豆腐车

数字图像处理成长之路17：linux下训练样本并识别车牌实验

在网上找到了一个小样本

首先列显示这些样本文件并重定向道data1.txt：

ls -1 >> data1.txt

然后修改后缀名：

cat data1.txt | sed 's/\.bmp/\.bmp 1 0 0 60 17/'

在文件前面加上路径前缀：

cat data2.txt | sed 's/^/\/home\/test\/桌面\/car_train_samples\/pimages\//' >> data3.txt

opencv_createsamples -vec pos.vec -info pos.dat -num 617 -w 60 -h 17

Info file name: pos.dat
Img file name: (NULL)
Vec file name: pos.vec
BG file name: (NULL)
Num: 617
BG color: 0
BG threshold: 80
Invert: FALSE
Max intensity deviation: 40
Max x angle: 1.1
Max y angle: 1.1
Max z angle: 0.5
Show samples: FALSE
Width: 60
Height: 17
Max Scale: -1
Create training samples from images collection...
Done. Created 617 samples

参考了这篇在windows下训练样本的文章

http://blog.csdn.net/xuejiren/article/details/39473521

https://www.cnblogs.com/chensheng-zhou/p/5542887.html

开始训练，刚开始我用-npos 617 -nneg 1350 训练不成功，换成下面参数成功了，具体原因有待分析。

opencv_haartraining -data trainout -vec pos.vec -bg nag.dat -npos 317 -nneg 300 -mem 8000 -mode ALL -w 60 -h 17 -j8

然后打开我之前的QT程序，调用摄像头来实时检测下车牌。

time opencv_haartraining -data trainout450_900 -vec pos.vec -bg nag.dat -npos 450 -nneg 900 -mem 8000 -mode ALL -w 60 -h 17 -j8 >> p450n900.txt


Data dir name: trainout450_900
Vec file name: pos.vec
BG  file name: nag.dat, is a vecfile: no
Num pos: 450
Num neg: 900
Num stages: 14
Num splits: 1 (stump as weak classifier)
Mem: 8000 MB
Symmetric: TRUE
Min hit rate: 0.995000
Max false alarm rate: 0.500000
Weight trimming: 0.950000
Equal weights: FALSE
Mode: ALL
Width: 60
Height: 17
Applied boosting algorithm: GAB
Error (valid only for Discrete and Real AdaBoost): misclass
Max number of splits in tree cascade: 0
Min number of positive samples per cluster: 500
Required leaf false alarm rate: 6.10352e-05

Tree Classifier
Stage
+---+
|  0|
+---+


Number of features used : 375981

Parent node: NULL

*** 1 cluster ***
POS: 450 450 1.000000
NEG: 900 1
BACKGROUND PROCESSING TIME: 0.00
Precalculation time: 2.00
+----+----+-+---------+---------+---------+---------+
|  N |%SMP|F|  ST.THR |    HR   |    FA   | EXP. ERR|
+----+----+-+---------+---------+---------+---------+
|   1|100%|-|-0.493908| 1.000000| 1.000000| 0.176296|
+----+----+-+---------+---------+---------+---------+
|   2|100%|+|-0.588691| 1.000000| 1.000000| 0.177037|
+----+----+-+---------+---------+---------+---------+
|   3| 94%|-|-0.969799| 1.000000| 1.000000| 0.151111|
+----+----+-+---------+---------+---------+---------+
|   4| 97%|+|-1.200450| 1.000000| 1.000000| 0.147407|
+----+----+-+---------+---------+---------+---------+
|   5| 89%|-|-1.449244| 1.000000| 1.000000| 0.102222|
+----+----+-+---------+---------+---------+---------+
|   6| 95%|+|-1.547615| 1.000000| 1.000000| 0.087407|
+----+----+-+---------+---------+---------+---------+
|   7| 91%|-|-0.841398| 0.997778| 0.341111| 0.084444|
+----+----+-+---------+---------+---------+---------+
Stage training time: 480.00
Number of used features: 7

Parent node: NULL
Chosen number of splits: 0

Total number of splits: 0

Tree Classifier
Stage
+---+
|  0|
+---+

   0


Parent node: 0

*** 1 cluster ***
POS: 450 451 0.997783
NEG: 900 0.421546
BACKGROUND PROCESSING TIME: 0.00
Precalculation time: 1.00
+----+----+-+---------+---------+---------+---------+
|  N |%SMP|F|  ST.THR |    HR   |    FA   | EXP. ERR|
+----+----+-+---------+---------+---------+---------+
|   1|100%|-|-0.361088| 1.000000| 1.000000| 0.212593|
+----+----+-+---------+---------+---------+---------+
|   2|100%|+|-0.569266| 1.000000| 1.000000| 0.178519|
+----+----+-+---------+---------+---------+---------+
|   3| 90%|-|-0.788352| 1.000000| 1.000000| 0.154815|
+----+----+-+---------+---------+---------+---------+
|   4| 99%|+|-0.871740| 1.000000| 1.000000| 0.149630|
+----+----+-+---------+---------+---------+---------+
|   5| 97%|-|-1.163519| 1.000000| 1.000000| 0.105185|
+----+----+-+---------+---------+---------+---------+
|   6| 89%|+|-1.388671| 1.000000| 1.000000| 0.080000|
+----+----+-+---------+---------+---------+---------+
|   7| 95%|-|-0.785888| 1.000000| 0.401111| 0.073333|
+----+----+-+---------+---------+---------+---------+
Stage training time: 461.00
Number of used features: 7

Parent node: 0
Chosen number of splits: 0

Total number of splits: 0

Tree Classifier
Stage
+---+---+
|  0|  1|
+---+---+

   0---1


Parent node: 1

*** 1 cluster ***
POS: 450 451 0.997783
NEG: 900 0.20872
BACKGROUND PROCESSING TIME: 0.00
Precalculation time: 2.00
+----+----+-+---------+---------+---------+---------+
|  N |%SMP|F|  ST.THR |    HR   |    FA   | EXP. ERR|
+----+----+-+---------+---------+---------+---------+
|   1|100%|-|-0.366608| 1.000000| 1.000000| 0.214815|
+----+----+-+---------+---------+---------+---------+
|   2|100%|+|-0.574690| 1.000000| 1.000000| 0.205185|
+----+----+-+---------+---------+---------+---------+
|   3| 91%|-|-0.866233| 1.000000| 1.000000| 0.197778|
+----+----+-+---------+---------+---------+---------+
|   4| 97%|+|-1.068779| 1.000000| 1.000000| 0.142963|
+----+----+-+---------+---------+---------+---------+
|   5| 95%|-|-1.324796| 1.000000| 1.000000| 0.114815|
+----+----+-+---------+---------+---------+---------+
|   6| 99%|+|-1.393622| 1.000000| 1.000000| 0.109630|
+----+----+-+---------+---------+---------+---------+
|   7| 96%|-|-1.629125| 1.000000| 1.000000| 0.097778|
+----+----+-+---------+---------+---------+---------+
|   8| 97%|+|-1.008357| 0.997778| 0.400000| 0.097037|
+----+----+-+---------+---------+---------+---------+
Stage training time: 518.00
Number of used features: 8

Parent node: 1
Chosen number of splits: 0

Total number of splits: 0

Tree Classifier
Stage
+---+---+---+
|  0|  1|  2|
+---+---+---+

   0---1---2


Parent node: 2

*** 1 cluster ***
POS: 450 452 0.995575
NEG: 900 0.13361
BACKGROUND PROCESSING TIME: 0.00
Precalculation time: 2.00
+----+----+-+---------+---------+---------+---------+
|  N |%SMP|F|  ST.THR |    HR   |    FA   | EXP. ERR|
+----+----+-+---------+---------+---------+---------+
|   1|100%|-|-0.488624| 1.000000| 1.000000| 0.245185|
+----+----+-+---------+---------+---------+---------+
|   2|100%|+|-0.771243| 1.000000| 1.000000| 0.271111|
+----+----+-+---------+---------+---------+---------+
|   3|100%|-|-0.582786| 0.995556| 0.748889| 0.214815|
+----+----+-+---------+---------+---------+---------+
|   4| 83%|+|-0.729587| 0.995556| 0.750000| 0.223704|
+----+----+-+---------+---------+---------+---------+
|   5| 80%|-|-0.943908| 0.997778| 0.768889| 0.180000|
+----+----+-+---------+---------+---------+---------+
|   6| 82%|+|-1.162628| 0.995556| 0.717778| 0.133333|
+----+----+-+---------+---------+---------+---------+
|   7| 79%|-|-1.443707| 0.997778| 0.742222| 0.141481|
+----+----+-+---------+---------+---------+---------+
|   8| 80%|+|-1.060291| 0.995556| 0.512222| 0.117037|
+----+----+-+---------+---------+---------+---------+
|   9| 79%|-|-1.101675| 0.995556| 0.470000| 0.096296|
+----+----+-+---------+---------+---------+---------+
Stage training time: 516.00
Number of used features: 9

