式、均衡化、去噪等），提高训练速度，提升训练效果BN在目前已经成为网络必备模块（2）更大的分辨率V1版本中训练使用224*224的分辨率，而测试使用448*448V2版本中额外加上10个e
  • YoloV2 ReLuJie #目标检测深度学习目标检测深度学习计算机视觉
    时间线MotivationYolo-v1是在检测精度尚可的前提下达到了实时检测，同年的SSD检测速度略慢但检测精度远高于Yolo-v1，因此，Yolo-v2则是着眼于检测得更快更准，同时它利用WordTree创造性地将ImageNet和coco结合起来构建了beyondcoco的Yolo9000，为后续的研究、工程应用打开了一扇门。Better--Batchnormalization通过采用BN而
  • 【论文解读】yolo-v2 昌山小屋 论文深度学习yolov2深度学习
    介绍作者在yolo的基础上进行改进，提出了yolov2。此外，作者还提出了一种目标检测与分类的联合训练方法，允许在检测和分类数据集中训练目标检测系统。图：yolo网络架构BatchNormalization在YOLO所有的卷积层后面添加了NB，在不需要其它形式的正则化的情况下NB极大地加速了收敛，并且不用dropout也不会出现过拟合，mAP获得了%2的提升。HighResolutionClass
  • 目标检测之Yolov3与Anchor-Free javastart 深度学习深度学习计算机视觉python
    原文：目标检测之RCNN、Yolo、SSD、RetinaNet与Anchor-Free_dagongji10的博客-CSDN博客2.2Yolov3（2018）Yolo-v3论文比Yolo-v2还要随意，具体优化内容主要有：bbox的预测：基本上还是沿用Yolo-v2那一套（对anchor的offset），但是Yolo-v3使用逻辑回归对每一个框打分，该分数用于选取与GroundTruth最为契合的
  • yolo-v2 高 目标检测目标检测
    对yolo-v1（定位性能，recall，小目标和密集目标差）的改进：Better：1.加入BN层2.高分辨率分类器，先在224*224上训练，再在448*448上（因为没了FC层，加上了全局池化层，所以没有了图像的尺寸的限制）训练10epoach，再在448*448上微调。3.加入了anchor机制，通过k值聚类对原始的图像的boundingbox的高宽比进行聚类，分为了5类。对于grid改为了
  • 物体检测之YOLO系列 Clark-dj 人工智能杂七杂八
    业界对于目标检测的热度只增不减，但目前的框架也难于逾越RCNN系列、SSD、YOLO系列这三座大山，很多新的方法也是在此基础上做一些改进，所以有必要做一些整理，方便自己后续查看，这里先对YOLO系列做一些整理。没看过文章的可以回头细细品味下yolo-v1(发表于2016.5)、yolo-v2(发表于2016.12)、yolo-v3(发表于2018.4)这是继RCNN系列（two-stage）后针对
  • 关于YOLO的资料收集 干粮的节操菌
    YOLO，英文当中的Youonlylookonce的缩写，是目前最先进的实时对象检测系统。据网上撰写数据，它在台式机显卡TitanX上，能实时处理40-90fps/s的图像，准确率高达78.6%（VOC2007）或COCOtest-dev的48.1%。voc-2017基本信息作为标准数据集，voc-2007是衡量图像分类识别能力的基准，faster-rcnn，yolo-v1,yolo-v2都以此数
  • 目标检测算法基础知识(一) 上帝是笨蛋222 人工智能目标检测算法SSDVOC2007mAPIoU
    1.多目标检测算法常用的算法有rcnn,fast-rcnn,yolo,ssd,yolo-v2等,最近出来了yolo-v3２.FPS：FPS是FramePerSecond的缩写，中文意思是每秒帧数，即帧速。３.作为标准数据集，voc-2007是衡量图像分类识别能力的基准。faster-rcnn，yolo-v1,yolo-v2都以此数据集为最为演示样例.VOC数据集共包含：训练集（5011幅），测试集
  • YOLO详解 kk123k 深度学习YOLO卷积神经网络深度学习目标检测
    原创博客，转载请注明出处！YOLO（YouOnlyLookOnce）是2016年提出的一篇关于目标检测比较有名的文章。其以速度快和泛化能力强为优点。在YOLO之后，又改进出了YOLO-v2、YOLO-v3，v2、v3的精度相比v1有了很大的提升，这个后面再详细介绍。本文介绍的YOLO第一版。1、直观理解YOLOYOLO直接采用regression（回归）的方法进行坐标框的检测以及分类，使用一个en
