- 改进YOLO系列 | YOLOv5/v7 引入 Dynamic Snake Convolution | 动态蛇形卷积
wei子
YOLO目标跟踪人工智能
改进YOLO系列:动态蛇形卷积(DynamicSnakeConvolution,DSC)简介YOLO系列目标检测算法以其速度和精度著称,但对于细长目标例如血管、道路等,其性能仍有提升空间。动态蛇形卷积(DSC)是YOLOv5/v7中引入的一种改进,旨在更好地处理细长目标。DSC原理DSC的核心思想是使用类似蛇形运动的卷积核来提取细长目标的特征。具体来说,DSC卷积核沿着一系列控制点移动,并根据每个
- yolov5 python API(供其他程序调用)
m0_67401499
面试学习路线阿里巴巴python深度学习计算机视觉机器学习sklearn
你的yolov5??是否只局限于detect.py?如果其他程序要调用yolov5,就需要制作一个detect.py的pythonAPI。python无处不对象,制作detectAPI实际上就是制作detect类。目录前言一、总体思路二、制作detect类二、调用detect类结语前言yolov5源码版本:截止2022.2.3链接:https://github.com/ultralytics/yo
- python环境的yolov11.rknn物体检测
子正
问题建模#AI自由行部署YOLO机器学习运维
1.首先是我手里生成的一个yolo11的.rknn模型:2.比对一下yolov5的模型:2.1yolov5模型的后期处理:outputs=rknn.inference(inputs=[img2],data_format=['nhwc'])np.save('./onnx_yolov5_0.npy',outputs[0])np.save('./onnx_yolov5_1.npy',outputs[1]
- yolov5 pt->onnx->om yolov5模型转onnx转om模型转换
qq_43650438
笔记深度学习tensorflow人工智能
yolov5pt->onnx->omyolov5-6.1版本models/yolo.pyDetect函数修改classDetect(nn.Module):defforward(self,x):z=[]#inferenceoutputforiinrange(self.nl):x[i]=self.m[i](x[i])#convbs,_,ny,nx=x[i].shape#x(bs,255,20,20)t
- labelme转YOLOv8、YOLOv5 标签格式 标注数据
一颗小树x
YOLO目标检测实践应用labelmeYOLOv8YOLOv5标签格式标注数据
前言本文分析将labelme的标签,转为YOLOv8、YOLOv5的格式,实现模型训练。首先了解YOLOv8和YOLOv5标签格式,然后了解labelme标签格式,最近实现数据格式转换。1、YOLOv8和YOLOv5标签格式YOLOv8的标签格式与YOLOv5基本相同,使用一种简单的txt文本格式,来存储每个图像的标注数据。每个图像对应一个文本文件,这些文本文件与图像文件位于同一目录并且具有相同的
- 基于深度学习YOLOv5的活体人脸检测系统(Python+PySide6界面+训练代码)
深度学习&目标检测实战项目
深度学习YOLOpython人工智能目标跟踪计算机视觉开发语言
一、前言随着人工智能技术的快速发展,计算机视觉(ComputerVision)已广泛应用于各种实际场景中,特别是在安全、金融、医疗等领域。人脸识别作为计算机视觉的一个重要应用,已经成为很多身份验证、安防监控、智能门禁等系统的核心技术。近年来,随着深度学习的突破,YOLO(YouOnlyLookOnce)系列算法因其高效、准确、实时的特点,广泛应用于物体检测任务。在实际的人脸识别应用中,活体人脸检测
- 基于YOLOv5深度学习的木材表面缺陷检测系统:UI界面 + YOLOv5 + 数据集详细教程
深度学习&目标检测实战项目
YOLO深度学习uiYOLOv5人工智能计算机视觉
