- YOLOv4 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
✅YOLOv4正负样本划分详解一、前言在目标检测中,正负样本划分是训练过程中的关键环节,它决定了哪些预测框参与损失计算,从而影响模型的学习效果。YOLOv4在YOLOv3的基础上进行了改进,包括:使用CSPDarknet53主干网络;引入PANet特征融合结构;支持Mosaic数据增强;使用CIoULoss和DIoU-NMS;但在正样本划分逻辑上,YOLOv4保持了与YOLOv3类似的设计方式,并
- 深度学习 backbone,neck,head网络关键组成
SLAM必须dunk
深度学习人工智能
在深度学习,尤其是计算机视觉任务中,backbone(骨干网络),neck(颈部),head(头部)是网络的关键组成部分,各自承担了不同的功能:1,总署:Backbone,译作骨干网络,主要指用于特征提取的,已在大型数据集(例如ImageNet|COCO等)上完成预训练,拥有预训练参数的卷积神经网络,例如:ResNet-50、Darknet53等;Head,译作检测头,主要用于预测目标的种类和位置
- 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目标检测实战
宁安我
YOLO目标检测人工智能
YOLOv3目标检测实战:从理论到代码实现目录YOLOv3目标检测实战:从理论到代码实现1.引言2.YOLOv3的核心原理2.1网络结构2.2锚框(AnchorBoxes)2.3损失函数2.4预测流程3.案例:使用YOLOv3进行目标检测3.1数据集准备3.2模型定义3.2.1Darknet-53主干网络3.2.2YOLOv3检测头3.3训练与优化3.3.1损失函数3.3.2训练脚本3.4模型推理
- YOLOv3 目标检测算法深度解析
mozun2020
DL1:深度学习YOLO目标检测算法计算机视觉人工智能目标识别
YOLOv3目标检测算法深度解析一、算法原理与核心创新1.1算法设计哲学YOLOv3(YouOnlyLookOnceversion3)作为YOLO系列的第三代算法,延续了单阶段检测范式,通过端到端的回归策略实现实时目标检测。其核心设计目标是在保持检测速度优势的同时,显著提升多尺度目标检测能力,尤其针对小目标检测和复杂场景优化。1.2关键技术创新点1.2.1Darknet-53骨干网络残差连接:引入
- 计算机视觉——对比YOLOv12、YOLOv11、和基于Darknet的YOLOv7的微调对比摘要目标检测领域取得了巨大进步,其中YOLOv12、YOLOv11和基于Darknet的YOLOv
Ttcoffee_2048
python自学经验分享笔记灌灌灌灌
摘要目标检测领域取得了巨大进步,其中YOLOv12、YOLOv11和基于Darknet的YOLOv7在实时检测方面表现出色。尽管这些模型在通用目标检测数据集上表现卓越,但在HRSC2016-MS(高分辨率舰船数据集)上对YOLOv12进行微调时,却面临着独特的挑战。本文提供了一个详细的端到端流程,用于在HRSC2016-MS上微调YOLOv12、YOLOv11和基于Darknet的YOLOv7。它
- 从零开始:YOLOv4 目标检测实战指南 (环境配置、训练到优化全流程)
LIUDAN'S WORLD
YOLO系列教程YOLO目标检测人工智能
本篇博客将带你一步步从零开始,完成YOLOv4的环境配置、数据集准备与训练,并涵盖常见的优化和问题解决。本文将以Darknet框架下的YOLOv4实现为主,因为它是由YOLOv4原作者团队维护和优化的官方版本,能够提供最原汁原味的体验和性能。我们将涵盖以下内容:环境配置详解:Python、CUDA、cuDNN、GCC、Make等前置依赖,以及Darknet的编译。数据集准备与预处理:目标检测数据集
- 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模型学习笔记——4——yolov4相比与yolov3的优点
Summit-
YOLO学习笔记
1.网络结构和架构的改变(1)yolov3使用darknet-53的主干网络,该网络基于残差结构(2)yolov4使用CSPDarknet53,增强版darknet-53,具有更高的计算效率和更好的特征提取能2.优化技术(1)yolov3使用了基础的数据增强技术(如翻转、裁剪、亮度调整等),并且使用了自适应锚框来匹配目标的大小(2)yolov41.Mosaic数据增强这是一种新的数据增强方法,通过
- 【ROS】Darknet_ROS YOLO V3 部署自训练模型 目标检测