  • 【智能算法】硬核干货算法文章汇总 机器学习算法那些事 算法神经网络人工智能深度学习计算机视觉
    春有百花秋有月，夏有凉风冬有雪。——智能算法墙裂推荐关注！目标检测算法17.持续更新...16.目标检测算法(第16期)--YOLO-V2算法结构详解15.目标检测算法(第15期)--YOLO-V1损失函数详解14.目标检测算法(第14期)--YOLO-V1检测算法详解13.目标检测算法(第13期)--SSD检测算法必须知道的几个关键点12.目标检测算法(第12期)--SSD检测算法结构详解11.
  • YOLO-V3-SPP详细解析 小哈蒙德 深度学习目标检测神经网络人工智能计算机视觉深度学习pytorch
    YOLO-V3-SPP继前两篇简单的YOLO博文YOLO-V1论文理解《YouOnlyLookOnce:Unified,Real-TimeObjectDetection》YOLO-V2论文理解《YOLO9000:Better,Faster,Stronger》上面两篇博文主要在理论上记录了YOLO版本迭代后的区别，并没有去实验源码解读，YOLO-V3-SPP主要在YOLO-V2的基础上加了很多tri
  • YOLOv2(一) 参考资料 NoneLand
    参考资料Yolo-v2训练voc及自己的数据集【YOLO学习】使用YOLOv2训练自己的数据PythonWrappersforYolov2YOLOv2如何fine-tuning？Yolov2ontensorflowHowtouseClibraryinpython?(GeneratingPythonwrappersforClibrary)UseDarklnetasalibGoogleGroupQue
  • 物体检测之YOLO系列（v1-v2-v3）小结 技术大渣渣
    业界对于目标检测的热度只增不减，但目前的框架也难于逾越RCNN系列、SSD、YOLO系列这三座大山，很多新的方法也是在此基础上做一些改进，所以有必要做一些整理，方便自己后续查看，这里先对YOLO系列做一些整理。没看过文章的可以回头细细品味下yolo-v1(发表于2016.5)、yolo-v2(发表于2016.12)、yolo-v3(发表于2018.4)这是继RCNN系列（two-stage）后针对
  • 目标检测算法YOLO-V3结构详解（转载） ...XYZ
    上期我们一起学了YOLO-V2的算法结构以及跟YOLO-V1比起来有哪些优缺点，如下：目标检测算法YOLO-V2详解今天我们看下在YOLO-V2版本上改进的YOLO-V3算法，到底做了哪些优化？❞今天我们主要从以下几个方面来学习YOLO-V3对YOLO-V2做了哪些改进。Darknet-53结构YOLO-V3结构先验框设置损失函数模型性能YOLO-V3模型框架YOLO-V3模型框架，我们主要从它的
  • YOLO-V2论文学习（超详细） USTC_SC 论文学习计算机视觉神经网络
    文章目录YOLO9000:Better,Faster,Stronger1.简单介绍2.设计方案BatchNormalizationHighResolutionClassifierConvolutionalWithAnchorBoxes维度聚类直接位置预测细粒度特征多尺度训练Darknet-193.WordTree背景方案4.小结YOLO9000:Better,Faster,Stronger1.简单
  • 对YOLO-v2的理解及阅读笔记 TTTree_ 目标检测YOLOYOLO2目标检测计算机视觉
    YOLO-v2阅读笔记YOLO-v2论文标题：《YOLO9000:Better,Faster,Stronger》，CVPR2017的文章。论文地址：（懒得写链接了）。论文复现代码：http://pjreddie.com/yolo9000/这篇文章其中提出了两种模型，YOLOv2和YOLO9000.但是少了很多细节，比如损失函数的设计、先验框的匹配原则等，想要真正搞懂需要花不少力气看源码。采用多尺度
  • 目标检测算法YOLO-V2详解 智能算法
    ❝上期我们一起学习了YOLO-V1算法的框架原来和损失函数等知识，如下：目标检测算法YOLO-V1算法详解目标检测模型YOLO-V1损失函数详解【文末领福利】❞今天，我们一起学习下YOLO-V2跟YOLO-V1比起来都做了哪些改进？从速度优化和精确度优化的角度来看，主要有以下内容：Darknet-19结构YOLO-v2结构高精度分类器Anchor卷积维度聚类直接位置预测细粒度特征多尺度训练YOLO