Parent node: 2
Chosen number of splits: 0

Total number of splits: 0

Tree Classifier
Stage
+---+---+---+---+
|  0|  1|  2|  3|
+---+---+---+---+

   0---1---2---3


Parent node: 3

*** 1 cluster ***
POS: 450 454 0.991189
NEG: 900 0.0614628
BACKGROUND PROCESSING TIME: 0.00
Precalculation time: 1.00
+----+----+-+---------+---------+---------+---------+
|  N |%SMP|F|  ST.THR |    HR   |    FA   | EXP. ERR|
+----+----+-+---------+---------+---------+---------+
|   1|100%|-|-0.203923| 1.000000| 1.000000| 0.240741|
+----+----+-+---------+---------+---------+---------+
|   2|100%|+|-0.479903| 1.000000| 1.000000| 0.262963|
+----+----+-+---------+---------+---------+---------+
|   3| 93%|-|-0.545721| 0.995556| 0.760000| 0.211852|
+----+----+-+---------+---------+---------+---------+
|   4| 84%|+|-0.744102| 1.000000| 0.803333| 0.219259|
+----+----+-+---------+---------+---------+---------+
|   5| 84%|-|-0.981718| 1.000000| 0.831111| 0.232593|
+----+----+-+---------+---------+---------+---------+
|   6| 81%|+|-0.978937| 0.995556| 0.711111| 0.143704|
+----+----+-+---------+---------+---------+---------+
|   7| 80%|-|-1.187332| 0.997778| 0.722222| 0.127407|
+----+----+-+---------+---------+---------+---------+
|   8| 80%|+|-0.724781| 0.995556| 0.472222| 0.135556|
+----+----+-+---------+---------+---------+---------+
Stage training time: 463.00
Number of used features: 8

Parent node: 3
Chosen number of splits: 0

Total number of splits: 0

Tree Classifier
Stage
+---+---+---+---+---+
|  0|  1|  2|  3|  4|
+---+---+---+---+---+

   0---1---2---3---4


Parent node: 4

*** 1 cluster ***
POS: 450 457 0.984683
NEG: 900 0.0359842
BACKGROUND PROCESSING TIME: 1.00
Precalculation time: 1.00
+----+----+-+---------+---------+---------+---------+
|  N |%SMP|F|  ST.THR |    HR   |    FA   | EXP. ERR|
+----+----+-+---------+---------+---------+---------+
|   1|100%|-|-0.300581| 1.000000| 1.000000| 0.243704|
+----+----+-+---------+---------+---------+---------+
|   2|100%|+|-0.505537| 1.000000| 1.000000| 0.250370|
+----+----+-+---------+---------+---------+---------+
|   3| 91%|-|-0.744117| 1.000000| 1.000000| 0.263704|
+----+----+-+---------+---------+---------+---------+
|   4|100%|+|-0.857982| 1.000000| 1.000000| 0.257778|
+----+----+-+---------+---------+---------+---------+
|   5|100%|-|-1.076755| 1.000000| 1.000000| 0.165185|
+----+----+-+---------+---------+---------+---------+
|   6| 98%|+|-1.213209| 1.000000| 1.000000| 0.168148|
+----+----+-+---------+---------+---------+---------+
|   7| 96%|-|-0.941899| 0.997778| 0.718889| 0.153333|
+----+----+-+---------+---------+---------+---------+
|   8| 98%|+|-1.051461| 0.997778| 0.740000| 0.149630|
+----+----+-+---------+---------+---------+---------+
|   9| 80%|-|-1.260610| 0.995556| 0.684444| 0.139259|
+----+----+-+---------+---------+---------+---------+
|  10| 84%|+|-1.450285| 0.997778| 0.693333| 0.126667|
+----+----+-+---------+---------+---------+---------+
|  11| 78%|-|-1.613495| 0.995556| 0.690000| 0.118519|
+----+----+-+---------+---------+---------+---------+
|  12| 77%|+|-1.772708| 0.995556| 0.707778| 0.111852|
+----+----+-+---------+---------+---------+---------+
|  13| 73%|-|-1.191579| 0.995556| 0.396667| 0.102963|
+----+----+-+---------+---------+---------+---------+
Stage training time: 779.00
Number of used features: 13

Parent node: 4
Chosen number of splits: 0

Total number of splits: 0

Tree Classifier
Stage
+---+---+---+---+---+---+
|  0|  1|  2|  3|  4|  5|
+---+---+---+---+---+---+

   0---1---2---3---4---5


Parent node: 5

*** 1 cluster ***
POS: 450 459 0.980392
NEG: 900 0.0207703
BACKGROUND PROCESSING TIME: 1.00
Precalculation time: 1.00
+----+----+-+---------+---------+---------+---------+
|  N |%SMP|F|  ST.THR |    HR   |    FA   | EXP. ERR|
+----+----+-+---------+---------+---------+---------+
|   1|100%|-|-0.415726| 1.000000| 1.000000| 0.333333|
+----+----+-+---------+---------+---------+---------+
|   2|100%|+|-0.711295| 1.000000| 1.000000| 0.405926|
+----+----+-+---------+---------+---------+---------+
|   3|100%|-|-0.915748| 1.000000| 1.000000| 0.205926|
+----+----+-+---------+---------+---------+---------+
|   4|100%|+|-1.020884| 1.000000| 1.000000| 0.205185|
+----+----+-+---------+---------+---------+---------+
|   5| 98%|-|-0.876332| 0.995556| 0.796667| 0.185926|
+----+----+-+---------+---------+---------+---------+
|   6| 84%|+|-0.791319| 0.995556| 0.702222| 0.179259|
+----+----+-+---------+---------+---------+---------+
|   7| 80%|-|-0.942921| 0.995556| 0.711111| 0.185185|
+----+----+-+---------+---------+---------+---------+
|   8| 78%|+|-1.045565| 0.995556| 0.725556| 0.186667|
+----+----+-+---------+---------+---------+---------+
|   9| 77%|-|-1.349022| 1.000000| 0.748889| 0.182963|
+----+----+-+---------+---------+---------+---------+
|  10| 81%|+|-1.102614| 0.997778| 0.625556| 0.180741|
+----+----+-+---------+---------+---------+---------+
|  11| 69%|-|-1.732624| 0.995556| 0.723333| 0.172593|
+----+----+-+---------+---------+---------+---------+
|  12| 62%|+|-2.238386| 0.995556| 0.782222| 0.182222|
+----+----+-+---------+---------+---------+---------+
|  13| 63%|-|-1.857026| 0.995556| 0.756667| 0.183704|
+----+----+-+---------+---------+---------+---------+
|  14| 59%|+|-1.685051| 0.995556| 0.683333| 0.188148|
+----+----+-+---------+---------+---------+---------+
|  15| 52%|-|-1.791075| 0.997778| 0.637778| 0.193333|
+----+----+-+---------+---------+---------+---------+
|  16| 55%|+|-1.797033| 0.995556| 0.655556| 0.200000|
+----+----+-+---------+---------+---------+---------+
|  17| 55%|-|-1.798790| 0.995556| 0.661111| 0.190370|
+----+----+-+---------+---------+---------+---------+
|  18| 55%|+|-1.627204| 0.995556| 0.596667| 0.194074|
+----+----+-+---------+---------+---------+---------+
|  19| 54%|-|-1.978265| 0.995556| 0.681111| 0.203704|
+----+----+-+---------+---------+---------+---------+
|  20| 51%|+|-2.245611| 0.995556| 0.704444| 0.189630|
+----+----+-+---------+---------+---------+---------+
|  21| 46%|-|-2.133149| 0.995556| 0.671111| 0.207407|
+----+----+-+---------+---------+---------+---------+
|  22| 49%|+|-2.170100| 0.995556| 0.645556| 0.184444|
+----+----+-+---------+---------+---------+---------+
|  23| 51%|-|-1.877319| 0.995556| 0.583333| 0.188148|
+----+----+-+---------+---------+---------+---------+
|  24| 52%|+|-1.867247| 0.995556| 0.588889| 0.201481|
+----+----+-+---------+---------+---------+---------+
|  25| 52%|-|-1.778916| 0.995556| 0.550000| 0.186667|
+----+----+-+---------+---------+---------+---------+
|  26| 49%|+|-2.143595| 0.995556| 0.595556| 0.185926|
+----+----+-+---------+---------+---------+---------+
|  27| 46%|-|-2.026647| 0.995556| 0.560000| 0.182222|
+----+----+-+---------+---------+---------+---------+
|  28| 38%|+|-2.266902| 0.995556| 0.548889| 0.184444|
+----+----+-+---------+---------+---------+---------+
|  29| 33%|-|-2.391911| 0.995556| 0.580000| 0.185926|
+----+----+-+---------+---------+---------+---------+
|  30| 38%|+|-2.430512| 0.995556| 0.574444| 0.190370|
+----+----+-+---------+---------+---------+---------+
|  31| 34%|-|-2.647248| 0.995556| 0.597778| 0.188148|
+----+----+-+---------+---------+---------+---------+
|  32| 38%|+|-2.324212| 0.995556| 0.521111| 0.178519|
+----+----+-+---------+---------+---------+---------+
|  33| 32%|-|-2.318813| 0.995556| 0.516667| 0.171111|
+----+----+-+---------+---------+---------+---------+
|  34| 35%|+|-2.535526| 0.995556| 0.542222| 0.169630|
+----+----+-+---------+---------+---------+---------+
|  35| 36%|-|-2.042666| 0.995556| 0.460000| 0.182222|
+----+----+-+---------+---------+---------+---------+
Stage training time: 1297.00
Number of used features: 35

