- YOLOv5-7.0解决报错 wandb: Network error (TransientError), entering retry loop.
Paper Clouds
Yolo目标检测YOLO人工智能机器学习pythonpytorch深度学习目标检测
前言最近在复习yolov5目标检测代码时用了yolov5的最新7.0版本,之前用的是5.0版本,这一新版本相对于之前做了一些提升,对于package的兼容也要好了很多,但也不是说下载了直接就能运行,实际使用过程中还是遇到了许多新的问题,下面就我自己碰到的问题提出解决方法。问题wandb是非常好用的可视化工具,但是国内的话,使用时常常会无法同步数据,需要借助魔法来连接服务器,而yolov5的源码恰恰
- C++ OpenCV4 实现鱼眼镜头矫正
朝风工作室
c++开发语言
一、为什么需要鱼眼镜头矫正?鱼眼镜头通过特殊的光学设计实现180°甚至更广的视野,广泛应用于全景相机、自动驾驶、安防监控等领域。但这种广角特性会引入严重的桶形畸变:直线边缘会向内弯曲(如图像边缘的门框变成弧线),物体尺寸在边缘区域会被拉伸。矫正的核心目标:将鱼眼镜头拍摄的畸变图像还原为接近人眼视觉的正常图像,便于后续的目标检测、图像拼接等处理。矫正前后效果对比(此处可插入图片)矫正前图像(鱼眼畸变
- 使用随机森林实现目标检测
司南锤
python基础学习AI随机森林
核心实现思路滑动窗口策略:在图像上滑动固定大小的窗口,对每个窗口进行分类多维特征提取:结合统计特征、纹理特征、边缘特征、形状特征等随机森林分类:训练二分类器判断窗口是否包含目标后处理优化:使用非极大值抑制减少重复检测特征工程的重要性LBP纹理特征:捕捉局部纹理模式灰度共生矩阵:描述纹理的统计特性边缘密度:反映目标边界信息形状描述符:圆形度、面积比等几何特征实际应用建议数据收集:收集大量正负样本进行
- 深度学习目标检测中使用YOLOv8训练树冠检测数据集,从环境设置、数据准备、模型训练、推理和结果可视化
计算机C9硕士_算法工程师
深度学习目标检测YOLO
深度学习目标检测中使用YOLOv8训练树冠检测数据集,从环境设置、数据准备、模型训练、推理和结果可视化文章目录1.环境设置2.数据准备3.模型训练4.推理与结果可视化推理代码示例5.构建可视化界面PyQt5GUI代码示例总结以下文字及代码仅供参考。树冠检测数据集的训练及推理1使用YOLOv8训练树冠检测数据集,从环境设置、数据准备、模型训练、推理和结果可视化等方面进行详细介绍。1.环境设置首先确保
- 学习昇腾开发的第8天
派晟电子工作室
学习昇腾
1、目标检测样例:MindXSDK应用开发入门-Atlas200IDKA2开发者套件23.0.RC3-昇腾社区配置环境变量。:./usr/local/Ascend/mxVision/set_env.sh2、修改IP地址:以root用户名登录开发者套件。打开配置文件。Ubuntu操作系统:执行cd/etc/netplan命令进入“netplan”目录,执行ll命令查看目录下是否有类似“xxxx-ne
- DFT ATPG中core chain 和wrap chain区别
芯作者
DFT技术分享智能硬件硬件工程
在DFT(可测试性设计)中,CoreChain(核心扫描链)和WrapChain(封装扫描链)是两种不同的扫描链结构,分别服务于内部逻辑测试(Intest)和互连测试(Extest)。它们的核心区别如下:一、本质区别特性CoreChain(核心扫描链)WrapChain(封装扫描链)作用对象芯片内部逻辑单元(如寄存器、组合逻辑)芯片I/O端口(输入/输出引脚)测试目标检测内部故障(Stuck-At
- Python 人工智能Ai视觉模型 YOLOv8
GHY云端大师
pythonAI大模型视觉训练人工智能YOLO