  • 目标检测算法YOLO-V3结构详解 智能算法
    ❝上期我们一起学了YOLO-V2的算法结构以及跟YOLO-V1比起来有哪些优缺点，如下：目标检测算法YOLO-V2详解今天我们看下在YOLO-V2版本上改进的YOLO-V3算法，到底做了哪些优化？❞今天我们主要从以下几个方面来学习YOLO-V3对YOLO-V2做了哪些改进。Darknet-53结构YOLO-V3结构先验框设置损失函数模型性能YOLO-V3模型框架YOLO-V3模型框架，我们主要从它
  • 【智能算法】硬核干货算法文章汇总 智能算法
    春有百花秋有月，夏有凉风冬有雪。——智能算法墙裂推荐关注！目标检测算法17.持续更新...16.目标检测算法(第16期)--YOLO-V2算法结构详解15.目标检测算法(第15期)--YOLO-V1损失函数详解14.目标检测算法(第14期)--YOLO-V1检测算法详解13.目标检测算法(第13期)--SSD检测算法必须知道的几个关键点12.目标检测算法(第12期)--SSD检测算法结构详解11.
  • 《YOLOv3: An Incremental Improvement》论文笔记 m_buddy [7]图像检测
    1.论文工作在这篇文章中又对之前的YOLO-v2进行了优化，优化之后的网络变大了，准确率也提升了。但是，升级之后得到的YOLO-v3也是一样的快。在分辨率320∗320320*320320∗320的情况下运行只需要22ms且拥有28.2mAP，比同精度SSD快三倍。使用老的0.5AP检测度量，YOLO-v3运行只要51ms并且取得57.9AP50AP_{50}AP50。这都是好于RetinaNet
  • Pascal voc2007数据集 sxl545 caffe
    1VOC2007基本信息作为标准数据集，voc-2007是衡量图像分类识别能力的基准。faster-rcnn，yolo-v1,yolo-v2都以此数据集为最为演示样例，因此，有必要了解一下本数据集的组成架构。VOC数据集共包含：训练集（5011幅），测试集（4952幅），共计9963幅图，共包含20个种类。aeroplanebicyclebirdboatbottlebuscarcatchairco
  • 《YOLO9000: Better, Faster, Stronger》论文笔记 m_buddy [7]图像检测
    1.论文思想在这篇论文中提出了YOLO9000网络模型，该模型可以实时建册多达9000种目标。首先对原始的YOLO进行改进，提升之后的模型是YOLO-V2。使用新的多尺度训练方法，相同的YOLO-V2模型可以接受不同的输入图像尺寸，这为速度与精度之间提供了多种选择。使用在COCO与ImageNet训练集上联合训练，得到YOLO9000，并可以使得YOLO9000检测出没有被标注的目标。YOLO90
  • 创建自己的VOC2007数据集 金鸟传 DeepLearning
    创建自己的VOC2007数据集一：VOC2007数据集简介PASCALVOC为图像识别和分类提供了一整套标准化的优秀的数据集，从2005年到2012年每年都会举行一场图像识别challenge。VOC2007数据集是衡量图像分类识别能力的基准，faster-rcnn，yolo-v1,yolo-v2都以此数据集作为演示样例。VOC2007数据格式如下：Annotations——xml标注文件Imag
  • yolo-v2修改只识别person 赤战约风 YOLO实时检测
    一.修改源代码cfg/coco.dataclasses=1#修改成1train=/home/pjreddie/data/coco/trainvalno5k.txtvalid=coco_testdev#valid=data/coco_val_5k.listnames=data/coco.namesbackup=/home/pjreddie/backup/eval=cocosrc/detector.c
  • 【论文阅读】YOLO-v2: YOLO9000: Better, faster, stronger kabuto_hui 论文阅读从零开始-MachineLearning学习笔记
    文章目录1.动机2.方法2.1改进2.2联合多个数据集的训练机制3.总结1.动机当前大部分的目标检测模型都只能检测很少的类别，这主要是受到数据集的影响。相较于分类和tagging任务的数据集，目标检测数据集规模小，比如样本数量，类别等。所以在YOLOv2的论文里面，作者不仅提出了一个升级版本的YOLO，最主要的贡献是还提出了一个联合多个图片分类的数据集和目标检测数据集训练目标检测网络。2.方法2.