Abaaba+
YOLO目标检测人工智能
【ROS】Darknet_ROSYOLOV3目标检测前言整体思路安装依赖项检查克隆源码编译与构建准备文件1.权重文件(xf_real.weights)2.配置文件(xf_real.cfg)3.模型配置文件(xf_real.yaml)修改配置ros.yamldarknet_ros.launch使用与测试前言本文适用于已掌握YOLOv3和Darknet基础知识的读者,旨在帮助大家快速在ROS上部署自定
- 深入探究YOLO系列的骨干网路
编码实践
YOLO深度学习计算机视觉
深入探究YOLO系列的骨干网路YOLO系列是目标检测领域中非常知名的算法。其通过将整个图像作为输入,并且直接在图像上通过一个单独的神经网络输出每个检测框的类别预测和边界框信息。为了更好地理解YOLO系列,我们需要先了解它所使用的骨干网路。骨干网络是深度学习模型中的核心部分,负责提取图像的特征。如今常用的骨干网络有VGG、ResNet和MobileNet等。YOLO系列算法采用的是Darknet骨干
- 《Hello YOLOv8从入门到精通》4, 模型架构和骨干网络Backbone调优实践
Jagua
YOLO
YOLOv8是由Ultralytics开发的最先进的目标检测模型,其模型架构细节包括骨干网络(Backbone)、颈部网络(Neck)和头部网络(Head)三大部分。一、骨干网络(Backbone)Backbone部分负责特征提取,采用了一系列卷积和反卷积层,同时使用了残差连接和瓶颈结构来减小网络的大小并提高性能。YOLOv8的Backbone参考了CSPDarkNet结构,的增强版本,并结合了其
- Bottleneck、CSP、DP结构详细介绍
CV工程师小朱
深度学习笔记人工智能深度学习CSP深度可分离残差网络
文章目录前言一、BottleneckDarknetBottleneck二、CSPCSP思想pp-picodet中的CSPLayerDP卷积前言本篇文章详细介绍了三种神经网络中常见的结构,bottleneck、CSP、DP,并附上了代码加深理解。一、BottleneckBottleneck出现在ResNet50/101/152这种深层网络中,基本思想就是先用1x1减少通道数再进行卷积最后再通过1x1
- 【AI】YOLOv7部署在NVIDIA Jetson Nano上
郭老二
AI人工智能YOLO
1、环境搭建参考博客:【AI】JetsonNano烧写SD卡镜像【AI】YOLOv7部署在NVIDIAJetsonTX2上2、下载编译2.1源码下载https://github.com/AlexeyAB/darknet2.2编译1)修改MakefileGPU=1CUDNN=1CUDNN_HALF=0
- YOLOv10改进之MHAF(多分支辅助特征金字塔)
清风AI
深度学习算法详解及代码复现人工智能计算机视觉深度学习算法机器学习
YOLOv10架构YOLOv10的架构主要由主干网络、特征金字塔和预测头三部分组成。主干网络采用改进的Darknet结构,增强特征提取能力。特征金字塔模块使用多尺度特征融合技术,提高对不同大小目标的检测效果。预测头则负责生成最终的检测结果。这种结构设计使得YOLOv10在保持高效率的同时,能够有效处理各种尺度的目标,为后续的改进奠定了基础。检测性能在探讨YOLOv10的性能提升之前,我们需要了解其
- python写接口调用模型_对YOLOv3模型调用时候的python接口详解
weixin_39835607
python写接口调用模型
需要注意的是:更改完源程序.c文件,需要对整个项目重新编译、makeinstall,对已经生成的文件进行更新,类似于之前VS中在一个类中增加新函数重新编译封装dll,而python接口的调用主要使用的是libdarknet.so文件,其余在配置文件中的修改不必重新进行编译安装。之前训练好的模型,在模型调用的时候,总是在lib=CDLL("/home/*****/*******/darknet/li
- 简述Caffe、TensorFlow、TensorFlow Lite、ONNX、DarkNet、PyTorch 等模型
科学的发展-只不过是读大自然写的代码
断纱检测caffetensorflowpytorch
以下是对Caffe、TensorFlow、TensorFlowLite、ONNX、DarkNet和PyTorch等模型的简述:Caffe:Caffe(ConvolutionArchitectureForFeatureExtraction)是一个用于特征抽取的卷积框架,它是一个清晰、可读性高且快速的深度学习框架。Caffe由加州伯克利大学的贾扬清开发,起初是一个用于深度卷积网络的Python框架(无
