- 目标检测——YOLO11算法解读
lishanlu136
#目标检测目标检测YOLO11YOLO系列算法解读
作者:Ultralytics公司代码:https://github.com/ultralytics/ultralyticsYOLO系列算法解读:YOLOv1通俗易懂版解读、SSD算法解读、YOLOv2算法解读、YOLOv3算法解读、YOLOv4算法解读、YOLOv5算法解读、YOLOR算法解读、YOLOX算法解读、YOLOv6算法解读、YOLOv7算法解读、
- (二十一)YOLO 全解析:从实时目标检测到多任务视觉智能
只有左边一个小酒窝
深度学习YOLO目标检测人工智能深度学习计算机视觉
1YOLO的发展脉络与技术定位1.1发展脉络YOLOv1(2015年):将目标检测重新定义为单一回归问题,把输入图像划分为S×S网格,每个网格单元负责预测固定数量的边界框及对应的类别概率,直接从像素回归预测物体的边界框坐标和类别概率。但存在小目标检测能力弱、定位精度不足等局限。YOLOv2(2016年):引入批量归一化、锚框、维度集群等技术,还提出了高分辨率分类器、直接位置预测、细粒度特征融合、多
- YOLO的作者们
小远披荆斩棘
YOLOv8v9v10等实验与论文总结YOLO
YOLO之父JesephRedmon,他创建了yolov1、yolov2、yolov3三个版本,但是在2020年2月份却宣布退出CV学术界、停止一切关于计算机视觉的研究、原因是自己的开源算法已经用在军事和隐私问题上,这对他的道德造成了巨大的考验,他拒绝AI算法用于军事和隐私窥探。而在这2个月之后,另一位曾经参与YOLO项目维护的大神AlexeyBochkovskiy,在arXiv上提交了YOLOv
- YOLO进化史:从v1到v12的注意力革命 —— 实时检测的“快”与“准”如何兼得?
摘取一颗天上星️
YOLO
⚙️一、初代奠基:打破两阶段检测的垄断(2016-2018)YOLOv1(2016):首次提出“单次检测”范式,将目标检测转化为回归问题。7×7网格+30维向量输出,实现45FPS实时检测,但小目标漏检严重。YOLOv2(2017):引入锚框(AnchorBoxes),通过k-means聚类确定先验框尺寸新增高分辨率微调(448×448输入)使用Darknet-19主干,速度达67FPSYOLOv
- YOLOv3 正负样本划分详解
要努力啊啊啊
计算机视觉YOLO目标检测深度学习计算机视觉目标跟踪
✅YOLOv3正负样本划分详解一、前言在目标检测任务中,正负样本的划分是训练过程中的关键环节。它决定了哪些预测框参与位置回归、分类损失和置信度损失。YOLOv3在YOLOv2的基础上引入了多尺度预测和更精细的AnchorBoxes匹配策略,使得正样本的选择更加合理,提高了模型的召回率和定位精度。本文将基于以下来源进行解析:YOLOv3:AnIncrementalImprovement(论文原文)A
- YOLOv2 中非极大值抑制(NMS)机制详解与实现
要努力啊啊啊
计算机视觉YOLO目标跟踪人工智能计算机视觉深度学习
YOLOv2中NMS的详解一、什么是NMS?定义:NMS(非极大值抑制)是一种目标检测中的后处理技术,用于去除重复预测的边界框,保留置信度最高且不重叠的边界框。目标:提高检测结果的准确性;避免同一物体被多次检测;减少误检和冗余框;二、YOLOv1中的NMS实现来源依据:来自YouOnlyLookOnce:Unified,Real-TimeObjectDetection(CVPR2016)输出结构回