  • VOC2007基本信息 浩瀚之水_csdn 深度学习#深度学习-数据集（VOC）深度学习目标检测
    作为标准数据集，voc-2007是衡量图像分类识别能力的基准。faster-rcnn，yolo-v1,yolo-v2都以此数据集为最为演示样例，因此，有必要了解一下本数据集的组成架构。VOC数据集共包含：训练集（5011幅），测试集（4952幅），共计9963幅图，共包含20个种类。aeroplanebicyclebirdboatbottlebuscarcatchaircowdiningtable
  • 将Yolo-v2检测到的目标单独保存成图像 凌空的桨 opencv目标检测yoloYOLO目标检测
    最近想做一下这个东西，但是在网上找的博客上都说有bug，我心一横，决定自己改，过程很痛苦，但是很快乐！如果代码有雷同，那真的是太巧了！我最最开始看代码的时候发现detector.c中的line504（可能你的不太一样）draw_detections(im,l.w*l.h*l.n,thresh,boxes,probs,names,alphabet,l.classes);save_image(im,"
  • yolo-v2 自己的数据集训练以及测试流程（仅供内部使用！） Dontla Yolo
    warning该流程仅供内部使用，外部人士使用可能会报很多很多错误！步骤先清除backup文件夹中老的权重文件：将标定好图片以及annotation.txt文件拷贝到obj文件夹，一一对应，路径build/darknet/x64/data/obj，如：修改train.txt和test.txt文件，路径需与我们的图片以及标注路径一致：详细步骤：1）新建Exel表格，在第一个单元格输入第一张图片路径，
  • 《深度学习训练日志》 supe_king 深度学习神经网络tensorflow
    2019-3-2020:17问题：在训练YOLO-V2的目标检测模型时，使用resnet18的主网络架构，并利用其预训练权重，在训练的一段时间后，网络出现NAN值?解决：经各方面验证发现，网络经过几次迭代之后，发生梯度爆炸，导致梯度更新之后，出现NAN值。网上查询了几种梯度爆炸的解决方式，例如什么减小学习率，残差网络，relu激活，bn层等。显然，这些方式，本模型中已经具备。还有一种方式就是利用t
  • jQuery 跨域访问的三种方式 No 'Access-Control-Allow-Origin' header is present on the reque qiaolevip 每天进步一点点学习永无止境跨域众观千象
    XMLHttpRequest cannot load http://v.xxx.com. No 'Access-Control-Allow-Origin' header is present on the requested resource. Origin 'http://localhost:63342' is therefore not allowed access. test.html:1
  • mysql 分区查询优化 annan211 java分区优化mysql
    分区查询优化 引入分区可以给查询带来一定的优势，但同时也会引入一些bug. 分区最大的优点就是优化器可以根据分区函数来过滤掉一些分区，通过分区过滤可以让查询扫描更少的数据。 所以，对于访问分区表来说，很重要的一点是要在where 条件中带入分区，让优化器过滤掉无需访问的分区。 可以通过查看explain执行计划，是否携带 partitions
  • MYSQL存储过程中使用游标 chicony Mysql存储过程
    DELIMITER $$ DROP PROCEDURE IF EXISTS getUserInfo $$ CREATE PROCEDURE getUserInfo(in date_day datetime)-- -- 实例-- 存储过程名为：getUserInfo-- 参数为：date_day日期格式:2008-03-08--    BEGINdecla
  • mysql 和 sqlite 区别 Array_06 sqlite
    转载： http://www.cnblogs.com/ygm900/p/3460663.html mysql 和 sqlite 区别 SQLITE是单机数据库。功能简约，小型化，追求最大磁盘效率 MYSQL是完善的服务器数据库。功能全面，综合化，追求最大并发效率 MYSQL、Sybase、Oracle等这些都是试用于服务器数据量大功能多需要安装，例如网站访问量比较大的。而sq