YOLOv8简介:Python中的高效AI视觉模型YOLOv8是Ultralytics公司开发的最新目标检测模型,属于YOLO(YouOnlyLookOnce)系列的最新版本,以其高效和准确著称。核心特点高性能:在速度和精度之间取得了更好的平衡多功能:支持目标检测、实例分割和图像分类用户友好:简化了API设计,更易于使用可扩展性:支持从移动端到云端的多种部署场景主要改进更高的检测精度更快的推理速度
- AI人工智能目标检测在体育赛事中的应用
AI大模型应用之禅
人工智能目标检测计算机视觉ai
AI人工智能目标检测在体育赛事中的应用关键词:目标检测、计算机视觉、深度学习、体育分析、YOLO、运动员追踪、比赛统计摘要:本文深入探讨了AI目标检测技术在体育赛事中的创新应用。我们将从计算机视觉基础出发,详细分析目标检测的核心算法原理,特别是YOLO系列模型在运动员和球类追踪中的实现方式。文章包含完整的数学模型解释、Python实战项目演示,以及在实际体育场景中的应用案例分析。最后,我们展望了这
- 【推理加速】TensorRT C++ 部署YOLO11全系模型
gloomyfish
c++开发语言
YOLO11YOLO11C++推理YOLO11是Ultralytics最新发布的目标检测、实例分割、姿态评估的系列模型视觉轻量化框架,基于前代YOLO8版本进行了多项改进和优化。YOLO11在特征提取、效率和速度、准确性以及环境适应性方面都有显著提升,达到SOTA。TensorRTC++SDK最新版本的TensorRT10.x版本已经修改了推理的接口函数与查询输入输出层的函数,其中以YOLO11对
- YOLO + OpenVINO 在英特尔平台部署实战:性能调优与跨架构加速全流程指南
YOLO+OpenVINO在英特尔平台部署实战:性能调优与跨架构加速全流程指南关键词:YOLOv5、YOLOv8、OpenVINO、英特尔部署、IR模型、异构加速、CPU推理、VPU、GPU、多设备调度、边缘计算摘要:本篇文章聚焦如何使用OpenVINO在英特尔平台高效部署YOLO系列目标检测模型,结合当前主流的YOLOv5与YOLOv8架构,详解模型格式转换、推理接口调用、多设备异构调度与性能优
- 深度解析YOLOv8:CSPHet卷积结构如何实现极致轻量化
向哆哆
YOLO创新涨点系列YOLOyolov8架构目标检测机器学习
文章目录一、背景介绍1.1YOLOv8的现状1.2降参数的必要性二、相关技术介绍2.1Dual思想2.2HetConv三、CSPHet结构设计3.1CSP模块的改进3.2结合HetConv3.3参数量的下降四、CSPHet的代码实现五、实验结果六、总结与展望在目标检测领域,YOLO系列算法一直以其卓越的速度和准确率受到广泛关注。随着深度学习技术的不断发展,研究人员不断探索如何进一步优化YOLO算法
- 【深度学习加速探秘】Winograd 卷积算法:让计算效率 “飞” 起来
heimeiyingwang
算法深度学习算法人工智能
一、为什么需要Winograd卷积算法?从“卷积计算瓶颈”说起在深度学习领域,卷积神经网络(CNN)被广泛应用于图像识别、目标检测、语义分割等任务。然而,卷积操作作为CNN的核心计算单元,其计算量巨大,消耗大量的时间和计算资源。随着模型规模不断增大,传统卷积算法的计算效率成为限制深度学习发展的一大瓶颈。Winograd卷积算法的出现,犹如一把利刃,直击传统卷积计算的痛点。它通过巧妙的数学变换,大幅
- 深入研究YOLO算法改进中的注意力机制
周立-ric
本文还有配套的精品资源,点击获取简介:YOLO算法因其高效和准确而在实时目标检测领域备受青睐。注意力机制的引入对YOLO算法的性能提升起到了关键作用,尤其是通过关注图像关键区域来提高检测精度。注意力机制可以细分为通道注意力、空间注意力、自注意力、多尺度注意力和位置感知注意力等类型,每种类型的注意力机制都旨在优化模型对图像特征的理解和处理。本文档提供了一个包含实现这些注意力机制的代码的压缩包,并介绍
- 目标检测——YOLOX算法解读