- Transformer 架构在目标检测中的应用:YOLO 系列模型解析
水花花花花花
transformer架构目标检测
目录Transformer架构在目标检测中的应用:YOLO系列模型解析一、YOLO模型概述二、YOLO模型的核心架构(一)主干网络(二)颈部结构(三)头部结构三、YOLO模型的工作原理(一)输入图像预处理(二)特征提取与融合(三)边界框预测与类别分类(四)损失函数计算与优化(五)非极大值抑制(NMS)后处理四、YOLO模型的版本演进(一)YOLOv1:开启实时目标检测之门(二)YOLOv2和YOL
- YOLOv2 深度解析:目标检测领域的进阶之路
2201_75491841
人工智能计算机视觉YOLO目标检测
在计算机视觉领域,目标检测一直是研究和应用的热点方向。YOLO(YouOnlyLookOnce)系列算法以其快速高效的特点,在目标检测领域占据了重要地位。YOLOv2作为YOLO系列算法的重要迭代版本,在YOLOv1的基础上进行了诸多改进和优化,大幅提升了检测精度和速度。本文将深入剖析YOLOv2的技术细节,带大家了解这一强大算法的魅力。一、YOLOv2诞生背景YOLOv1虽然开创了单阶段目标检测
- YOLO系列模型简介
西北风^_^
大模型YOLO
YOLO(YouOnlyLookOnce)系列模型是用于目标检测的一组深度学习模型,以其快速且高效的特点著称。该系列模型由JosephRedmon等人开发,自2016年的YOLOv1发布以来,已经经历了多个版本的迭代和发展,包括YOLOv2、YOLOv3、YOLOv4、YOLOv5、YOLOv6、YOLOv7及最新的YOLOv8等。每个版本都在前一代的基础上进行了改进和优化,提升了模型的速度和准确
- YOLOv2 快速入门与核心概念:更快、更准的目标检测利器
LIUDAN'S WORLD
YOLO系列教程YOLO目标检测人工智能
今天,我们就来聊聊YOLO系列的第二代——YOLOv2,看看它是如何在速度的基础上,进一步提升检测精度的。目标检测的重要性:让机器“看懂”世界想象一下,自动驾驶汽车需要实时识别道路上的车辆、行人、交通标志;智能监控系统需要检测画面中是否有异常行为发生;电商平台需要自动识别商品图片中的物品类别。这些都离不开目标检测技术的支持。目标检测赋予了计算机“看懂”世界的能力,是许多现代人工智能应用的核心。YO
- YOLOv2训练详细实践指南
LIUDAN'S WORLD
YOLO系列教程YOLO目标检测
1.YOLOv2架构与原理详解1.1核心改进点YOLOv2相比YOLOv1的主要改进:采用Darknet-19作为backbone(相比VGG更高效)引入BatchNormalization提高稳定性与收敛速度使用anchorboxes机制代替直接预测边界框引入维度聚类确定anchorboxes尺寸使用passthrough层融合高分辨率特征支持多尺度训练适应不同输入尺寸采用新的分类树结构支持更多
- YOLO系列模型从v1到v10的演进
剑走偏锋o.O
YOLO目标跟踪人工智能
文章目录引言YOLOv1:开创单阶段目标检测先河发布时间与背景核心创新模型架构训练策略与优化YOLOv2:提升精度与速度的平衡发布时间与背景核心创新模型架构训练策略与优化YOLOv3:多尺度检测与残差连接发布时间与背景核心创新模型架构训练策略与优化YOLOv4:引入注意力机制与优化模块发布时间与背景核心创新模型架构训练策略与优化YOLOv5:工程优化与实际应用的结合发布时间与背景核心创新模型架构训
- 还没搞懂YOLO v7,YOLO v8已经来了!