  • pinyin4j使用 oloz pinyin4j
    首先需要pinyin4j的jar包支持；jar包已上传至附件内 方法一:把汉字转换为拼音；例如：编程转换后则为biancheng      /** * 将汉字转换为全拼 * @param src 你的需要转换的汉字 * @param isUPPERCASE 是否转换为大写的拼音； true:转换为大写；fal
  • 微博发送私信 随意而生 微博
    在前面文章中说了如和获取登陆时候所需要的cookie，现在只要拿到最后登陆所需要的cookie，然后抓包分析一下微博私信发送界面 http://weibo.com/message/history?uid=****&name=**** 可以发现其发送提交的Post请求和其中的数据， 让后用程序模拟发送POST请求中的数据，带着cookie发送到私信的接入口，就可以实现发私信的功能了。
  • jsp 香水浓 jsp
    JSP初始化     容器载入JSP文件后，它会在为请求提供任何服务前调用jspInit()方法。如果您需要执行自定义的JSP初始化任务，复写jspInit()方法就行了 JSP执行     这一阶段描述了JSP生命周期中一切与请求相关的交互行为，直到被销毁。     当JSP网页完成初始化后
  • 在 Windows 上安装 SVN Subversion 服务端 AdyZhang SVN
    在 Windows 上安装 SVN Subversion 服务端2009-09-16高宏伟哈尔滨市道里区通达街291号   最佳阅读效果请访问原地址：http://blog.donews.com/dukejoe/archive/2009/09/16/1560917.aspx   现在的Subversion已经足够稳定，而且已经进入了它的黄金时段。我们看到大量的项目都在使
  • android开发中如何使用 alertDialog从listView中删除数据？ aijuans android
    我现在使用listView展示了很多的配置信息，我现在想在点击其中一条的时候填出 alertDialog,点击确认后就删除该条数据，（ ArrayAdapter ，ArrayList，listView 全部删除），我知道在 下面的onItemLongClick 方法中 参数 arg2  是选中的序号，但是我不知道如何继续处理下去 1 2 3
  • jdk-6u26-linux-x64.bin 安装 baalwolf linux
    1.上传安装文件(jdk-6u26-linux-x64.bin) 2.修改权限 [root@localhost ~]# ls -l /usr/local/jdk-6u26-linux-x64.bin 3.执行安装文件 [root@localhost ~]# cd /usr/local [root@localhost local]# ./jdk-6u26-linux-x64.bin&nbs
  • MongoDB经典面试题集锦 BigBird2012 mongodb
    1.什么是NoSQL数据库？NoSQL和RDBMS有什么区别？在哪些情况下使用和不使用NoSQL数据库？ NoSQL是非关系型数据库，NoSQL = Not Only SQL。 关系型数据库采用的结构化的数据，NoSQL采用的是键值对的方式存储数据。 在处理非结构化/半结构化的大数据时；在水平方向上进行扩展时；随时应对动态增加的数据项时可以优先考虑使用NoSQL数据库。 在考虑数据库的成熟
  • JavaScript异步编程Promise模式的6个特性 bijian1013 JavaScriptPromise
            Promise是一个非常有价值的构造器，能够帮助你避免使用镶套匿名方法，而使用更具有可读性的方式组装异步代码。这里我们将介绍6个最简单的特性。         在我们开始正式介绍之前，我们想看看Javascript Promise的样子： var p = new Promise(function(r
  • [Zookeeper学习笔记之八]Zookeeper源代码分析之Zookeeper.ZKWatchManager bit1129 zookeeper
    ClientWatchManager接口 //接口的唯一方法materialize用于确定那些Watcher需要被通知 //确定Watcher需要三方面的因素1.事件状态 2.事件类型 3.znode的path public interface ClientWatchManager { /** * Return a set of watchers that should