Parent node: 5
Chosen number of splits: 0

Total number of splits: 0

Tree Classifier
Stage
+---+---+---+---+---+---+---+
|  0|  1|  2|  3|  4|  5|  6|
+---+---+---+---+---+---+---+

   0---1---2---3---4---5---6


Parent node: 6

*** 1 cluster ***
POS: 450 461 0.976139
NEG: 900 0.0218192
BACKGROUND PROCESSING TIME: 1.00
Precalculation time: 1.00
+----+----+-+---------+---------+---------+---------+
|  N |%SMP|F|  ST.THR |    HR   |    FA   | EXP. ERR|
+----+----+-+---------+---------+---------+---------+
|   1|100%|-|-0.718171| 1.000000| 1.000000| 0.573333|
+----+----+-+---------+---------+---------+---------+
|   2| 86%|+|-1.271018| 1.000000| 1.000000| 0.573333|
+----+----+-+---------+---------+---------+---------+
|   3| 86%|-|-2.063729| 1.000000| 1.000000| 0.602963|
+----+----+-+---------+---------+---------+---------+
|   4| 92%|+|-2.502124| 1.000000| 1.000000| 0.194074|
+----+----+-+---------+---------+---------+---------+
|   5| 81%|-|-1.733242| 1.000000| 0.984444| 0.593333|
+----+----+-+---------+---------+---------+---------+
|   6| 87%|+|-1.964061| 0.995556| 0.981111| 0.200000|
+----+----+-+---------+---------+---------+---------+
|   7| 82%|-|-1.914516| 0.997778| 0.980000| 0.585185|
+----+----+-+---------+---------+---------+---------+
|   8| 79%|+|-2.029114| 0.997778| 0.976667| 0.579259|
+----+----+-+---------+---------+---------+---------+
|   9| 75%|-|-1.899666| 0.995556| 0.938889| 0.584444|
+----+----+-+---------+---------+---------+---------+
|  10| 67%|+|-2.292485| 0.995556| 0.960000| 0.562222|
+----+----+-+---------+---------+---------+---------+
|  11| 62%|-|-2.332688| 0.995556| 0.946667| 0.576296|
+----+----+-+---------+---------+---------+---------+
|  12| 69%|+|-2.395460| 0.995556| 0.944444| 0.572593|
+----+----+-+---------+---------+---------+---------+
|  13| 69%|-|-2.537034| 0.995556| 0.967778| 0.558519|
+----+----+-+---------+---------+---------+---------+
|  14| 66%|+|-2.285337| 0.995556| 0.937778| 0.571852|
+----+----+-+---------+---------+---------+---------+
|  15| 61%|-|-2.670989| 0.995556| 0.950000| 0.569630|
+----+----+-+---------+---------+---------+---------+
|  16| 53%|+|-3.513774| 0.995556| 0.968889| 0.585185|
+----+----+-+---------+---------+---------+---------+
|  17| 59%|-|-2.989280| 0.995556| 0.943333| 0.571852|
+----+----+-+---------+---------+---------+---------+
|  18| 64%|+|-2.741658| 0.995556| 0.927778| 0.571111|
+----+----+-+---------+---------+---------+---------+
|  19| 66%|-|-2.420548| 0.995556| 0.907778| 0.189630|
+----+----+-+---------+---------+---------+---------+
|  20| 67%|+|-2.363318| 0.995556| 0.900000| 0.185185|
+----+----+-+---------+---------+---------+---------+
|  21| 68%|-|-2.349633| 0.997778| 0.901111| 0.546667|
+----+----+-+---------+---------+---------+---------+
|  22| 66%|+|-2.528409| 0.995556| 0.897778| 0.559259|
+----+----+-+---------+---------+---------+---------+
|  23| 64%|-|-2.119827| 0.995556| 0.871111| 0.545185|
+----+----+-+---------+---------+---------+---------+
|  24| 67%|+|-2.247921| 0.995556| 0.880000| 0.547407|
+----+----+-+---------+---------+---------+---------+
|  25| 63%|-|-2.146968| 0.995556| 0.867778| 0.162963|
+----+----+-+---------+---------+---------+---------+
|  26| 65%|+|-2.272907| 0.995556| 0.878889| 0.157037|
+----+----+-+---------+---------+---------+---------+
|  27| 65%|-|-2.304265| 0.995556| 0.868889| 0.150370|
+----+----+-+---------+---------+---------+---------+
|  28| 67%|+|-2.149958| 0.995556| 0.860000| 0.143704|
+----+----+-+---------+---------+---------+---------+
|  29| 64%|-|-2.000496| 0.995556| 0.844444| 0.147407|
+----+----+-+---------+---------+---------+---------+
|  30| 70%|+|-1.946395| 0.995556| 0.834444| 0.150370|
+----+----+-+---------+---------+---------+---------+
|  31| 71%|-|-1.971215| 0.995556| 0.841111| 0.142963|
+----+----+-+---------+---------+---------+---------+
|  32| 66%|+|-2.003288| 0.995556| 0.826667| 0.140000|
+----+----+-+---------+---------+---------+---------+
|  33| 68%|-|-1.621673| 0.995556| 0.792222| 0.123704|
+----+----+-+---------+---------+---------+---------+
|  34| 70%|+|-1.711287| 0.995556| 0.791111| 0.116296|
+----+----+-+---------+---------+---------+---------+
|  35| 71%|-|-1.701897| 0.995556| 0.235556| 0.115556|
+----+----+-+---------+---------+---------+---------+
Stage training time: 883.00
Number of used features: 35

Parent node: 6
Chosen number of splits: 0

Total number of splits: 0

Tree Classifier
Stage
+---+---+---+---+---+---+---+---+
|  0|  1|  2|  3|  4|  5|  6|  7|
+---+---+---+---+---+---+---+---+

   0---1---2---3---4---5---6---7


Parent node: 7

*** 1 cluster ***
POS: 450 463 0.971922
NEG: 900 0.00550031
BACKGROUND PROCESSING TIME: 2.00
Precalculation time: 1.00
+----+----+-+---------+---------+---------+---------+
|  N |%SMP|F|  ST.THR |    HR   |    FA   | EXP. ERR|
+----+----+-+---------+---------+---------+---------+
|   1|100%|-|-0.187015| 1.000000| 1.000000| 0.258519|
+----+----+-+---------+---------+---------+---------+
|   2|100%|+|-0.300477| 1.000000| 1.000000| 0.282222|
+----+----+-+---------+---------+---------+---------+
|   3| 96%|-|-0.557926| 1.000000| 1.000000| 0.255556|
+----+----+-+---------+---------+---------+---------+
|   4| 98%|+|-0.776465| 1.000000| 1.000000| 0.216296|
+----+----+-+---------+---------+---------+---------+
|   5| 97%|-|-0.657225| 1.000000| 0.800000| 0.228889|
+----+----+-+---------+---------+---------+---------+
|   6| 82%|+|-0.782462| 0.995556| 0.704444| 0.229630|
+----+----+-+---------+---------+---------+---------+
|   7| 79%|-|-0.819948| 0.995556| 0.597778| 0.210370|
+----+----+-+---------+---------+---------+---------+
|   8| 79%|+|-1.262917| 0.995556| 0.674444| 0.188889|
+----+----+-+---------+---------+---------+---------+
|   9| 79%|-|-1.176503| 0.997778| 0.646667| 0.192593|
+----+----+-+---------+---------+---------+---------+
|  10| 77%|+|-1.063362| 0.995556| 0.567778| 0.170370|
+----+----+-+---------+---------+---------+---------+
|  11| 78%|-|-0.968403| 0.995556| 0.500000| 0.157778|
+----+----+-+---------+---------+---------+---------+
Stage training time: 643.00
Number of used features: 11