论文:YOLOX:ExceedingYOLOSeriesin2021(2021.7.18)作者:ZhengGe,SongtaoLiu,FengWang,ZemingLi,JianSun链接:https://arxiv.org/abs/2107.08430代码:https://github.com/Megvii-BaseDetection/YOLOXYOLO系列算法解读:YOLOv1通俗易懂版解读、
- 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
- 使用预训练权重在YOLO模型上训练新数据集的完整指南
马里马里奥-
YOLO目标跟踪人工智能
使用预训练权重在YOLO模型上训练新数据集的完整指南引言在目标检测领域,迁移学习已成为提升模型性能的关键技术。本文将详细介绍如何利用预训练权重在YOLO(YouOnlyLookOnce)框架上训练自定义数据集,帮助您节省训练时间并提高检测精度。为什么使用预训练权重?加速收敛:预训练模型已学习通用特征,训练时间可缩短30%−70%30\%-70\%30%−70%小样本适配:在数据量有限时(n<100
- Python与C++检测框过滤差异分析
马里马里奥-
pythonc++开发语言人工智能
Python与C++检测框过滤差异分析在目标检测任务中,检测框过滤是后处理的关键环节。本文将从实现方式、性能表现和适用场景三个维度,对比分析Python与C++在检测框过滤中的差异。检测框过滤基本原理检测框过滤的核心是非极大值抑制(NMS)算法,其数学表达式为:NMS(B,S,θ)={bi∣∀bj,area(bi∩bj)area(bi∪bj)0:i=order[0]keep.append(i)xx
- YOLO理论知识简单了解
老农民编程
视觉与YoLo模型认知YOLO
目录前言一、YOLO是什么?以及核心思想?1、目标检测的本质与分类2、YOLO核心思想二、为什么使用YOLO,优势是什么?三、怎么使用YOLO模型?总结前言对YOLO模型的简单理解,对其进行记录。一、YOLO是什么?以及核心思想?YOLO(YouOnlyLookOnce)模型是一种用于实时目标检测的深度学习模型,所以首先需了解目标检测的概念。1、目标检测的本质与分类1.目标检测本质:目标在哪里:检
- 甜菜杂草目标检测数据集(猫脸码客第278期)
公众号:猫脸码客
开源数据集猫脸码客开源数据集甜菜杂草目标检测数据集
甜菜杂草检测一、甜菜田杂草种类甜菜田中常见多种杂草,以下为你详细介绍几种典型杂草:稗草植物属性:一年生草本植物,外形与稻子极为相似。形态特征:秆直立,表面光滑无毛。圆锥花序主轴带有角棱,质地粗糙;小穗密集生长在穗轴的一侧,几乎无柄或仅有极短柄。生长习性:花果期在7-10月,常生长于稻田、沼泽、沟渠旁以及低洼荒地等区域。狗尾草别称:又叫莠,因其穗形酷似狗尾巴而得名。形态特征:秆疏丛生,直立或者基部膝
- YOLOv12:以注意力为中心的物体检测
发呆小天才O.o
计算机视觉深度学习计算机视觉目标检测YOLOv12
1.概述实时目标检测已成为许多实际应用的关键,而Ultralytics的YOLO(YouOnlyLookOnce)系列一直是最先进的模型系列,在速度和准确率之间实现了稳健的平衡。注意力机制的低效性阻碍了其在YOLO等高速系统中的应用。YOLOv12旨在通过将注意力机制集成到YOLO框架中来改变这一现状。由于注意力机制效率低下,且计算复杂度高达平方级,内存访问操作效率低下,因此大多数目标检测架构传统
- 计算机视觉入门:OpenCV 人脸识别与手势控制系统全解析
高山仰星
计算机视觉opencv人工智能
1.引言计算机视觉(ComputerVision)是人工智能的重要领域,而OpenCV(OpenSourceComputerVisionLibrary)是最常用的开源计算机视觉库。它广泛用于图像处理、人脸识别、目标检测、手势识别等多个应用场景。本教程将详细介绍OpenCV的核心概念,并通过人脸识别的门禁系统和手势识别的智能控制系统这两个案例,帮助你掌握OpenCV的实际应用。2.OpenCV介绍与