随着工业自动化的发展,木材加工行业对产品质量的要求日益提高。木材表面缺陷的检测是确保产品质量的重要环节。传统的人工检测方式不仅费时费力,而且容易受到人为因素的影响。基于深度学习的目标检测技术,尤其是YOLOv5,凭借其优越的实时性和准确性,成为木材表面缺陷检测的有效工具。本博客将详细介绍如何构建一个基于YOLOv5的木材表面缺陷检测系统,包括数据集准备、模型训练、UI界面开发及完整代码实现。目录目
- 基于深度学习YOLOv5的海洋动物检测系统
深度学习&目标检测实战项目
深度学习YOLO目标跟踪人工智能目标检测计算机视觉
1.引言随着人工智能技术的快速发展,深度学习在图像处理领域的应用逐渐展现出强大的能力,尤其是在目标检测任务上。YOLO(YouOnlyLookOnce)系列模型作为一种高效的目标检测算法,以其实时性和高精度在许多领域得到了广泛应用。海洋动物的检测任务也因此受益,借助深度学习模型,我们可以实时、自动地检测海洋中的动物,有助于海洋生态研究、环境保护以及水下监测等多个领域。本文将详细介绍如何基于YOLO
- 基于YOLOv5、YOLOv8和YOLOv10的车站行李监控系统:深度学习应用与实现
深度学习&目标检测实战项目
YOLO深度学习人工智能目标检测目标跟踪
引言在现代车站,行李监控是一项至关重要的安全任务。随着交通安全要求的不断提高,尤其是在车站等人流密集的场所,及时检测和识别行李不仅有助于防止行李遗失或误取,还能有效地减少潜在的安全威胁。传统的人工检查方法已经无法满足快速响应和高精度的需求,而基于深度学习的目标检测技术,特别是YOLO(YouOnlyLookOnce)系列算法,成为了高效解决此类问题的理想选择。YOLO系列算法(包括YOLOv5、Y
- 基于深度学习YOLOv5的火焰检测系统
深度学习&目标检测实战项目
深度学习YOLO人工智能目标跟踪目标检测
引言随着智能监控技术和深度学习的不断发展,火灾检测系统已经成为了自动化消防领域中的重要应用之一。传统的火灾报警系统往往依赖于温度传感器或烟雾探测器,但这些方法常常容易受到环境变化的影响,如高温、湿度等因素,这可能导致误报或漏报的情况。近年来,基于视觉的火灾检测系统,特别是使用深度学习进行图像处理和火焰识别,逐渐成为一种更为可靠的解决方案。本文将介绍如何基于深度学习和YOLOv5模型,构建一个火焰检
- 行人检测系统:基于YOLOv5的行人检测与UI界面实现
深度学习&目标检测实战项目
YOLOuipython开发语言深度学习视觉检测计算机视觉
1.引言行人检测(PedestrianDetection)是计算机视觉中的一个重要任务,广泛应用于自动驾驶、智能安防、交通监控等领域。行人检测的目标是从图像或视频中检测出行人的位置,并标出其在图像中的边界框。随着深度学习技术的快速发展,YOLO(YouOnlyLookOnce)系列模型在目标检测任务中表现出了极高的准确性和速度,成为了行人检测的常用工具。本文将详细介绍如何使用YOLOv5实现行人检
- ubuntu22.04,瑞芯微RK3568部署YOLOv5(纯干货版)
今夕是何年,
视觉算法部署YOLO人工智能深度学习
目录1,训练自己的数据集转换为onnx2,onnx格式→rknn格式3,3588平台部署1,训练自己的数据集转换为onnx在Anaconda的yolov5,进入yolov5根目录,终端运行如下pythonmodels/export.py--weightxx.pt#此处为需要转换模型的相对路径当然也可以是绝对路径如runs/train/exp/weight/best.pt若出现模块不存在的情况,只需
- 基于深度学习的行人摔倒检测识别系统 —— 使用YOLOv5实现行人摔倒检测
2025年数学建模美赛
深度学习YOLO人工智能yoloui
目录引言项目背景与目标1.1项目背景1.2项目目标系统设计与架构2.1系统功能概述2.2系统架构数据准备与处理3.1数据集选择与收集3.2数据标注3.3数据集划分YOLOv5模型训练与优化4.1YOLOv5配置文件4.2安装YOLOv5并开始训练4.3模型评估与优化摔倒行为识别与推理5.1加载模型进行推理5.2UI界面设计5.3实时检测总结未来展望引言行人摔倒检测(FallDetection)系统
- yolov5 c++ onnx pytorch pycharm gpu train test
mulsh
YOLOc++opencvpytorchpycharm