Parent node: 7
Chosen number of splits: 0

Total number of splits: 0

Tree Classifier
Stage
+---+---+---+---+---+---+---+---+---+
|  0|  1|  2|  3|  4|  5|  6|  7|  8|
+---+---+---+---+---+---+---+---+---+

   0---1---2---3---4---5---6---7---8


Parent node: 8

*** 1 cluster ***
POS: 450 466 0.965665
NEG: 900 0.00310321
BACKGROUND PROCESSING TIME: 4.00
Precalculation time: 1.00
+----+----+-+---------+---------+---------+---------+
|  N |%SMP|F|  ST.THR |    HR   |    FA   | EXP. ERR|
+----+----+-+---------+---------+---------+---------+
|   1|100%|-|-0.255033| 1.000000| 1.000000| 0.277037|
+----+----+-+---------+---------+---------+---------+
|   2|100%|+|-0.891419| 1.000000| 1.000000| 0.254074|
+----+----+-+---------+---------+---------+---------+
|   3| 86%|-|-0.788910| 0.997778| 0.943333| 0.336296|
+----+----+-+---------+---------+---------+---------+
|   4| 96%|+|-0.974068| 1.000000| 0.944444| 0.213333|
+----+----+-+---------+---------+---------+---------+
|   5| 96%|-|-1.131390| 1.000000| 0.947778| 0.197778|
+----+----+-+---------+---------+---------+---------+
|   6| 96%|+|-1.049241| 1.000000| 0.814444| 0.188889|
+----+----+-+---------+---------+---------+---------+
|   7| 87%|-|-0.956714| 1.000000| 0.707778| 0.172593|
+----+----+-+---------+---------+---------+---------+
|   8| 80%|+|-0.829509| 0.997778| 0.607778| 0.211111|
+----+----+-+---------+---------+---------+---------+
|   9| 81%|-|-1.035194| 1.000000| 0.638889| 0.151111|
+----+----+-+---------+---------+---------+---------+
|  10| 78%|+|-1.168562| 1.000000| 0.672222| 0.162222|
+----+----+-+---------+---------+---------+---------+
|  11| 76%|-|-1.202044| 0.995556| 0.610000| 0.145185|
+----+----+-+---------+---------+---------+---------+
|  12| 76%|+|-1.105554| 0.995556| 0.548889| 0.142222|
+----+----+-+---------+---------+---------+---------+
|  13| 74%|-|-0.969937| 0.995556| 0.473333| 0.129630|
+----+----+-+---------+---------+---------+---------+
Stage training time: 747.00
Number of used features: 13

Parent node: 8
Chosen number of splits: 0

Total number of splits: 0

Tree Classifier
Stage
+---+---+---+---+---+---+---+---+---+---+
|  0|  1|  2|  3|  4|  5|  6|  7|  8|  9|
+---+---+---+---+---+---+---+---+---+---+

   0---1---2---3---4---5---6---7---8---9


Parent node: 9

*** 1 cluster ***
POS: 450 468 0.961538
NEG: 900 0.00162922
BACKGROUND PROCESSING TIME: 7.00
Precalculation time: 1.00
+----+----+-+---------+---------+---------+---------+
|  N |%SMP|F|  ST.THR |    HR   |    FA   | EXP. ERR|
+----+----+-+---------+---------+---------+---------+
|   1|100%|-|-0.204385| 1.000000| 1.000000| 0.285185|
+----+----+-+---------+---------+---------+---------+
|   2|100%|+|-0.723615| 1.000000| 1.000000| 0.275556|
+----+----+-+---------+---------+---------+---------+
|   3| 94%|-|-0.878448| 1.000000| 0.976667| 0.480741|
+----+----+-+---------+---------+---------+---------+
|   4| 86%|+|-0.848651| 1.000000| 0.921111| 0.387407|
+----+----+-+---------+---------+---------+---------+
|   5| 85%|-|-0.699739| 0.997778| 0.851111| 0.314815|
+----+----+-+---------+---------+---------+---------+
|   6| 90%|+|-0.879463| 0.997778| 0.861111| 0.299259|
+----+----+-+---------+---------+---------+---------+
|   7| 90%|-|-1.011466| 0.995556| 0.762222| 0.188148|
+----+----+-+---------+---------+---------+---------+
|   8| 82%|+|-1.115050| 0.995556| 0.777778| 0.178519|
+----+----+-+---------+---------+---------+---------+
|   9| 81%|-|-1.023660| 0.997778| 0.767778| 0.168148|
+----+----+-+---------+---------+---------+---------+
|  10| 80%|+|-0.993009| 0.995556| 0.600000| 0.162222|
+----+----+-+---------+---------+---------+---------+
|  11| 78%|-|-1.110528| 1.000000| 0.635556| 0.168889|
+----+----+-+---------+---------+---------+---------+
|  12| 79%|+|-1.249211| 1.000000| 0.660000| 0.163704|
+----+----+-+---------+---------+---------+---------+
|  13| 77%|-|-0.876510| 0.997778| 0.505556| 0.152593|
+----+----+-+---------+---------+---------+---------+
|  14| 77%|+|-0.897350| 0.997778| 0.520000| 0.145926|
+----+----+-+---------+---------+---------+---------+
|  15| 77%|-|-0.845018| 0.995556| 0.457778| 0.132593|
+----+----+-+---------+---------+---------+---------+
Stage training time: 838.00
Number of used features: 15

Parent node: 9
Chosen number of splits: 0

Total number of splits: 0

Tree Classifier
Stage
+---+---+---+---+---+---+---+---+---+---+---+
|  0|  1|  2|  3|  4|  5|  6|  7|  8|  9| 10|
+---+---+---+---+---+---+---+---+---+---+---+

   0---1---2---3---4---5---6---7---8---9--10


Parent node: 10

*** 1 cluster ***
POS: 450 470 0.957447
NEG: 900 0.000855148
BACKGROUND PROCESSING TIME: 12.00
Precalculation time: 1.00
+----+----+-+---------+---------+---------+---------+
|  N |%SMP|F|  ST.THR |    HR   |    FA   | EXP. ERR|
+----+----+-+---------+---------+---------+---------+
|   1|100%|-|-0.200000| 1.000000| 1.000000| 0.271111|
+----+----+-+---------+---------+---------+---------+
|   2|100%|+|-0.274703| 1.000000| 1.000000| 0.263704|
+----+----+-+---------+---------+---------+---------+
|   3| 97%|-|-0.467780| 1.000000| 1.000000| 0.297037|
+----+----+-+---------+---------+---------+---------+
|   4| 99%|+|-0.619255| 1.000000| 1.000000| 0.297037|
+----+----+-+---------+---------+---------+---------+
|   5| 99%|-|-0.776008| 1.000000| 1.000000| 0.236296|
+----+----+-+---------+---------+---------+---------+
|   6| 98%|+|-0.710650| 0.997778| 0.926667| 0.259259|
+----+----+-+---------+---------+---------+---------+
|   7| 93%|-|-0.981652| 1.000000| 0.963333| 0.217778|
+----+----+-+---------+---------+---------+---------+
|   8| 96%|+|-1.067254| 1.000000| 0.965556| 0.225185|
+----+----+-+---------+---------+---------+---------+
|   9| 96%|-|-1.207241| 1.000000| 0.972222| 0.196296|
+----+----+-+---------+---------+---------+---------+
|  10| 95%|+|-1.267179| 1.000000| 0.972222| 0.188889|
+----+----+-+---------+---------+---------+---------+
|  11| 83%|-|-1.084049| 0.995556| 0.866667| 0.175556|
+----+----+-+---------+---------+---------+---------+
|  12| 82%|+|-1.358055| 0.995556| 0.861111| 0.178519|
+----+----+-+---------+---------+---------+---------+
|  13| 81%|-|-1.247416| 0.995556| 0.771111| 0.166667|
+----+----+-+---------+---------+---------+---------+
|  14| 81%|+|-1.051703| 0.995556| 0.695556| 0.160000|
+----+----+-+---------+---------+---------+---------+
|  15| 79%|-|-0.938227| 0.995556| 0.596667| 0.155556|
+----+----+-+---------+---------+---------+---------+
|  16| 78%|+|-1.038177| 0.995556| 0.612222| 0.148889|
+----+----+-+---------+---------+---------+---------+
|  17| 77%|-|-0.956480| 0.995556| 0.571111| 0.138519|
+----+----+-+---------+---------+---------+---------+
|  18| 78%|+|-1.020276| 0.995556| 0.575556| 0.128889|
+----+----+-+---------+---------+---------+---------+
|  19| 77%|-|-1.150614| 0.995556| 0.610000| 0.131111|
+----+----+-+---------+---------+---------+---------+
|  20| 77%|+|-0.977177| 0.995556| 0.510000| 0.118519|
+----+----+-+---------+---------+---------+---------+
|  21| 76%|-|-0.879366| 0.995556| 0.458889| 0.110370|
+----+----+-+---------+---------+---------+---------+
Stage training time: 1208.00
Number of used features: 21