- 基于YOLOv11的实时人脸表情识别系统(附完整资源 + PyQt5界面 + 训练代码)
霜天红叶
YOLOpythonpycharm人工智能算法cnn
引言在人机交互和情感计算领域,人脸表情识别一直是一个备受关注的研究方向。随着深度学习技术的快速发展,特别是目标检测和图像分类算法的进步,实时、高精度的人脸表情识别系统已经成为可能。本文将详细介绍一个基于YOLOv11的人脸表情识别系统,该系统不仅能够实现实时人脸检测,还能准确识别多种表情状态,具有广泛的应用前景。GitHub地址项目地址:https://github.com/AND-Q/Facia
- 计算机视觉与深度学习实战:以Python为工具,基于深度学习的汽车目标检测
好知识传播者
Python实例开发实战计算机视觉深度学习python基于深度学习的汽车目标检测
随着人工智能技术的飞速发展,计算机视觉与深度学习已经成为当今科技领域的热点。其中,汽车目标检测作为自动驾驶、智能交通等系统的核心技术,受到了广泛关注。本文将以Python为工具,探讨基于深度学习的汽车目标检测方法及其实战应用。一、计算机视觉与深度学习基础计算机视觉是研究如何让计算机从图像或视频中获取信息、理解内容并作出决策的科学。深度学习则是一种模拟人脑神经网络的机器学习技术,通过构建深层神经网络
- 声波下的眼睛:用Python打造水下目标检测模型实战指南
Echo_Wish
Python算法Python笔记从零开始学Python人工智能python目标检测开发语言
友友们好!我是Echo_Wish,我的的新专栏《Python进阶》以及《Python!实战!》正式启动啦!这是专为那些渴望提升Python技能的朋友们量身打造的专栏,无论你是已经有一定基础的开发者,还是希望深入挖掘Python潜力的爱好者,这里都将是你不可错过的宝藏。在这个专栏中,你将会找到:●深入解析:每一篇文章都将深入剖析Python的高级概念和应用,包括但不限于数据分析、机器学习、Web开发
- 多目标跟踪
行走的小部落
目标跟踪人工智能计算机视觉
侦探联盟:多目标跟踪大作战适合对象:高中生关键点:多目标跟踪、传统方法、深度学习、卡尔曼滤波、匈牙利算法、CNN、Re-ID序章:神秘的闹市阴影夜晚的星城,一场盛大的街头音乐节即将开幕。灯光下,形形色色的人在广场上游走。人声、音乐声交织成宏大的交响。突然,警局接到一封匿名信:有人要在音乐节上搞破坏,还不止一个人。“多目标追踪联盟”火速集结:他们擅长在人群中盯梢,每一个侦探都有独特的本领。今天,他们
- YOLOv10改进策略【Neck】| BMVC 2024 MASAG 模块(多尺度自适应空间注意门):动态感受野与空间注意力增强多尺度目标检测精度
Limiiiing
YOLOv10改进专栏YOLO目标检测计算机视觉深度学习
一、本文介绍本文主要利用MSA2NetMSA^{2}NetMSA2Net中的MASAG模块优化YOLOv10的目标检测网络模型。MASAG(Multi-ScaleAdaptiveSpatialAttentionGate)模块通过动态调制空间注意力权重与多尺度感受野,实现了对跨层级特征图中局部细节与全局语义的智能聚合。将其应用于YOLOv10的改进过程中,针对目标
- 目标检测neck经典算法之FPN的源码实现
ZzzZ31415926
目标检测算法人工智能图像处理计算机视觉深度学习python
┌────────────────────────────────────────────────────┐│初始化构造(__init__)│└────────────────────────────────────────────────────┘↓【1】参数保存+基础配置断言↓【2】判断使用哪些backbone层(start→end)↓【3】判断是否添加额外输出(extraconv)↓【4】构
- 基于腾讯云GPU服务器的深度学习训练技术指南
小猴崽
解决方案GPU深度学习深度学习gpu算力解决方案