- 多版本cuda+多版本cudnn+gcc+cmake+opencv+darknet爬坑记录
LMM_AI
系统学习深度学习
本次针对darknet框架部署—centos7.x一、CUDA多版本安装1、很早前安装了很多cuda现在忘了步骤了,这里不再安装,下次再补上,可以看其他贴安装,记清楚自己的安装目录,一般默认在/usr/local/cuda(cuda10.0、cuda10.2),用哪个切换环境变量就行,很方便二、CUDNN版本安装1、下载cudnn并解压,官网上下载与CUDA相匹配的版本,下载难点需要注册个帐号,有
- ROS下使用usb_cam驱动读取摄像头数据
小杨~~~~
ubuntu
因为darknet_ros会直接订阅指定的图像话题名,然后对图像进行检测,绘制检测框,并发布相应的检测话题,因此首先需要找一个能够发布图像话题的ROS包,这里经推荐使用ROS官方提供的usb_cam驱动包,可以直接将小车摄像头采集的图像发布为ROS图像话题。1、下载摄像头驱动包usb_cam#方式一:直接终端输入,通过apt便捷安装cdtest/src/sudoapt-getinstallros-
- 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
- 基于yolov8的绝缘子缺陷检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
FL1623863129
深度学习YOLO
【算法介绍】基于YOLOv8的绝缘子缺陷检测系统是一种利用先进深度学习技术的高效解决方案,旨在提升电力行业中输电线路的维护和监控水平。YOLOv8作为YOLO系列算法的最新版本,具备更高的检测速度和精度,特别适用于实时物体检测任务。该系统通过深入分析并标注绝缘子数据集,训练YOLOv8模型以精确识别输电线上的绝缘子及其缺陷状态。利用多尺度检测、FPN结构以及CSPDarknet网络等技术,YOLO
- 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
- 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
- YOLOv8 : 网络结构
赛先生.AI
YOLOv8YOLO计算机视觉目标检测
一.YOLOv8网络结构1.BackboneYOLOv8的Backbone同样参考了CSPDarkNet-53网络,我们可以称之为CSPDarkNet结构吧,与YOLOv5不同的是,YOLOv8使用C2f(CSPLayer_2Conv)代替了C3模块(如果你比较熟悉YOLOv5的网络结构,那YOLOv8的网络结构理解起来就easy了)。如图1所示为YOLOv8网络结构图(引用自MMYOLO),对比
- Ubuntu22.04安装cuda,cudnn, 编译darknet
化石草
ubuntu深度学习yolov3
一,安装cuda:1,下载及安装cuda官网:https://developer.nvidia.com/cuda-toolkit-archivewgethttps://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.runsudoshcuda_11.8.0_
- 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
- [图像算法]-(yolov5.train)-GPU架构中的半精度fp16与单精度fp32计算
蒸饺与白茶
GPU架构中的半精度与单精度计算 由于项目原因,我们需要对darknet中卷积层进行优化,然而对于像caffe或者darknet这类深度学习框架来说,都已经将卷积运算转换成了矩阵乘法,从而可以方便调用cublas库函数和cudnn里tiling过的矩阵乘。 CUDA在推出7.5的时候提出了可以计算16位浮点数据的新特性。定义了两种新的数据类型half和half2.之前有师弟已经DEMO过半精度
- C++调用yolo模型有哪些方法
jjm2002
深度学习C++c++YOLO开发语言
在C++中调用YOLO模型进行目标检测,可以通过以下几种常见的方法:使用Darknet框架:Darknet是YOLO的官方框架,由YOLO的创作者JosephRedmon编写。它是一个轻量级的深度学习框架,用C语言编写,可以很容易地在C++应用程序中使用。你可以直接使用DarknetAPI来加载训练好的YOLO模型,并进行图像的推理。使用OpenCV的dnn模块:OpenCV是一个开源的计算机视觉