  • 【Scala十五】Scala核心九：隐式转换之二 bit1129 scala
    隐式转换存在的必要性，   在Java Swing中，按钮点击事件的处理，转换为Scala的的写法如下：   val button = new JButton button.addActionListener( new ActionListener { def actionPerformed(event: ActionEvent) {
  • Android JSON数据的解析与封装小Demo ronin47
    转自：http://www.open-open.com/lib/view/open1420529336406.html package com.example.jsondemo; import org.json.JSONArray; import org.json.JSONException; import org.json.JSONObject;    impor
  • [设计]字体创意设计方法谈 brotherlamp UIui自学ui视频ui教程ui资料
      从古至今，文字在我们的生活中是必不可少的事物，我们不能想象没有文字的世界将会是怎样。在平面设计中，UI设计师在文字上所花的心思和功夫最多，因为文字能直观地表达UI设计师所的意念。在文字上的创造设计，直接反映出平面作品的主题。 如设计一幅戴尔笔记本电脑的广告海报，假设海报上没有出现“戴尔”两个文字，即使放上所有戴尔笔记本电脑的图片都不能让人们得知这些电脑是什么品牌。只要写上“戴尔笔
  • 单调队列-用一个长度为k的窗在整数数列上移动，求窗里面所包含的数的最大值 bylijinnan java算法面试题
    import java.util.LinkedList; /* 单调队列 滑动窗口 单调队列是这样的一个队列：队列里面的元素是有序的，是递增或者递减 题目：给定一个长度为N的整数数列a(i),i=0,1,...,N-1和窗长度k. 要求：f(i) = max{a(i-k+1),a(i-k+2),..., a(i)},i = 0,1,...,N-1 问题的另一种描述就
  • struts2处理一个form多个submit chiangfai struts2
    web应用中，为完成不同工作，一个jsp的form标签可能有多个submit。如下代码： <s:form action="submit" method="post" namespace="/my"> <s:textfield name="msg" label="叙述：">
  • shell查找上个月，陷阱及野路子 chenchao051 shell
    date -d "-1 month" +%F     以上这段代码，假如在2012/10/31执行，结果并不会出现你预计的9月份，而是会出现八月份，原因是10月份有31天，9月份30天，所以-1 month在10月份看来要减去31天，所以直接到了8月31日这天，这不靠谱。     野路子解决：假设当天日期大于15号
  • mysql导出数据中文乱码问题 daizj mysql中文乱码导数据
    解决mysql导入导出数据乱码问题方法： １、进入mysql，通过如下命令查看数据库编码方式： mysql>  show variables like 'character_set_%'; +--------------------------+----------------------------------------+ | Variable_name&nbs
  • SAE部署Smarty出现：Uncaught exception 'SmartyException' with message 'unable to write dcj3sjt126com PHPsmartysae
      对于SAE出现的问题：Uncaught exception 'SmartyException' with message 'unable to write file...。 官方给出了详细的FAQ：http://sae.sina.com.cn/?m=faqs&catId=11#show_213 解决方案为：   01 $path 
  • 《教父》系列台词 dcj3sjt126com