摘要本文针对深度学习训练场景,系统解析技术核心价值与实施路径,结合腾讯云GPU服务器产品特性,提供从环境搭建到性能优化的完整解决方案。通过对比实验验证,采用腾讯云方案可使训练效率提升180%,成本降低40%(数据来源:IDC2024中国AI基础设施白皮书)。一、技术解析核心价值深度学习训练通过多层神经网络自动提取数据特征,广泛应用于计算机视觉(如YOLOv5目标检测)、自然语言处理(Transfo
- 基于YOLOv11的手势控制轮椅系统:从数据集构建到实时部署
YOLO实战营
YOLOpython计算机视觉人工智能目标跟踪目标检测ui
1.引言手势控制技术为人机交互提供了自然直观的交互方式,在辅助医疗领域具有重要应用价值。本文详细介绍如何利用YOLOv11目标检测算法构建一套完整的手势控制轮椅系统,包含数据集构建、模型训练、系统集成和用户界面开发的全流程实现。该系统能够识别用户特定手势指令,转化为轮椅控制信号,为行动不便人士提供更便捷的移动解决方案。2.手势数据集构建2.1公开数据集资源HaGRID(HandGestureRec
- Java 并发包之线程池和原子计数
lijingyao8206
Java计数ThreadPool并发包java线程池
对于大数据量关联的业务处理逻辑,比较直接的想法就是用JDK提供的并发包去解决多线程情况下的业务数据处理。线程池可以提供很好的管理线程的方式,并且可以提高线程利用率,并发包中的原子计数在多线程的情况下可以让我们避免去写一些同步代码。
这里就先把jdk并发包中的线程池处理器ThreadPoolExecutor 以原子计数类AomicInteger 和倒数计时锁C
- java编程思想 抽象类和接口
百合不是茶
java抽象类接口
接口c++对接口和内部类只有简介的支持,但在java中有队这些类的直接支持
1 ,抽象类 : 如果一个类包含一个或多个抽象方法,该类必须限定为抽象类(否者编译器报错)
抽象方法 : 在方法中仅有声明而没有方法体
package com.wj.Interface;
- [房地产与大数据]房地产数据挖掘系统
comsci
数据挖掘
随着一个关键核心技术的突破,我们已经是独立自主的开发某些先进模块,但是要完全实现,还需要一定的时间...
所以,除了代码工作以外,我们还需要关心一下非技术领域的事件..比如说房地产
&nb
- 数组队列总结
沐刃青蛟
数组队列
数组队列是一种大小可以改变,类型没有定死的类似数组的工具。不过与数组相比,它更具有灵活性。因为它不但不用担心越界问题,而且因为泛型(类似c++中模板的东西)的存在而支持各种类型。
以下是数组队列的功能实现代码:
import List.Student;
public class
- Oracle存储过程无法编译的解决方法
IT独行者
oracle存储过程
今天同事修改Oracle存储过程又导致2个过程无法被编译,流程规范上的东西,Dave 这里不多说,看看怎么解决问题。
1. 查看无效对象
XEZF@xezf(qs-xezf-db1)> select object_name,object_type,status from all_objects where status='IN
- 重装系统之后oracle恢复
文强chu
oracle
前几天正在使用电脑,没有暂停oracle的各种服务。
突然win8.1系统奔溃,无法修复,开机时系统 提示正在搜集错误信息,然后再开机,再提示的无限循环中。
无耐我拿出系统u盘 准备重装系统,没想到竟然无法从u盘引导成功。
晚上到外面早了一家修电脑店,让人家给装了个系统,并且那哥们在我没反应过来的时候,
直接把我的c盘给格式化了 并且清理了注册表,再装系统。
然后的结果就是我的oracl
- python学习二( 一些基础语法)
小桔子
pthon基础语法
紧接着把!昨天没看继续看django 官方教程,学了下python的基本语法 与c类语言还是有些小差别:
1.ptyhon的源文件以UTF-8编码格式
2.