目的:目标实时检测;方法:c++调用yolov5模型;数据资源参考:【Yolov5】1.认真总结6000字Yolov5保姆级教程(2022.06.28全新版本v6.1)_yolov5教程-CSDN博客代码:#include#include#includeusingnamespacecv;usingnamespacecv::dnn;//#classnamesstd::vectorclasses={"
- yolov5 实例分割:从原理、构建数据集到训练部署
外卖猿
AI实战yolov5实例分割c++部署opencv自定义数据集
yolov5实例分割:从原理、构建数据集到训练部署1.模型介绍1.1YOLOv5结构1.2YOLOv5推理时间2.构建数据集2.1使用labelme标注数据集2.2生成coco格式label2.3coco格式转yolo格式3.训练3.1整理数据集3.2修改配置文件3.3执行代码进行训练4.使用OpenCV进行c++部署5.使用openvino进行c++部署参考文献1.模型介绍1.1YOLOv5结构
- 基于深度学习的车牌检测识别系统 —— 使用YOLOv5实现车牌检测与识别
2025年数学建模美赛
深度学习YOLO人工智能分类ui
目录引言项目背景与目标1.1项目背景1.2项目目标系统设计与架构2.1系统功能概述2.2系统架构数据准备与处理3.1数据集选择与收集3.2数据标注3.3数据集划分YOLOv5模型训练与优化4.1YOLOv5配置文件4.2安装YOLOv5并开始训练4.3模型评估与优化车牌识别与推理5.1加载模型进行推理5.2UI界面设计总结与展望引言车牌识别(LicensePlateRecognition,LPR)
- 打架检测系统:基于YOLOv5的实时人群打架行为识别
2025年数学建模美赛
YOLO深度学习ui计算机视觉视觉检测
1.引言打架检测,作为一个复杂且具有挑战性的任务,已经在多个领域展现出其巨大的应用潜力,尤其是在公共安全监控、安防摄像头、智能城市等应用场景中。通过深度学习技术,尤其是基于YOLOv5的目标检测,我们能够对实时视频流中的人群行为进行实时监控,并有效地检测和识别人群中的打架行为。本博客将详细介绍如何使用YOLOv5模型搭建一个打架检测系统,包含数据集准备、YOLOv5训练、UI界面设计以及优化和部署
- 2025年最新在线模型转换工具优化模型ncnn,mnn,tengine,onnx
我的青春不太冷
mnn人工智能深度学习ncnn在线模型转换网址
文章目录引言最新网址地点一、模型转换1.框架转换全景图2.安全的模型转换3.网站全景图二、转换说明三、模型转换流程图四、感谢引言在yolov5,yolov8,yolov11等等模型转换的领域中,时间成本常常是开发者头疼的问题。最近发现一个超棒的网站工具,简直是模型转换的神器。它最大的亮点就是省去编译转换工具的时间,开箱即用,一键转换。对于目标格式,提供了tengine、ncnn、mnn、onnx等
- 基于深度学习的行人检测与识别系统:YOLOv5、YOLOv8、YOLOv10与UI界面的实现
2025年数学建模美赛
深度学习YOLOui人工智能分类
引言行人检测与识别技术作为计算机视觉领域的一个重要应用,广泛应用于智能监控、自动驾驶、公共安全等多个领域。行人检测系统的目标是通过图像或视频中的内容,自动识别并定位行人,这项任务在复杂环境中面临着不同的挑战,如多样的行人姿态、遮挡、光照变化等。近年来,深度学习的进步,尤其是目标检测领域的快速发展,为行人检测提供了强有力的支持。YOLO(YouOnlyLookOnce)系列模型,作为目前目标检测领域
- YOLOv5:目标检测新星,解锁高性能实时识别
殷连靖Harlan
YOLOv5:目标检测新星,解锁高性能实时识别【下载地址】yolov5改进策略案例分析资源合集YOLOv5,作为目标检测领域的一颗明星,基于经典的YOLOv4算法进行了一系列创新性优化,显著提升了检测速度与精度。本资源集合深入解析YOLOv5的设计理念与技术细节,旨在帮助开发者和研究者更全面地理解并应用这些进步。从数据预处理到网络架构设计,再到后处理策略,我们逐一探讨其核心改进之处项目地址:htt
- 探索高效嵌入式视觉应用:RK3588/RK3568/RK3566 Linux QT Opencv NPU YoloV5摄像头实时检测系统...