- yolov4 训练自己的数据集--人头识别
晓理紫
机器学习
0、实验环境ubuntu16.04opencv3.4.10cuda10.11、yolov4安装1.1、下载编译darknetdarknet下载地址gitclonehttps://github.com/AlexeyAB/darknetcddarknetdarknet默认编译是不带cuda与opencv,而且不会编译so文件。如果想编译带有cuda与opencv,并编译so文件的需要修改Makefil
- java数字签名三种方式
知了ing
javajdk
以下3钟数字签名都是基于jdk7的
1,RSA
String password="test";
// 1.初始化密钥
KeyPairGenerator keyPairGenerator = KeyPairGenerator.getInstance("RSA");
keyPairGenerator.initialize(51
- Hibernate学习笔记
caoyong
Hibernate
1>、Hibernate是数据访问层框架,是一个ORM(Object Relation Mapping)框架,作者为:Gavin King
2>、搭建Hibernate的开发环境
a>、添加jar包:
aa>、hibernatte开发包中/lib/required/所
- 设计模式之装饰器模式Decorator(结构型)
漂泊一剑客
Decorator
1. 概述
若你从事过面向对象开发,实现给一个类或对象增加行为,使用继承机制,这是所有面向对象语言的一个基本特性。如果已经存在的一个类缺少某些方法,或者须要给方法添加更多的功能(魅力),你也许会仅仅继承这个类来产生一个新类—这建立在额外的代码上。
- 读取磁盘文件txt,并输入String
一炮送你回车库
String
public static void main(String[] args) throws IOException {
String fileContent = readFileContent("d:/aaa.txt");
System.out.println(fileContent);
- js三级联动下拉框
3213213333332132
三级联动
//三级联动
省/直辖市<select id="province"></select>
市/省直辖<select id="city"></select>
县/区 <select id="area"></select>
- erlang之parse_transform编译选项的应用
616050468
parse_transform游戏服务器属性同步abstract_code
最近使用erlang重构了游戏服务器的所有代码,之前看过C++/lua写的服务器引擎代码,引擎实现了玩家属性自动同步给前端和增量更新玩家数据到数据库的功能,这也是现在很多游戏服务器的优化方向,在引擎层面去解决数据同步和数据持久化,数据发生变化了业务层不需要关心怎么去同步给前端。由于游戏过程中玩家每个业务中玩家数据更改的量其实是很少
- JAVA JSON的解析
darkranger
java
// {
// “Total”:“条数”,
// Code: 1,
//
// “PaymentItems”:[
// {
// “PaymentItemID”:”支款单ID”,
// “PaymentCode”:”支款单编号”,
// “PaymentTime”:”支款日期”,
// ”ContractNo”:”合同号”,
//
- POJ-1273-Drainage Ditches
aijuans
ACM_POJ
POJ-1273-Drainage Ditches
http://poj.org/problem?id=1273
基本的最大流,按LRJ的白书写的
#include<iostream>
#include<cstring>
#include<queue>
using namespace std;
#define INF 0x7fffffff
int ma
- 工作流Activiti5表的命名及含义
atongyeye
工作流Activiti
activiti5 - http://activiti.org/designer/update在线插件安装
activiti5一共23张表
Activiti的表都以ACT_开头。 第二部分是表示表的用途的两个字母标识。 用途也和服务的API对应。
ACT_RE_*: 'RE'表示repository。 这个前缀的表包含了流程定义和流程静态资源 (图片,规则,等等)。
A
- android的广播机制和广播的简单使用