/ 除 结果浮点型
// 除 结果整形
% 除 取余数
* 乘
** 乘方 eg 5**2 结果是5的2次方25
_&
- svn 常用命令
aichenglong
SVN版本回退
1 svn回退版本
1)在window中选择log,根据想要回退的内容,选择revert this version或revert chanages from this version
两者的区别:
revert this version:表示回退到当前版本(该版本后的版本全部作废)
revert chanages from this versio
- 某小公司面试归来
alafqq
面试
先填单子,还要写笔试题,我以时间为急,拒绝了它。。时间宝贵。
老拿这些对付毕业生的东东来吓唬我。。
面试官很刁难,问了几个问题,记录下;
1,包的范围。。。public,private,protect. --悲剧了
2,hashcode方法和equals方法的区别。谁覆盖谁.结果,他说我说反了。
3,最恶心的一道题,抽象类继承抽象类吗?(察,一般它都是被继承的啊)
4,stru
- 动态数组的存储速度比较 集合框架
百合不是茶
集合框架
集合框架:
自定义数据结构(增删改查等)
package 数组;
/**
* 创建动态数组
* @author 百合
*
*/
public class ArrayDemo{
//定义一个数组来存放数据
String[] src = new String[0];
/**
* 增加元素加入容器
* @param s要加入容器
- 用JS实现一个JS对象,对象里有两个属性一个方法
bijian1013
js对象
<html>
<head>
</head>
<body>
用js代码实现一个js对象,对象里有两个属性,一个方法
</body>
<script>
var obj={a:'1234567',b:'bbbbbbbbbb',c:function(x){
- 探索JUnit4扩展:使用Rule
bijian1013
java单元测试JUnitRule
在上一篇文章中,讨论了使用Runner扩展JUnit4的方式,即直接修改Test Runner的实现(BlockJUnit4ClassRunner)。但这种方法显然不便于灵活地添加或删除扩展功能。下面将使用JUnit4.7才开始引入的扩展方式——Rule来实现相同的扩展功能。
1. Rule
&n
- [Gson一]非泛型POJO对象的反序列化
bit1129
POJO
当要将JSON数据串反序列化自身为非泛型的POJO时,使用Gson.fromJson(String, Class)方法。自身为非泛型的POJO的包括两种:
1. POJO对象不包含任何泛型的字段
2. POJO对象包含泛型字段,例如泛型集合或者泛型类
Data类 a.不是泛型类, b.Data中的集合List和Map都是泛型的 c.Data中不包含其它的POJO
 
- 【Kakfa五】Kafka Producer和Consumer基本使用
bit1129
kafka
0.Kafka服务器的配置
一个Broker,
一个Topic
Topic中只有一个Partition() 1. Producer:
package kafka.examples.producers;
import kafka.producer.KeyedMessage;
import kafka.javaapi.producer.Producer;
impor
- lsyncd实时同步搭建指南——取代rsync+inotify
ronin47
1. 几大实时同步工具比较 1.1 inotify + rsync
最近一直在寻求生产服务服务器上的同步替代方案,原先使用的是 inotify + rsync,但随着文件数量的增大到100W+,目录下的文件列表就达20M,在网络状况不佳或者限速的情况下,变更的文件可能10来个才几M,却因此要发送的文件列表就达20M,严重减低的带宽的使用效率以及同步效率;更为要紧的是,加入inotify
- java-9. 判断整数序列是不是二元查找树的后序遍历结果
bylijinnan
java
public class IsBinTreePostTraverse{
static boolean isBSTPostOrder(int[] a){
if(a==null){
return false;
}
/*1.只有一个结点时,肯定是查找树
*2.只有两个结点时,肯定是查找树。例如{5,6}对应的BST是 6 {6,5}对应的BST是
- MySQL的sum函数返回的类型
bylijinnan
javaspringsqlmysqljdbc
今天项目切换数据库时,出错
访问数据库的代码大概是这样:
String sql = "select sum(number) as sumNumberOfOneDay from tableName";
List<Map> rows = getJdbcTemplate().queryForList(sql);
for (Map row : rows
- java设计模式之单例模式
chicony
java设计模式
在阎宏博士的《JAVA与模式》一书中开头是这样描述单例模式的:
作为对象的创建模式,单例模式确保某一个类只有一个实例,而且自行实例化并向整个系统提供这个实例。这个类称为单例类。 单例模式的结构
单例模式的特点:
单例类只能有一个实例。
单例类必须自己创建自己的唯一实例。
单例类必须给所有其他对象提供这一实例。
饿汉式单例类
publ
- javascript取当月最后一天
ctrain
JavaScript
<!--javascript取当月最后一天-->
<script language=javascript>
var current = new Date();