陆依嫣
探索高效嵌入式视觉应用:RK3588/RK3568/RK3566LinuxQTOpencvNPUYoloV5摄像头实时检测系统rk_yolov5.zip项目地址:https://gitcode.com/open-source-toolkit/f6845项目介绍在智能安防、机器人视觉等需要高性能图像处理和实时监控的应用场景中,RockchipRK3588、RK3568和RK3566处理器凭借其强大的
- Deepseek 对种猪市场会带来哪些影响?
百态老人
笔记大数据人工智能
DeepSeek对种猪市场的影响可以从以下几个方面进行分析:1.提高生产效率与降低成本根据,DeepSeek已经被用于养猪场中分析饲料配比,从而将猪的育肥周期从6个月缩短至5个月,并降低了15%的成本。这表明DeepSeek在优化养殖流程和提高生产效率方面具有显著作用,能够帮助养猪场降低运营成本,提升经济效益。2.推动智能化养殖技术的应用和提到,深度学习技术(如YOLOv5模型)已经被应用于生猪的
- SpringBoot中运行Yolov5程序
eqa11
springbootYOLO后端
文章目录SpringBoot中运行Yolov5程序一、引言二、环境搭建1、SpringBoot项目创建2、YOLOv5环境配置三、SpringBoot与YOLOv5集成1、创建Python服务2、SpringBoot调用Python服务四、使用示例1、创建控制器五、总结SpringBoot中运行Yolov5程序一、引言在人工智能领域,目标检测是一个热门且实用的技术。YOLOv5作为目标检测算法中的
- Python 中 ssl 模块所使用的 OpenSSL 版本(1.0.2k-fips)和系统中 openssl 命令所使用的 OpenSSL 版本(1.1.1u)不一致(已解决)
Future_yzx
pythonssl开发语言
在使用Linux中配置yolov5环境时遇到问题:[root@iZ2ze9bdu1sca12rizazfkZqcby-project]#python3-c"importssl;print(ssl.OPENSSL_VERSION)"OpenSSL1.0.2k-fips 26Jan2017[root@iZ2ze9bdu1sca12rizazfkZqcby-project]#opensslversion
- 单目测距(yolo-目标检测+标定+深度学习目标检测_测距)
计算机C9硕士_算法工程师
YOLO目标检测深度学习
YOLOv5模型介绍YOLOv5是目前最先进的目标检测算法之一,在多个数据集上取得了优秀的表现。相较于YOLOv4,YOLOv5采用了更深的Backbone网络和更高的分辨率输入图像,以提高检测精度和速度。单目测距实现方法在目标检测的基础上,我们可以通过计算物体在图像中的像素大小来估计其距离。具体方法是,首先确定某个物体的实际尺寸,然后根据该物体在图像中的像素大小计算其距离。这个方法可以应用于各种
- yolov5 解决:Traceback (most recent call last)
南商
YOLO深度学习
运行train.py程序后训练之后,到最后验证的那一步报一个线程异常的错误原因:pillow版本太高了,把pillow降级就行了pillow官网上的python对应版本在conda中,您可以安装pillow的任何可用版本。要查看可用的pillow版本,您可以使用以下命令:condasearchpillow这将列出所有可用的pillow版本。然后,您可以使用以下命令安装您选择的版本:condains