沃恩智慧
目标检测深度学习计算机视觉
YOLO系列又双叒更新!只能说,YOLO系列发展地真快,已经有点跟不上了!YOLOv1-YOLOv8系列回顾YOLOv1:2015年JosephRedmon和AliFarhadi等人(华盛顿大学)YOLOv2:2016年JosephRedmon和AliFarhadi等人(华盛顿大学)YOLOv3:2018年JosephRedmon和AliFarhadi等人(华盛顿大学)YOLOv4:2020年Al
- python实现yolo目标检测_目标检测|YOLO原理与实现
weixin_39709194
码字不易,欢迎给个赞!欢迎交流与转载,文章会同步发布在公众号:机器学习算法全栈工程师(Jeemy110)最新的YOLOv2和YOLOv3:小白将:目标检测|YOLOv2原理与实现(附YOLOv3)zhuanlan.zhihu.com前言当我们谈起计算机视觉时,首先想到的就是图像分类,没错,图像分类是计算机视觉最基本的任务之一,但是在图像分类的基础上,还有更复杂和有意思的任务,如目标检测,物体定位,
- 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-YOLOv2
wydxry
深度学习目标检测YOLO人工智能
YOLOv2介绍YOLOv2(YouOnlyLookOnceversion2)是一种用于目标检测的深度学习模型,由JosephRedmon等人于2016年提出,并详细论述在其论文《YOLO9000:Better,Faster,Stronger》中。YOLOv2在保持高速检测的同时,显著提升了检测的精度和泛化能力,成为实时目标检测领域的重要算法之一。核心原理YOLOv2的核心原理是将目标检测问题转化
- 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
- 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、
- 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
- 基于yolov2深度学习网络的视频手部检测算法matlab仿真
简简单单做算法
MATLAB算法开发#深度学习YOLO手部检测手掌识别matlab深度学习yolov2
目录1.算法运行效果图预览2.算法运行软件版本3.部分核心程序4.算法理论概述5.算法完整程序工程1.算法运行效果图预览输入mp4格式的视频文件进行测试,视频格式为
[email protected].算法运行软件版本matlab2022a3.部分核心程序...................................................figure;fori=1:numFramesToRead
- 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
- YOLO系列:YOLO v1-v8、YOLOx、PP-YOLOE、DAMO-YOLO、YOLOX-PAI 设计思路
Debroon
医学视觉#深度学习YOLO
从YOLOv1-v8YOLO综述改进点改进方向YOLOv1YOLO流程网格(grid)、锚点(anchors)、锚框(anchorboxes)交并比为什么把图像分割成n*n的格子呢?边界框的作用?为什么需要俩个边界框?那如果一个格子有俩个以上的对象呢?主干网络损失函数解析为什么不是一个损失函数?怎么判断是否有物体以及预测准确性?非极大值抑制去除重复预测结果YOLOv1的优化思路YOLOv2更轻量化
- 基于yolov2深度学习网络的车辆检测算法matlab仿真,包括白天场景和夜晚场景
简简单单做算法
MATLAB算法开发#深度学习YOLOyolov2深度学习网络车辆检测matlab深度学习
目录1.算法运行效果图预览2.算法运行软件版本3.部分核心程序4.算法理论概述4.1YOLOv2算法原理4.2车辆检测原理4.3白天场景和夜晚场景的车辆检测5.算法完整程序工程1.算法运行效果图预览2.算法运行软件版本MATLAB2022a3.部分核心程序loadyolov2.mat%加载训练好的目标检测器img_size=[224,224];imgPath='test/';%图像库路径imgDi
- 经典目标检测YOLO系列(二)YOLOV2的复现(2)正样本的匹配、损失函数的实现及模型训练
undo_try
#深度学习目标检测pythonYOLO
经典目标检测YOLO系列(二)YOLOV2的复现(2)正样本的匹配、损失函数的实现及模型训练我们在之前实现YOLOv1的基础上,加入了先验框机制,快速的实现了YOLOv2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(二)YOLOV2的复现(1)总体网络架构及前向推理过程如前所述,我们使用基于先验框的正样本匹配策略。1正样本匹配策略1.1基于先验框的正样本匹配策略由于每个网格只输出一
- YOLOV2网络剪枝
立夏陆之昂
学习小记录yolo
对神经网络进行剪枝这个想法并不新奇,可追溯至1900年(YanLecun的工作-http://yann.lecun.com/exdb/publis/pdf/lecun-90b.pdf)。其基本的思想是:神经网络的参数众多,但其中有些参数对最终的输出结果贡献不大而显得冗余,剪枝顾名思义,就是要将这些冗余的参数剪掉。首先,需要根据对最终输出结果的贡献大小来对模型的神经元们排序,然后,舍去那些贡献度低的