Parent node: 10
Chosen number of splits: 0

Total number of splits: 0

Tree Classifier
Stage
+---+---+---+---+---+---+---+---+---+---+---+---+
|  0|  1|  2|  3|  4|  5|  6|  7|  8|  9| 10| 11|
+---+---+---+---+---+---+---+---+---+---+---+---+

   0---1---2---3---4---5---6---7---8---9--10--11


Parent node: 11

*** 1 cluster ***
POS: 450 474 0.949367
NEG: 900 0.000448503
BACKGROUND PROCESSING TIME: 23.00
Precalculation time: 1.00
+----+----+-+---------+---------+---------+---------+
|  N |%SMP|F|  ST.THR |    HR   |    FA   | EXP. ERR|
+----+----+-+---------+---------+---------+---------+
|   1|100%|-|-0.399267| 1.000000| 1.000000| 0.333333|
+----+----+-+---------+---------+---------+---------+
|   2|100%|+|-0.938347| 1.000000| 1.000000| 0.270370|
+----+----+-+---------+---------+---------+---------+
|   3| 92%|-|-1.117361| 1.000000| 1.000000| 0.305926|
+----+----+-+---------+---------+---------+---------+
|   4| 93%|+|-1.229308| 1.000000| 1.000000| 0.320741|
+----+----+-+---------+---------+---------+---------+
|   5| 90%|-|-0.759493| 0.995556| 0.924444| 0.196296|
+----+----+-+---------+---------+---------+---------+
|   6| 94%|+|-0.792182| 0.995556| 0.837778| 0.288889|
+----+----+-+---------+---------+---------+---------+
|   7| 84%|-|-0.809791| 0.995556| 0.771111| 0.179259|
+----+----+-+---------+---------+---------+---------+
|   8| 83%|+|-1.074367| 0.997778| 0.827778| 0.228148|
+----+----+-+---------+---------+---------+---------+
|   9| 87%|-|-1.224407| 0.997778| 0.840000| 0.174074|
+----+----+-+---------+---------+---------+---------+
|  10| 81%|+|-1.268124| 1.000000| 0.850000| 0.172593|
+----+----+-+---------+---------+---------+---------+
|  11| 81%|-|-1.020804| 0.995556| 0.740000| 0.161481|
+----+----+-+---------+---------+---------+---------+
|  12| 80%|+|-1.018552| 0.995556| 0.740000| 0.156296|
+----+----+-+---------+---------+---------+---------+
|  13| 80%|-|-1.117389| 0.995556| 0.667778| 0.154815|
+----+----+-+---------+---------+---------+---------+
|  14| 80%|+|-1.075194| 0.995556| 0.654444| 0.145185|
+----+----+-+---------+---------+---------+---------+
|  15| 79%|-|-0.997753| 0.995556| 0.638889| 0.135556|
+----+----+-+---------+---------+---------+---------+
|  16| 80%|+|-1.119331| 0.997778| 0.635556| 0.125926|
+----+----+-+---------+---------+---------+---------+
|  17| 78%|-|-0.665877| 0.995556| 0.395556| 0.121481|
+----+----+-+---------+---------+---------+---------+
Stage training time: 921.00
Number of used features: 17

Parent node: 11
Chosen number of splits: 0

Total number of splits: 0

Tree Classifier
Stage
+---+---+---+---+---+---+---+---+---+---+---+---+---+
|  0|  1|  2|  3|  4|  5|  6|  7|  8|  9| 10| 11| 12|
+---+---+---+---+---+---+---+---+---+---+---+---+---+

   0---1---2---3---4---5---6---7---8---9--10--11--12


Parent node: 12

*** 1 cluster ***
POS: 450 476 0.945378
NEG: 900 0.000197409
BACKGROUND PROCESSING TIME: 52.00
Precalculation time: 1.00
+----+----+-+---------+---------+---------+---------+
|  N |%SMP|F|  ST.THR |    HR   |    FA   | EXP. ERR|
+----+----+-+---------+---------+---------+---------+
|   1|100%|-|-0.205047| 1.000000| 1.000000| 0.287407|
+----+----+-+---------+---------+---------+---------+
|   2|100%|+|-0.275924| 1.000000| 1.000000| 0.296296|
+----+----+-+---------+---------+---------+---------+
|   3|100%|-|-0.395112| 1.000000| 1.000000| 0.294074|
+----+----+-+---------+---------+---------+---------+
|   4| 94%|+|-0.434666| 1.000000| 1.000000| 0.306667|
+----+----+-+---------+---------+---------+---------+
|   5| 98%|-|-0.600460| 1.000000| 1.000000| 0.306667|
+----+----+-+---------+---------+---------+---------+
|   6| 97%|+|-0.674654| 1.000000| 1.000000| 0.272593|
+----+----+-+---------+---------+---------+---------+
|   7| 97%|-|-0.792674| 1.000000| 1.000000| 0.235556|
+----+----+-+---------+---------+---------+---------+
|   8| 98%|+|-0.862523| 1.000000| 1.000000| 0.211852|
+----+----+-+---------+---------+---------+---------+
|   9| 97%|-|-1.095279| 1.000000| 1.000000| 0.231111|
+----+----+-+---------+---------+---------+---------+
|  10| 97%|+|-1.055641| 1.000000| 0.961111| 0.215556|
+----+----+-+---------+---------+---------+---------+
|  11| 94%|-|-1.222002| 1.000000| 0.972222| 0.200741|
+----+----+-+---------+---------+---------+---------+
|  12| 95%|+|-1.294562| 1.000000| 0.972222| 0.183704|
+----+----+-+---------+---------+---------+---------+
|  13| 94%|-|-1.488662| 1.000000| 0.972222| 0.147407|
+----+----+-+---------+---------+---------+---------+
|  14| 96%|+|-1.319879| 0.995556| 0.826667| 0.149630|
+----+----+-+---------+---------+---------+---------+
|  15| 84%|-|-1.174129| 0.995556| 0.685556| 0.143704|
+----+----+-+---------+---------+---------+---------+
|  16| 86%|+|-1.166592| 0.995556| 0.627778| 0.138519|
+----+----+-+---------+---------+---------+---------+
|  17| 79%|-|-0.892183| 0.995556| 0.522222| 0.140741|
+----+----+-+---------+---------+---------+---------+
|  18| 78%|+|-1.040174| 0.995556| 0.533333| 0.134074|
+----+----+-+---------+---------+---------+---------+
|  19| 77%|-|-1.141962| 0.995556| 0.483333| 0.115556|
+----+----+-+---------+---------+---------+---------+
Stage training time: 1014.00
Number of used features: 19

Parent node: 12
Chosen number of splits: 0

Total number of splits: 0

Tree Classifier
Stage
+---+---+---+---+---+---+---+---+---+---+---+---+---+---+
|  0|  1|  2|  3|  4|  5|  6|  7|  8|  9| 10| 11| 12| 13|
+---+---+---+---+---+---+---+---+---+---+---+---+---+---+

   0---1---2---3---4---5---6---7---8---9--10--11--12--13


Parent node: 13

*** 1 cluster ***
POS: 450 478 0.941423
NEG: 900 0.000111588
BACKGROUND PROCESSING TIME: 92.00
Required number of stages achieved. Branch training terminated.
Total number of splits: 0

Tree Classifier
Stage
+---+---+---+---+---+---+---+---+---+---+---+---+---+---+
|  0|  1|  2|  3|  4|  5|  6|  7|  8|  9| 10| 11| 12| 13|
+---+---+---+---+---+---+---+---+---+---+---+---+---+---+