百合不是茶
android广播机制广播的注册
Android广播机制简介 在Android中,有一些操作完成以后,会发送广播,比如说发出一条短信,或打出一个电话,如果某个程序接收了这个广播,就会做相应的处理。这个广播跟我们传统意义中的电台广播有些相似之处。之所以叫做广播,就是因为它只负责“说”而不管你“听不听”,也就是不管你接收方如何处理。另外,广播可以被不只一个应用程序所接收,当然也可能不被任何应
- Spring事务传播行为详解
bijian1013
javaspring事务传播行为
在service类前加上@Transactional,声明这个service所有方法需要事务管理。每一个业务方法开始时都会打开一个事务。
Spring默认情况下会对运行期例外(RunTimeException)进行事务回滚。这
- eidtplus operate
征客丶
eidtplus
开启列模式: Alt+C 鼠标选择 OR Alt+鼠标左键拖动
列模式替换或复制内容(多行):
右键-->格式-->填充所选内容-->选择相应操作
OR
Ctrl+Shift+V(复制多行数据,必须行数一致)
-------------------------------------------------------
- 【Kafka一】Kafka入门
bit1129
kafka
这篇文章来自Spark集成Kafka(http://bit1129.iteye.com/blog/2174765),这里把它单独取出来,作为Kafka的入门吧
下载Kafka
http://mirror.bit.edu.cn/apache/kafka/0.8.1.1/kafka_2.10-0.8.1.1.tgz
2.10表示Scala的版本,而0.8.1.1表示Kafka
- Spring 事务实现机制
BlueSkator
spring代理事务
Spring是以代理的方式实现对事务的管理。我们在Action中所使用的Service对象,其实是代理对象的实例,并不是我们所写的Service对象实例。既然是两个不同的对象,那为什么我们在Action中可以象使用Service对象一样的使用代理对象呢?为了说明问题,假设有个Service类叫AService,它的Spring事务代理类为AProxyService,AService实现了一个接口
- bootstrap源码学习与示例:bootstrap-dropdown(转帖)
BreakingBad
bootstrapdropdown
bootstrap-dropdown组件是个烂东西,我读后的整体感觉。
一个下拉开菜单的设计:
<ul class="nav pull-right">
<li id="fat-menu" class="dropdown">
- 读《研磨设计模式》-代码笔记-中介者模式-Mediator
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/
/*
* 中介者模式(Mediator):用一个中介对象来封装一系列的对象交互。
* 中介者使各对象不需要显式地相互引用,从而使其耦合松散,而且可以独立地改变它们之间的交互。
*
* 在我看来,Mediator模式是把多个对象(
- 常用代码记录
chenjunt3
UIExcelJ#
1、单据设置某行或某字段不能修改
//i是行号,"cash"是字段名称
getBillCardPanelWrapper().getBillCardPanel().getBillModel().setCellEditable(i, "cash", false);
//取得单据表体所有项用以上语句做循环就能设置整行了
getBillC
- 搜索引擎与工作流引擎
comsci
算法工作搜索引擎网络应用
最近在公司做和搜索有关的工作,(只是简单的应用开源工具集成到自己的产品中)工作流系统的进一步设计暂时放在一边了,偶然看到谷歌的研究员吴军写的数学之美系列中的搜索引擎与图论这篇文章中的介绍,我发现这样一个关系(仅仅是猜想)
-----搜索引擎和流程引擎的基础--都是图论,至少像在我在JWFD中引擎算法中用到的是自定义的广度优先
- oracle Health Monitor
daizj
oracleHealth Monitor
About Health Monitor
Beginning with Release 11g, Oracle Database includes a framework called Health Monitor for running diagnostic checks on the database.