- Darknet_yolov2综述入门整理
立夏陆之昂
学习小记录
接着上次的神经网络,这次整理一下Darknet,yolov2首先得先了解Darknet,是深度学习框架,总的来说深度学习框架提供了一些列的深度学习的组件(对于通用的算法,里面会有实现),当需要使用新的算法的时候就需要用户自己去定义,然后调用深度学习框架的函数接口使用用户自定义的新算法.这篇讲述了深度学习框架的定义:https://blog.csdn.net/yeler082/article/det
- yolov1到yolov2的改进
立夏陆之昂
yolo学习小记录
大部分人学习YOLO应该是从V3开始的,我很奇葩,从V2开始的,但是V2论文中有很多点一笔带过,前前后后断断续续看了几篇博客介绍V2和V1,想着做一个阶段性总结,自己写一篇,也有助于自己加深理解。大部分参考https://blog.csdn.net/shentanyue/article/details/84860600#t0这篇总结的很全面目前的目标检测算法分为两类:One-stage和Two-s
- 关于旗正规则引擎下载页面需要弹窗保存到本地目录的问题
何必如此
jsp超链接文件下载窗口
生成下载页面是需要选择“录入提交页面”,生成之后默认的下载页面<a>标签超链接为:<a href="<%=root_stimage%>stimage/image.jsp?filename=<%=strfile234%>&attachname=<%=java.net.URLEncoder.encode(file234filesourc
- 【Spark九十八】Standalone Cluster Mode下的资源调度源代码分析
bit1129
cluster
在分析源代码之前,首先对Standalone Cluster Mode的资源调度有一个基本的认识:
首先,运行一个Application需要Driver进程和一组Executor进程。在Standalone Cluster Mode下,Driver和Executor都是在Master的监护下给Worker发消息创建(Driver进程和Executor进程都需要分配内存和CPU,这就需要Maste
- linux上独立安装部署spark
daizj
linux安装spark1.4部署
下面讲一下linux上安装spark,以 Standalone Mode 安装
1)首先安装JDK
下载JDK:jdk-7u79-linux-x64.tar.gz ,版本是1.7以上都行,解压 tar -zxvf jdk-7u79-linux-x64.tar.gz
然后配置 ~/.bashrc&nb
- Java 字节码之解析一
周凡杨
java字节码javap
一: Java 字节代码的组织形式
类文件 {
OxCAFEBABE ,小版本号,大版本号,常量池大小,常量池数组,访问控制标记,当前类信息,父类信息,实现的接口个数,实现的接口信息数组,域个数,域信息数组,方法个数,方法信息数组,属性个数,属性信息数组
}
&nbs
- java各种小工具代码
g21121
java
1.数组转换成List
import java.util.Arrays;
Arrays.asList(Object[] obj); 2.判断一个String型是否有值
import org.springframework.util.StringUtils;
if (StringUtils.hasText(str)) 3.判断一个List是否有值
import org.spring
- 加快FineReport报表设计的几个心得体会
老A不折腾
finereport
一、从远程服务器大批量取数进行表样设计时,最好按“列顺序”取一个“空的SQL语句”,这样可提高设计速度。否则每次设计时模板均要从远程读取数据,速度相当慢!!
二、找一个富文本编辑软件(如NOTEPAD+)编辑SQL语句,这样会很好地检查语法。有时候带参数较多检查语法复杂时,结合FineReport中生成的日志,再找一个第三方数据库访问软件(如PL/SQL)进行数据检索,可以很快定位语法错误。
- mysql linux启动与停止
墙头上一根草
如何启动/停止/重启MySQL一、启动方式1、使用 service 启动:service mysqld start2、使用 mysqld 脚本启动:/etc/inint.d/mysqld start3、使用 safe_mysqld 启动:safe_mysqld&二、停止1、使用 service 启动:service mysqld stop2、使用 mysqld 脚本启动:/etc/inin
- Spring中事务管理浅谈
aijuans
spring事务管理
Spring中事务管理浅谈
By Tony Jiang@2012-1-20 Spring中对事务的声明式管理
拿一个XML举例
[html]
view plain
copy
print
?
<?xml version="1.0" encoding="UTF-8"?>&nb
- php中隐形字符65279(utf-8的BOM头)问题
alxw4616
php中隐形字符65279(utf-8的BOM头)问题
今天遇到一个问题. php输出JSON 前端在解析时发生问题:parsererror.