   0---1---2---3---4---5---6---7---8---9--10--11--12--13


Cascade performance
POS: 450 478 0.941423
NEG: 900 0.000108563
BACKGROUND PROCESSING TIME: 94.00

real	184m34.049s
user	184m48.624s
sys	0m5.476s

你可能感兴趣的:(Opencv,Linux)

android系统selinux中添加新属性property 辉色投像
1.定位/android/system/sepolicy/private/property_contexts声明属性开头：persist.charge声明属性类型：u:object_r:system_prop:s0图12.定位到android/system/sepolicy/public/domain.te删除neverallow{domain-init}default_prop:property
Linux下QT开发的动态库界面弹出操作（SDL2） 13jjyao QT类 qt 开发语言 sdl2 linux
需求：操作系统为linux，开发框架为qt，做成需带界面的qt动态库，调用方为java等非qt程序难点：调用方为java等非qt程序，也就是说调用方肯定不带QApplication::exec()，缺少了这个，QTimer等事件和QT创建的窗口将不能弹出(包括opencv也是不能弹出)；这与qt调用本身qt库是有本质的区别的思路：1.调用方缺QApplication::exec()，那么我们在接口
linux sdl windows.h,Windows下的SDL安装奔跑吧linux内核 linux sdl windows.h
首先你要下载并安装SDL开发包。如果装在C盘下，路径为C:\SDL1.2.5如果在WINDOWS下。你可以按以下步骤：1.打开VC++，点击"Tools",Options2,点击directories选项3.选择"Includefiles"增加一个新的路径。"C:\SDL1.2.5\include"4，现在选择"Libaryfiles“增加"C:\SDL1.2.5\lib"现在你可以开始编写你的第
linux中sdl的使用教程,sdl使用入门 Melissa Corvinus linux中sdl的使用教程
本文通过一个简单示例讲解SDL的基本使用流程。示例中展示一个窗口，窗口里面有个随机颜色快随机移动。当我们鼠标点击关闭按钮时间窗口关闭。基本步骤如下：1.初始化SDL并创建一个窗口。SDL_Init()初始化SDL_CreateWindow()创建窗口2.纹理渲染存储RGB和存储纹理的区别：比如一个从左到右由红色渐变到蓝色的矩形，用存储RGB的话就需要把矩形中每个点的具体颜色值存储下来；而纹理只是一
PHP环境搭建详细教程好看资源平台前端 php
PHP是一个流行的服务器端脚本语言，广泛用于Web开发。为了使PHP能够在本地或服务器上运行，我们需要搭建一个合适的PHP环境。本教程将结合最新资料，介绍在不同操作系统上搭建PHP开发环境的多种方法，包括Windows、macOS和Linux系统的安装步骤，以及本地和Docker环境的配置。1.PHP环境搭建概述PHP环境的搭建主要分为以下几类：集成开发环境：例如XAMPP、WAMP、MAMP，这
使用 FinalShell 进行远程连接（ssh 远程连接 Linux 服务器）编程经验分享开发工具服务器 ssh linux
目录前言基本使用教程新建远程连接连接主机自定义命令路由追踪前言后端开发，必然需要和服务器打交道，部署应用，排查问题，查看运行日志等等。一般服务器都是集中部署在机房中，也有一些直接是云服务器，总而言之，程序员不可能直接和服务器直接操作，一般都是通过ssh连接来登录服务器。刚接触远程连接时，使用的是XSHELL来远程连接服务器，连接上就能够操作远程服务器了，但是仅用XSHELL并没有上传下载文件的功能
libyuv之linux编译 jaronho Linux linux 运维服务器
文章目录一、下载源码二、编译源码三、注意事项1、银河麒麟系统（aarch64）（1）解决armv8-a+dotprod+i8mm指令集支持问题（2）解决armv9-a+sve2指令集支持问题一、下载源码到GitHub网站下载https://github.com/lemenkov/libyuv源码，或者用直接用git克隆到本地，如：gitclonehttps://github.com/lemenko
ARM驱动学习之5 LEDS驱动 JT灬新一嵌入式 C 底层 arm开发学习单片机
ARM驱动学习之5LEDS驱动知识点：•linuxGPIO申请函数和赋值函数–gpio_request–gpio_set_value•三星平台配置GPIO函数–s3c_gpio_cfgpin•GPIO配置输出模式的宏变量–S3C_GPIO_OUTPUT注意点：DRIVER_NAME和DEVICE_NAME匹配。实现步骤：1.加入需要的头文件：//Linux平台的gpio头文件#include//三
【华为OD技术面试真题精选 - 非技术题】 -HR面，综合面_华为od hr面一个射手座的程序媛程序员华为od 面试职场和发展
最后的话最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！资料预览给大家整理的视频资料：给大家整理的电子书资料：如果本文对你有帮助，欢迎点赞、收藏、转发给朋友，让我有持续创作的动力！网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。需要这份系统化的资料的朋友，可以点击这里获
简介Shell、zsh、bash zhaosuningsn Shell zsh bash shell linux bash
Shell是Linux和Unix的外壳，类似衣服，负责外界与Linux和Unix内核的交互联系。例如接收终端用户及各种应用程序的命令，把接收的命令翻译成内核能理解的语言，传递给内核，并把内核处理接收的命令的结果返回给外界，即Shell是外界和内核沟通的桥梁或大门。Linux和Unix提供了多种Shell，其中有种bash，当然还有其他好多种。Mac电脑中不但有bash，还有一个zsh，预装的，据说
Linux MariaDB使用OpenSSL安装SSL证书 Meta39 MySQL Oracle MariaDB Linux Windows ssl linux mariadb
进入到证书存放目录，批量删除.pem证书警告：确保已经进入到证书存放目录find.-typef-iname\*.pem-delete查看是否安装OpenSSLopensslversion没有则安装yuminstallopensslopenssl-devel开启SSL编辑/etc/my.cnf文件（没有的话就创建，但是要注意，在/etc/my.cnf.d/server.cnf配置了datadir的，
【从浅识到熟知Linux】Linux发展史 Jammingpro 从浅学到熟知Linux linux 运维服务器
归属专栏：从浅学到熟知Linux个人主页：Jammingpro每日努力一点点，技术变化看得见文章前言：本篇文章记录Linux发展的历史，因在介绍Linux过程中涉及的其他操作系统及人物，本文对相关内容也有所介绍。文章目录Unix发展史Linux发展史开源Linux官网企业应用情况发行版本在学习Linux前，我们可能都会问Linux从哪里来？它是如何发展的。但在介绍Linux之前，需要先介绍一下Un
linux 发展史种树的猴子内核 java 操作系统 linux 大数据
linux发展史说明此前对linux认识模糊一知半解，近期通过学习将自己对于linux的发展总结一下方便大家日后的学习。那Linux是目前一款非常火热的开源操作系统，可是linux是什么时候出现的，又是因为什么样的原因被开发出来的呢。以下将对linux的发展历程进行详细的讲解。目录一、Linux发展背景二、UINIX的诞生三、UNIX的重要分支-BSD的诞生四、Minix的诞生五、GNU与Free
Linux sh命令 fengyehongWorld Linux linux
目录一.基本语法二.选项2.1-c字符串中读取内容，并执行2.1.1基本用法2.1.2获取当前目录下失效的超链接2.2-x每个命令执行之前，将其打印出来2.3结合Here文档使用一.基本语法⏹Linux和Unix系统中用于执行shell脚本或运行命令的命令。sh[选项][脚本文件][参数...]⏹选项-c：从字符串中读取内容，并执行。-x：在每个命令执行之前，将其打印出来。-s：从标准流中读取内容
Linux vi常用命令 fengyehongWorld Linux linux
参考资料viコマンド（vimコマンド）リファレンス目录一.保存系命令二.删除系命令三.移动系命令四.复制粘贴系命令一.保存系命令⏹保存并退出:wq⏹强制保存并退出:wq!⏹退出(文件未编辑):q⏹强制退出(忽略已编辑内容):q!⏹另存为:w新文件名二.删除系命令⏹删除当前行dd⏹清空整个文档gg：移动到文档顶部dG：删除到最后一行ggdG三.移动系命令⏹移动到文档顶部gg⏹移动到文档底部#方式1G
Linux查看服务器日志 TPBoreas 运维 linux 运维
一、tail这个是我最常用的一种查看方式用法如下：tail-n10test.log查询日志尾部最后10行的日志;tail-n+10test.log查询10行之后的所有日志;tail-fn10test.log循环实时查看最后1000行记录(最常用的)一般还会配合着grep用，(实时抓包)例如:tail-fn1000test.log|grep'关键字'（动态抓包）tail-fn1000test.log
tiff批量转png 诺有缸的高飞鸟 opencv 图像处理 python opencv 图像处理
目录写在前面代码完写在前面1、本文内容tiff批量转png2、平台/环境opencv,python3、转载请注明出处：https://blog.csdn.net/qq_41102371/article/details/132975023代码importnumpyasnpimportcv2importosdeffindAllFile(base):file_list=[]forroot,ds,fsin
遥感影像的切片处理 sand&wich 计算机视觉 python 图像处理