var year = current.getYear();
var month = current.getMonth();
showMonthLastDay(year, mont
- linux tune2fs命令详解
daizj
linuxtune2fs查看系统文件块信息
一.简介:
tune2fs是调整和查看ext2/ext3文件系统的文件系统参数,Windows下面如果出现意外断电死机情况,下次开机一般都会出现系统自检。Linux系统下面也有文件系统自检,而且是可以通过tune2fs命令,自行定义自检周期及方式。
二.用法:
Usage: tune2fs [-c max_mounts_count] [-e errors_behavior] [-g grou
- 做有中国特色的程序员
dcj3sjt126com
程序员
从出版业说起 网络作品排到靠前的,都不会太难看,一般人不爱看某部作品也是因为不喜欢这个类型,而此人也不会全不喜欢这些网络作品。究其原因,是因为网络作品都是让人先白看的,看的好了才出了头。而纸质作品就不一定了,排行榜靠前的,有好作品,也有垃圾。 许多大牛都是写了博客,后来出了书。这些书也都不次,可能有人让为不好,是因为技术书不像小说,小说在读故事,技术书是在学知识或温习知识,有
- Android:TextView属性大全
dcj3sjt126com
textview
android:autoLink 设置是否当文本为URL链接/email/电话号码/map时,文本显示为可点击的链接。可选值(none/web/email/phone/map/all) android:autoText 如果设置,将自动执行输入值的拼写纠正。此处无效果,在显示输入法并输
- tomcat虚拟目录安装及其配置
eksliang
tomcat配置说明tomca部署web应用tomcat虚拟目录安装
转载请出自出处:http://eksliang.iteye.com/blog/2097184
1.-------------------------------------------tomcat 目录结构
config:存放tomcat的配置文件
temp :存放tomcat跑起来后存放临时文件用的
work : 当第一次访问应用中的jsp
- 浅谈:APP有哪些常被黑客利用的安全漏洞
gg163
APP
首先,说到APP的安全漏洞,身为程序猿的大家应该不陌生;如果抛开安卓自身开源的问题的话,其主要产生的原因就是开发过程中疏忽或者代码不严谨引起的。但这些责任也不能怪在程序猿头上,有时会因为BOSS时间催得紧等很多可观原因。由国内移动应用安全检测团队爱内测(ineice.com)的CTO给我们浅谈关于Android 系统的开源设计以及生态环境。
1. 应用反编译漏洞:APK 包非常容易被反编译成可读
- C#根据网址生成静态页面
hvt
Web.netC#asp.nethovertree
HoverTree开源项目中HoverTreeWeb.HVTPanel的Index.aspx文件是后台管理的首页。包含生成留言板首页,以及显示用户名,退出等功能。根据网址生成页面的方法:
bool CreateHtmlFile(string url, string path)
{
//http://keleyi.com/a/bjae/3d10wfax.htm
stri
- SVG 教程 (一)
天梯梦
svg
SVG 简介
SVG 是使用 XML 来描述二维图形和绘图程序的语言。 学习之前应具备的基础知识:
继续学习之前,你应该对以下内容有基本的了解:
HTML
XML 基础
如果希望首先学习这些内容,请在本站的首页选择相应的教程。 什么是SVG?
SVG 指可伸缩矢量图形 (Scalable Vector Graphics)
SVG 用来定义用于网络的基于矢量
- 一个简单的java栈
luyulong
java数据结构栈
public class MyStack {
private long[] arr;
private int top;
public MyStack() {
arr = new long[10];
top = -1;
}
public MyStack(int maxsize) {
arr = new long[maxsize];
top
- 基础数据结构和算法八:Binary search
sunwinner
AlgorithmBinary search
Binary search needs an ordered array so that it can use array indexing to dramatically reduce the number of compares required for each search, using the classic and venerable binary search algori
- 12个C语言面试题,涉及指针、进程、运算、结构体、函数、内存,看看你能做出几个!
刘星宇
c面试
12个C语言面试题,涉及指针、进程、运算、结构体、函数、内存,看看你能做出几个!
1.gets()函数
问:请找出下面代码里的问题:
#include<stdio.h>
int main(void)
{
char buff[10];
memset(buff,0,sizeof(buff));
- ITeye 7月技术图书有奖试读获奖名单公布
ITeye管理员
活动ITeye试读
ITeye携手人民邮电出版社图灵教育共同举办的7月技术图书有奖试读活动已圆满结束,非常感谢广大用户对本次活动的关注与参与。
7月试读活动回顾:
http://webmaster.iteye.com/blog/2092746
本次技术图书试读活动的优秀奖获奖名单及相应作品如下(优秀文章有很多,但名额有限,没获奖并不代表不优秀):
《Java性能优化权威指南》