调试:
1.仔细对比字符串发现字符串拼写正确.怀疑是 非打印字符的问题.
2.逐一将字符串还原为unicode编码. 发现在字符串头的位置出现了一个 65279的非打印字符.
 
- 调用对象是否需要传递对象(初学者一定要注意这个问题)
百合不是茶
对象的传递与调用技巧
类和对象的简单的复习,在做项目的过程中有时候不知道怎样来调用类创建的对象,简单的几个类可以看清楚,一般在项目中创建十几个类往往就不知道怎么来看
为了以后能够看清楚,现在来回顾一下类和对象的创建,对象的调用和传递(前面写过一篇)
类和对象的基础概念:
JAVA中万事万物都是类 类有字段(属性),方法,嵌套类和嵌套接
- JDK1.5 AtomicLong实例
bijian1013
javathreadjava多线程AtomicLong
JDK1.5 AtomicLong实例
类 AtomicLong
可以用原子方式更新的 long 值。有关原子变量属性的描述,请参阅 java.util.concurrent.atomic 包规范。AtomicLong 可用在应用程序中(如以原子方式增加的序列号),并且不能用于替换 Long。但是,此类确实扩展了 Number,允许那些处理基于数字类的工具和实用工具进行统一访问。
 
- 自定义的RPC的Java实现
bijian1013
javarpc
网上看到纯java实现的RPC,很不错。
RPC的全名Remote Process Call,即远程过程调用。使用RPC,可以像使用本地的程序一样使用远程服务器上的程序。下面是一个简单的RPC 调用实例,从中可以看到RPC如何
- 【RPC框架Hessian一】Hessian RPC Hello World
bit1129
Hello world
什么是Hessian
The Hessian binary web service protocol makes web services usable without requiring a large framework, and without learning yet another alphabet soup of protocols. Because it is a binary p
- 【Spark九十五】Spark Shell操作Spark SQL
bit1129
shell
在Spark Shell上,通过创建HiveContext可以直接进行Hive操作
1. 操作Hive中已存在的表
[hadoop@hadoop bin]$ ./spark-shell
Spark assembly has been built with Hive, including Datanucleus jars on classpath
Welcom
- F5 往header加入客户端的ip
ronin47
when HTTP_RESPONSE {if {[HTTP::is_redirect]}{ HTTP::header replace Location [string map {:port/ /} [HTTP::header value Location]]HTTP::header replace Lo
- java-61-在数组中,数字减去它右边(注意是右边)的数字得到一个数对之差. 求所有数对之差的最大值。例如在数组{2, 4, 1, 16, 7, 5,
bylijinnan
java
思路来自:
http://zhedahht.blog.163.com/blog/static/2541117420116135376632/
写了个java版的
public class GreatestLeftRightDiff {
/**
* Q61.在数组中,数字减去它右边(注意是右边)的数字得到一个数对之差。
* 求所有数对之差的最大值。例如在数组
- mongoDB 索引
开窍的石头
mongoDB索引
在这一节中我们讲讲在mongo中如何创建索引
得到当前查询的索引信息
db.user.find(_id:12).explain();
cursor: basicCoursor 指的是没有索引
&
- [硬件和系统]迎峰度夏
comsci
系统
从这几天的气温来看,今年夏天的高温天气可能会维持在一个比较长的时间内
所以,从现在开始准备渡过炎热的夏天。。。。
每间房屋要有一个落地电风扇,一个空调(空调的功率和房间的面积有密切的关系)
坐的,躺的地方要有凉垫,床上要有凉席
电脑的机箱
- 基于ThinkPHP开发的公司官网
cuiyadll
行业系统
后端基于ThinkPHP,前端基于jQuery和BootstrapCo.MZ 企业系统
轻量级企业网站管理系统
运行环境:PHP5.3+, MySQL5.0
系统预览
系统下载:http://www.tecmz.com
预览地址:http://co.tecmz.com
各种设备自适应
响应式的网站设计能够对用户产生友好度,并且对于
- Transaction and redelivery in JMS (JMS的事务和失败消息重发机制)
darrenzhu
jms事务承认MQacknowledge
JMS Message Delivery Reliability and Acknowledgement Patterns