在遥感影像分析中，经常需要将大尺寸的影像切分成小片段，以便于进行详细的分析和处理。这种方法特别适用于机器学习和图像处理任务，如对象检测、图像分类等。以下是如何使用Python和OpenCV库来实现这一过程，同时确保每个影像片段保留正确的地理信息。准备环境首先，确保安装了必要的Python库，包括numpy、opencv-python和xml.etree.ElementTree。这些库将用于图像处理
笋丁网页自动回复机器人V3.0.0免授权版源码希希分享软希网58soho_cn 源码资源笋丁网页自动回复机器人
笋丁网页机器人一款可设置自动回复，默认消息，调用自定义api接口的网页机器人。此程序后端语言使用Golang，内存占用最高不超过30MB，1H1G服务器流畅运行。仅支持Linux服务器部署，不支持虚拟主机，请悉知！使用自定义api功能需要有一定的建站基础。源码下载：https://download.csdn.net/download/m0_66047725/89754250更多资源下载：关注我。安
windows下python opencv ffmpeg读取摄像头实现rtsp推流拉流图像处理大大大大大牛啊 opencv实战代码讲解视觉图像项目 windows python opencv
windows下pythonopencvffmpeg读取摄像头实现rtsp推流拉流整体流程1.下载所需文件1.1下载rtsp推流服务器1.2下载ffmpeg2.开启RTSP服务器3.opencv读取摄像头并调用ffmpeg进行推流4.opencv进行拉流5.opencv异步拉流整体流程1.下载所需文件1.1下载rtsp推流服务器下载RTSP服务器下载页面https://github.com/blu
c++ opencv4.3 sift匹配图像处理大大大大大牛啊图像处理 opencv实战代码讲解 opencv sift c++opencv4 特征点
c++opencv4.3sift匹配main.cppintmain(){vectorkeypoints1,keypoints2;Matimg1,img2,descriptors1,descriptors2;intnumF
Linux CTF逆向入门蚁景网络安全 linux 运维 CTF
1.ELF格式我们先来看看ELF文件头，如果想详细了解，可以查看ELF的manpage文档。关于ELF更详细的说明：e_shoff：节头表的文件偏移量（字节）。如果文件没有节头表，则此成员值为零。sh_offset：表示了该section（节）离开文件头部位置的距离+-------------------+|ELFheader|---++--------->+-------------------
NPM私库搭建-verdaccio（Linux） Beam007 npm linux 前端
1、安装nodelinux服务器安装nodea)、官网下载所需的node版本https://nodejs.org/dist/v14.21.0/b)、解压安装包若下载的是xxx.tar.xz文件，解压命令为tar-xvfxxx.tar.xzc)、修改环境变量修改：/etc/profile文件#SETPATHFORNODEJSexportNODE_HOME=NODEJS解压安装的路径exportPAT
C++常见知识掌握 nfgo c++开发语言
1.Linux软件开发、调试与维护内核与系统结构Linux内核是操作系统的核心，负责管理硬件资源，提供系统服务，它是系统软件与硬件之间的桥梁。主要组成部分包括：进程管理：内核通过调度器分配CPU时间给各个进程，实现进程的创建、调度、终止等操作。使用进程描述符（task_struct）来存储进程信息，包括状态（就绪、运行、阻塞等）、优先级、内存映射等。内存管理：包括物理内存和虚拟内存管理。通过页表映
linux脚本sed替换变量,sed 命令中替换值为shell变量诺坎普之约 linux脚本sed替换变量
文章目录sed命令中替换值为shell变量替换基本语法sed中替换使用shell变量总结参考文档sed命令中替换值为shell变量替换基本语法大家都是sed有很多用法，最多就应该是替换一些值了。让我们先回忆sed的替换语法。在sed进行替换的时候sed-i's/old/new/g'1.txtecho"hellooldfrank"|sed's/old/new/g'结果如下：hellonewfrank
RK3229_Android9.0_Box 4G模块EC200A调试 suifen_ 网络
0、kernel修改这部分完全可以参考Linux的移植：RK3588EC200A-CN【4G模块】调试_rkec200a-cn-CSDN博客1、修改device/rockchip/rk322xdiff--gita/device.mkb/device.mkindexec6bfaa..e7c32d1100755---a/device.mk+++b/device.mk@@-105,6+105,8@@en
linux 安装Sublime Text 3 hhyiyuanyu Python学习 linux sublime text
方法/步骤打开官网http://www.sublimetext.com/3，选择64位进行下载执行命令wgethttps://download.sublimetext.com/sublime_text_3_build_3126_x64.tar.bz2进行下载3、下载完成进行解压,执行tar-xvvfsublime_text_3_build_3126_x64.tar.bz解压4、解压完成以后，移动到
KVM虚拟机源代码分析【转】 xidianjiapei001 #虚拟化技术
1.KVM结构及工作原理1.1KVM结构KVM基本结构有两部分组成。一个是KVMDriver，已经成为Linux内核的一个模块。负责虚拟机的创建，虚拟内存的分配，虚拟CPU寄存器的读写以及虚拟CPU的运行等。另外一个是稍微修改过的Qemu，用于模拟PC硬件的用户空间组件，提供I/O设备模型以及访问外设的途径。KVM基本结构如图1所示。其中KVM加入到标准的Linux内核中，被组织成Linux中标准
ubuntu安装opencv最快的方法 Derek重名了
最快方法，当然不能太多文字$sudoapt-getinstallpython-opencv借助python就可以把ubuntu的opencv环境搞起来，非常快非常容易参考：https://docs.opencv.org/trunk/d2/de6/tutorial_py_setup_in_ubuntu.html
史上最全git命令,git回滚,git命令大全騒周其他 git
git命令大全一、Git整体理解二、由暂存区本地仓库三、由本地仓->远程仓库四、冲突处理五、Git分支操作六、bug的分支七、feature分支八、暂存的使用九、远程仓的操作十、标签的使用十一、Git配置全局信息十二、Linux的一些简单操作和一些符号的解释十三、符号解释十四、显示安装详细信息十五、gitconfig十六、Gitclone十七、Gitinit十八、gitstatus十九、gitre
微信开发者验证接口开发 362217990 微信开发者 token 验证
微信开发者接口验证。 Token，自己随便定义，与微信填写一致就可以了。根据微信接入指南描述 http://mp.weixin.qq.com/wiki/17/2d4265491f12608cd170a95559800f2d.html 第一步：填写服务器配置第二步：验证服务器地址的有效性第三步：依据接口文档实现业务逻辑这里主要讲第二步验证服务器有效性。建一个
一个小编程题-类似约瑟夫环问题 BrokenDreams 编程
今天群友出了一题：一个数列,把第一个元素删除,然后把第二个元素放到数列的最后,依次操作下去,直到把数列中所有的数都删除,要求依次打印出这个过程中删除的数。 &
linux复习笔记之bash shell (5) 关于减号-的作用 eksliang linux关于减号“-”的含义 linux关于减号“-”的用途 linux关于“-”的含义 linux关于减号的含义
转载请出自出处： http://eksliang.iteye.com/blog/2105677 管道命令在bash的连续处理程序中是相当重要的，尤其在使用到前一个命令的studout（标准输出）作为这次的stdin（标准输入）时，就显得太重要了，某些命令需要用到文件名，例如上篇文档的的切割命令（split）、还有
Unix(3) 18289753290 unix ksh
1)若该变量需要在其他子进程执行，则可用"$变量名称"或${变量}累加内容什么是子进程？在我目前这个shell情况下，去打开一个新的shell，新的那个shell就是子进程。一般状态下，父进程的自定义变量是无法在子进程内使用的，但通过export将变量变成环境变量后就能够在子进程里面应用了。 2)条件判断： &&代表and ||代表or&nbs
关于ListView中性能优化中图片加载问题酷的飞上天空 ListView
ListView的性能优化网上很多信息，但是涉及到异步加载图片问题就会出现问题。具体参看上篇文章http://314858770.iteye.com/admin/blogs/1217594 如果每次都重新inflate一个新的View出来肯定会造成性能损失严重，可能会出现listview滚动是很卡的情况，还会出现内存溢出。现在想出一个方法就是每次都添加一个标识，然后设置图
德国总理默多克：给国人的一堂“震撼教育”课永夜-极光教育
http://bbs.voc.com.cn/topic-2443617-1-1.html德国总理默多克：给国人的一堂“震撼教育”课　安吉拉—默克尔，一位经历过社会主义的东德人，她利用自己的博客，发表一番来华前的谈话，该说的话，都在上面说了，全世界想看想传播——去看看默克尔总理的博客吧！　　德国总理默克尔以她的低调、朴素、谦和、平易近人等品格给国人留下了深刻印象。她以实际行动为中国人上了一堂
关于Java继承的一个小问题。。。随便小屋 java
今天看Java 编程思想的时候遇见一个问题，运行的结果和自己想想的完全不一样。先把代码贴出来！ //CanFight接口 interface Canfight { void fight(); } //ActionCharacter类 class ActionCharacter { public void fight() { System.out.pr
23种基本的设计模式 aijuans 设计模式