    Your love is also your weak point. 你的所爱同时也是你的弱点。   If anything in this life is certain, if history has taught us anything, it is that you can kill anyone.   不顾家的人永远不可能成为一个真正的男人。 &
  • mongodb安装与使用 dyy_gusi mongo
    一.MongoDB安装和启动,widndows和linux基本相同 1.下载数据库,     linux:mongodb-linux-x86_64-ubuntu1404-3.0.3.tgz 2.解压文件,并且放置到合适的位置     tar -vxf mongodb-linux-x86_64-ubun
  • Git排除目录 geeksun git
    在Git的版本控制中，可能有些文件是不需要加入控制的，那我们在提交代码时就需要忽略这些文件，下面讲讲应该怎么给Git配置一些忽略规则。   有三种方法可以忽略掉这些文件，这三种方法都能达到目的，只不过适用情景不一样。 1.  针对单一工程排除文件 这种方式会让这个工程的所有修改者在克隆代码的同时，也能克隆到过滤规则，而不用自己再写一份，这就能保证所有修改者应用的都是同一
  • Ubuntu 创建开机自启动脚本的方法 hongtoushizi ubuntu
    转载自： http://rongjih.blog.163.com/blog/static/33574461201111504843245/ Ubuntu 创建开机自启动脚本的步骤如下： 1) 将你的启动脚本复制到 /etc/init.d目录下 以下假设你的脚本文件名为 test。   2) 设置脚本文件的权限 $ sudo chmod 755
  • 第八章 流量复制/AB测试/协程 jinnianshilongnian nginxluacoroutine
    流量复制 在实际开发中经常涉及到项目的升级，而该升级不能简单的上线就完事了，需要验证该升级是否兼容老的上线，因此可能需要并行运行两个项目一段时间进行数据比对和校验，待没问题后再进行上线。这其实就需要进行流量复制，把流量复制到其他服务器上，一种方式是使用如tcpcopy引流；另外我们还可以使用nginx的HttpLuaModule模块中的ngx.location.capture_multi进行并发
  • 电商系统商品表设计 lkl
    DROP TABLE IF EXISTS `category`; -- 类目表 /*!40101 SET @saved_cs_client = @@character_set_client */; /*!40101 SET character_set_client = utf8 */; CREATE TABLE `category` ( `id` int(11) NOT NUL
  • 修改phpMyAdmin导入SQL文件的大小限制 pda158 sqlmysql
    　用phpMyAdmin导入mysql数据库时，我的10M的 数据库不能导入，提示mysql数据库最大只能导入2M。 　　 phpMyAdmin数据库导入出错： 　　You probably tried to upload too large file. Please refer to documentation for ways to workaround this limit.
  • Tomcat性能调优方案 Sobfist apachejvmtomcat应用服务器
    一、操作系统调优 对于操作系统优化来说，是尽可能的增大可使用的内存容量、提高CPU的频率，保证文件系统的读写速率等。经过压力测试验证，在并发连接很多的情况下，CPU的处理能力越强，系统运行速度越快。。 【适用场景】 任何项目。 二、Java虚拟机调优 应该选择SUN的JVM，在满足项目需要的前提下，尽量选用版本较高的JVM，一般来说高版本产品在速度和效率上比低版本会有改进。 J
  • SQLServer学习笔记 vipbooks 数据结构xml
    1、create database school 创建数据库school 2、drop database school 删除数据库school 3、use school 连接到school数据库，使其成为当前数据库 4、create table class(classID int primary key identity not null) 创建一个名为class的表，其有一
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他