http://wso2.com/library/articles/2013/01/jms-message-delivery-reliability-acknowledgement-patterns/
Transaction and redelivery in
- Centos添加硬盘完全教程
dcj3sjt126com
linuxcentoshardware
Linux的硬盘识别:
sda 表示第1块SCSI硬盘
hda 表示第1块IDE硬盘
scd0 表示第1个USB光驱
一般使用“fdisk -l”命
- yii2 restful web服务路由
dcj3sjt126com
PHPyii2
路由
随着资源和控制器类准备,您可以使用URL如 http://localhost/index.php?r=user/create访问资源,类似于你可以用正常的Web应用程序做法。
在实践中,你通常要用美观的URL并采取有优势的HTTP动词。 例如,请求POST /users意味着访问user/create动作。 这可以很容易地通过配置urlManager应用程序组件来完成 如下所示
- MongoDB查询(4)——游标和分页[八]
eksliang
mongodbMongoDB游标MongoDB深分页
转载请出自出处:http://eksliang.iteye.com/blog/2177567 一、游标
数据库使用游标返回find的执行结果。客户端对游标的实现通常能够对最终结果进行有效控制,从shell中定义一个游标非常简单,就是将查询结果分配给一个变量(用var声明的变量就是局部变量),便创建了一个游标,如下所示:
> var
- Activity的四种启动模式和onNewIntent()
gundumw100
android
Android中Activity启动模式详解
在Android中每个界面都是一个Activity,切换界面操作其实是多个不同Activity之间的实例化操作。在Android中Activity的启动模式决定了Activity的启动运行方式。
Android总Activity的启动模式分为四种:
Activity启动模式设置:
<acti
- 攻城狮送女友的CSS3生日蛋糕
ini
htmlWebhtml5csscss3
在线预览:http://keleyi.com/keleyi/phtml/html5/29.htm
代码如下:
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>攻城狮送女友的CSS3生日蛋糕-柯乐义<
- 读源码学Servlet(1)GenericServlet 源码分析
jzinfo
tomcatWebservlet网络应用网络协议
Servlet API的核心就是javax.servlet.Servlet接口,所有的Servlet 类(抽象的或者自己写的)都必须实现这个接口。在Servlet接口中定义了5个方法,其中有3个方法是由Servlet 容器在Servlet的生命周期的不同阶段来调用的特定方法。
先看javax.servlet.servlet接口源码:
package
- JAVA进阶:VO(DTO)与PO(DAO)之间的转换
snoopy7713
javaVOHibernatepo
PO即 Persistence Object VO即 Value Object
VO和PO的主要区别在于: VO是独立的Java Object。 PO是由Hibernate纳入其实体容器(Entity Map)的对象,它代表了与数据库中某条记录对应的Hibernate实体,PO的变化在事务提交时将反应到实际数据库中。
实际上,这个VO被用作Data Transfer
- mongodb group by date 聚合查询日期 统计每天数据(信息量)
qiaolevip
每天进步一点点学习永无止境mongodb纵观千象
/* 1 */
{
"_id" : ObjectId("557ac1e2153c43c320393d9d"),
"msgType" : "text",
"sendTime" : ISODate("2015-06-12T11:26:26.000Z")
- java之18天 常用的类(一)
Luob.
MathDateSystemRuntimeRundom
System类
import java.util.Properties;
/**
* System:
* out:标准输出,默认是控制台
* in:标准输入,默认是键盘
*
* 描述系统的一些信息
* 获取系统的属性信息:Properties getProperties();
*
*
*
*/
public class Sy
- maven
wuai
maven
1、安装maven:解压缩、添加M2_HOME、添加环境变量path
2、创建maven_home文件夹,创建项目mvn_ch01,在其下面建立src、pom.xml,在src下面简历main、test、main下面建立java文件夹
3、编写类,在java文件夹下面依照类的包逐层创建文件夹,将此类放入最后一级文件夹
4、进入mvn_ch01
4.1、mvn compile ,执行后会在