About Health Monitor Checks
Health M
- JSON字符串转换为对象
dieslrae
javajson
作为前言,首先是要吐槽一下公司的脑残编译部署方式,web和core分开部署本来没什么问题,但是这丫居然不把json的包作为基础包而作为web的包,导致了core端不能使用,而且我们的core是可以当web来用的(不要在意这些细节),所以在core中处理json串就是个问题.没办法,跟编译那帮人也扯不清楚,只有自己写json的解析了.
- C语言学习八结构体,综合应用,学生管理系统
dcj3sjt126com
C语言
实现功能的代码:
# include <stdio.h>
# include <malloc.h>
struct Student
{
int age;
float score;
char name[100];
};
int main(void)
{
int len;
struct Student * pArr;
int i,
- vagrant学习笔记
dcj3sjt126com
vagrant
想了解多主机是如何定义和使用的, 所以又学习了一遍vagrant
1. vagrant virtualbox 下载安装
https://www.vagrantup.com/downloads.html
https://www.virtualbox.org/wiki/Downloads
查看安装在命令行输入vagrant
2.
- 14.性能优化-优化-软件配置优化
frank1234
软件配置性能优化
1.Tomcat线程池
修改tomcat的server.xml文件:
<Connector port="8080" protocol="HTTP/1.1" connectionTimeout="20000" redirectPort="8443" maxThreads="1200" m
- 一个不错的shell 脚本教程 入门级
HarborChung
linuxshell
一个不错的shell 脚本教程 入门级
建立一个脚本 Linux中有好多中不同的shell,但是通常我们使用bash (bourne again shell) 进行shell编程,因为bash是免费的并且很容易使用。所以在本文中笔者所提供的脚本都是使用bash(但是在大多数情况下,这些脚本同样可以在 bash的大姐,bourne shell中运行)。 如同其他语言一样
- Spring4新特性——核心容器的其他改进
jinnianshilongnian
spring动态代理spring4依赖注入
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
- Linux设置tomcat开机启动
liuxingguome
tomcatlinux开机自启动
执行命令sudo gedit /etc/init.d/tomcat6
然后把以下英文部分复制过去。(注意第一句#!/bin/sh如果不写,就不是一个shell文件。然后将对应的jdk和tomcat换成你自己的目录就行了。
#!/bin/bash
#
# /etc/rc.d/init.d/tomcat
# init script for tomcat precesses
- 第13章 Ajax进阶(下)
onestopweb
Ajax
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- Troubleshooting Crystal Reports off BW
blueoxygen
BO
http://wiki.sdn.sap.com/wiki/display/BOBJ/Troubleshooting+Crystal+Reports+off+BW#TroubleshootingCrystalReportsoffBW-TracingBOE
Quite useful, especially this part:
SAP BW connectivity
For t
- Java开发熟手该当心的11个错误
tomcat_oracle
javajvm多线程单元测试
#1、不在属性文件或XML文件中外化配置属性。比如,没有把批处理使用的线程数设置成可在属性文件中配置。你的批处理程序无论在DEV环境中,还是UAT(用户验收
测试)环境中,都可以顺畅无阻地运行,但是一旦部署在PROD 上,把它作为多线程程序处理更大的数据集时,就会抛出IOException,原因可能是JDBC驱动版本不同,也可能是#2中讨论的问题。如果线程数目 可以在属性文件中配置,那么使它成为
- 正则表达式大全
yang852220741
html编程正则表达式
今天向大家分享正则表达式大全,它可以大提高你的工作效率
正则表达式也可以被当作是一门语言,当你学习一门新的编程语言的时候,他们是一个小的子语言。初看时觉得它没有任何的意义,但是很多时候,你不得不阅读一些教程,或文章来理解这些简单的描述模式。
一、校验数字的表达式
数字:^[0-9]*$
n位的数字:^\d{n}$
至少n位的数字:^\d{n,}$
m-n位的数字:^\d{m,n}$