Abstract Factory：提供一个创建一系列相关或相互依赖对象的接口，而无需指定它们具体的类。　　Adapter：将一个类的接口转换成客户希望的另外一个接口。A d a p t e r模式使得原本由于接口不兼容而不能一起工作的那些类可以一起工作。　　Bridge：将抽象部分与它的实现部分分离，使它们都可以独立地变化。　　Builder：将一个复杂对象的构建与它的表示分离，使得同
《周鸿祎自述：我的互联网方法论》读书笔记 aoyouzi 读书笔记
从用户的角度来看,能解决问题的产品才是好产品,能方便/快速地解决问题的产品,就是一流产品. 商业模式不是赚钱模式一款产品免费获得海量用户后,它的边际成本趋于0,然后再通过广告或者增值服务的方式赚钱,实际上就是创造了新的价值链. 商业模式的基础是用户,木有用户,任何商业模式都是浮云.商业模式的核心是产品,本质是通过产品为用户创造价值. 商业模式还包括寻找需求
JavaScript动态改变样式访问技术百合不是茶 JavaScript style属性 ClassName属性
一:style属性格式: HTML元素.style.样式属性="值"; 创建菜单:在html标签中创建或者在head标签中用数组创建 <html> <head> <title>style改变样式</title> </head> &l
jQuery的deferred对象详解 bijian1013 jquery deferred对象
jQuery的开发速度很快，几乎每半年一个大版本，每两个月一个小版本。每个版本都会引入一些新功能，从jQuery 1.5.0版本开始引入的一个新功能----deferred对象。 &nb
淘宝开放平台TOP Bill_chen C++c 物流 C#
淘宝网开放平台首页：http://open.taobao.com/ 淘宝开放平台是淘宝TOP团队的产品，TOP即TaoBao Open Platform，是淘宝合作伙伴开发、发布、交易其服务的平台。支撑TOP的三条主线为： 1.开放数据和业务流程 * 以API数据形式开放商品、交易、物流等业务； &
【大型网站架构一】大型网站架构概述 bit1129 网站架构
大型互联网特点面对海量用户、海量数据大型互联网架构的关键指标高并发高性能高可用高可扩展性线性伸缩性安全性大型互联网技术要点前端优化 CDN缓存反向代理 KV缓存消息系统分布式存储 NoSQL数据库搜索监控安全想到的问题： 1.对于订单系统这种事务型系统，如
eclipse插件hibernate tools安装白糖_ Hibernate
eclipse helios(3.6)版 1.启动eclipse 2.选择 Help > Install New Software...> 3.添加如下地址： http://download.jboss.org/jbosstools/updates/stable/helios/ 4.选择性安装：hibernate tools在All Jboss tool
Jquery easyui Form表单提交注意事项 bozch jquery easyui
jquery easyui对表单的提交进行了封装，提交的方式采用的是ajax的方式，在开发的时候应该注意的事项如下： 1、在定义form标签的时候，要将method属性设置成post或者get，特别是进行大字段的文本信息提交的时候，要将method设置成post方式提交，否则页面会抛出跨域访问等异常。所以这个要
Trie tree(字典树)的Java实现及其应用-统计以某字符串为前缀的单词的数量 bylijinnan java实现
import java.util.LinkedList; public class CaseInsensitiveTrie { /** 字典树的Java实现。实现了插入、查询以及深度优先遍历。 Trie tree's java implementation.(Insert,Search,DFS) Problem Description Igna
html css 鼠标形状样式汇总 chenbowen00 html css
css鼠标手型cursor中hand与pointer Example：CSS鼠标手型效果 <a href="#" style="cursor:hand">CSS鼠标手型效果</a><br/> Example：CSS鼠标手型效果 <a href="#" style=&qu
[IT与投资]IT投资的几个原则 comsci it
无论是想在电商,软件,硬件还是互联网领域投资,都需要大量资金,虽然各个国家政府在媒体上都给予大家承诺,既要让市场的流动性宽松,又要保持经济的高速增长....但是,事实上,整个市场和社会对于真正的资金投入是非常渴望的,也就是说,表面上看起来,市场很活跃,但是投入的资金并不是很充足的......
oracle with语句详解 daizj oracle with with as
oracle with语句详解转在oracle中，select 查询语句，可以使用with,就是一个子查询，oracle 会把子查询的结果放到临时表中，可以反复使用例子:注意，这是sql语句，不是pl/sql语句，可以直接放到jdbc执行的 ----------------------------------------------------------------
hbase的简单操作 deng520159 数据库 hbase
近期公司用hbase来存储日志,然后再来分析 ,把hbase开发经常要用的命令找了出来. 用ssh登陆安装hbase那台linux后用hbase shell进行hbase命令控制台! 表的管理 1）查看有哪些表 hbase(main)> list 2）创建表 # 语法：create <table>, {NAME => <family&g
C语言scanf继续学习、算术运算符学习和逻辑运算符 dcj3sjt126com c
/* 2013年3月11日20:37:32 地点：北京潘家园功能：完成用户格式化输入多个值目的：学习scanf函数的使用 */ # include <stdio.h> int main(void) { int i, j, k; printf("please input three number:\n"); //提示用
2015越来越好 dcj3sjt126com 歌曲
越来越好房子大了电话小了感觉越来越好假期多了收入高了工作越来越好商品精了价格活了心情越来越好天更蓝了水更清了环境越来越好活得有奔头人会步步高想做到你要努力去做到幸福的笑容天天挂眉梢越来越好婆媳和了家庭暖了生活越来越好孩子高了懂事多了学习越来越好朋友多了心相通了大家越来越好道路宽了心气顺了日子越来越好活的有精神人就不显
java.sql.SQLException: Value '0000-00-00' can not be represented as java.sql.Tim feiteyizu mysql
数据表中有记录的time字段（属性为timestamp）其值为：“0000-00-00 00:00:00” 程序使用select 语句从中取数据时出现以下异常： java.sql.SQLException:Value '0000-00-00' can not be represented as java.sql.Date java.sql.SQLException: Valu
Ehcache（07）——Ehcache对并发的支持 234390216 并发 ehcache 锁 ReadLock WriteLock
Ehcache对并发的支持在高并发的情况下，使用Ehcache缓存时，由于并发的读与写，我们读的数据有可能是错误的，我们写的数据也有可能意外的被覆盖。所幸的是Ehcache为我们提供了针对于缓存元素Key的Read（读）、Write（写）锁。当一个线程获取了某一Key的Read锁之后，其它线程获取针对于同
mysql中blob,text字段的合成索引 jackyrong mysql
在mysql中，原来有一个叫合成索引的，可以提高blob,text字段的效率性能，但只能用在精确查询，核心是增加一个列，然后可以用md5进行散列，用散列值查找则速度快比如： create table abc(id varchar(10),context blog,hash_value varchar(40)); insert into abc(1,rep
逻辑运算与移位运算 latty 位运算逻辑运算
源码：正数的补码与原码相同例+7 源码：00000111 补码：00000111 （用8位二进制表示一个数）负数的补码：符号位为1，其余位为该数绝对值的原码按位取反；然后整个数加1。 -7 源码： 10000111 ，其绝对值为00000111 取反加一：11111001 为-7补码已知一个数的补码，求原码的操作分两种情况：
利用XSD 验证XML文件 newerdragon java xml xsd
XSD文件（XML Schema 语言也称作 XML Schema 定义（XML Schema Definition，XSD）。具体使用方法和定义请参看： http://www.w3school.com.cn/schema/index.asp java自jdk1.5以上新增了SchemaFactory类可以实现对XSD验证的支持，使用起来也很方便。以下代码可用在J
搭建 CentOS 6 服务器(12) - Samba rensanning centos
（1）安装 # yum -y install samba Installed: samba.i686 0:3.6.9-169.el6_5 # pdbedit -a rensn new password:123456 retype new password:123456 …… （2）Home文件夹 # mkdir /etc
Learn Nodejs 01 toknowme nodejs
（1）下载nodejs https://nodejs.org/download/ 选择相应的版本进行下载（2）安装nodejs 安装的方式比较多，请baidu下我这边下载的是“node-v0.12.7-linux-x64.tar.gz”这个版本（1）上传服务器（2）解压 tar -zxvf node-v0.12.
jquery控制自动刷新的代码举例 xp9802 jquery
1、html内容部分复制代码代码示例: <div id='log_reload'> <select name="id_s" size="1"> <option value='2'>-2s-</option> <option value='3'>-3s-</option