- YOLOv5模型版本详解:n/s/m/l的区别与选型指南
我的青春不太冷
YOLOandroid经验分享程序人生笔记测试
文章目录一、模型版本概述二、核心参数对比2.1基本性能指标2.2计算复杂度三、架构设计差异3.1网络宽度控制3.1.1通道数变化3.1.2参数配置对比3.2网络深度配置四、性能表现分析4.1精度-速度曲线4.2资源消耗对比五、工程部署建议5.1设备适配方案5.2模型优化技巧5.2.1量化压缩5.2.2网络剪枝六、版本选型指南6.1决策流程图6.2场景化推荐七、总结建议一、模型版本概述YOLOv5是
- 基于C++和ONNX Runtime的YOLOv5目标检测实战
浪浪山小白兔
c++YOLO目标检测
1.前言在计算机视觉领域,目标检测是一项关键任务,其应用广泛,涵盖了安防监控、自动驾驶、工业检测等众多领域。YOLOv5作为一种先进的目标检测算法,以其速度快、精度高的特点备受关注。本文将详细介绍如何使用C++结合ONNXRuntime推理引擎来部署YOLOv5模型,实现高效的目标检测。2.ONNX与YOLOv52.1ONNX简介ONNX(OpenNeuralNetworkExchange)是一种
- 基于YOLOv5、YOLOv8和YOLOv10的机场安检行李检测:深度学习应用与实现
2025年数学建模美赛
YOLO深度学习人工智能目标跟踪目标检测
引言随着全球航空运输业的持续增长,机场的安全性变得越来越重要。机场安检作为航空安全的重要组成部分,主要负责对乘客和行李进行检查,防止危险物品进入机场或飞行器。传统的安检方式多依赖人工检查,效率低下且容易出错。因此,基于深度学习的自动化行李检测系统应运而生,通过计算机视觉技术,自动识别和分类行李中的物品,大大提高了安检的效率与准确性。YOLO(YouOnlyLookOnce)系列算法,由于其高效的目
- 基于YOLOv5、YOLOv8和YOLOv10的自助售货机商品检测:深度学习实践与应用
2025年数学建模美赛
YOLO深度学习人工智能目标跟踪目标检测
引言自助售货机已经成为现代零售和自动化销售领域的重要组成部分。在自助售货机中,商品的检测与管理至关重要。通过精准的商品检测技术,售货机可以在商品售出后自动更新库存,并提供准确的商品信息反馈。然而,在复杂的环境下进行商品检测是一个具有挑战性的问题,尤其是在商品种类繁多、摆放方式多样以及光照条件变化较大的情况下。近年来,基于深度学习的目标检测算法,特别是YOLO(YouOnlyLookOnce)系列模
- 戴尔笔记本win8系统改装win7系统
sophia天雪
win7戴尔改装系统win8
戴尔win8 系统改装win7 系统详述
第一步:使用U盘制作虚拟光驱:
1)下载安装UltraISO:注册码可以在网上搜索。
2)启动UltraISO,点击“文件”—》“打开”按钮,打开已经准备好的ISO镜像文
- BeanUtils.copyProperties使用笔记
bylijinnan
java
BeanUtils.copyProperties VS PropertyUtils.copyProperties
两者最大的区别是:
BeanUtils.copyProperties会进行类型转换,而PropertyUtils.copyProperties不会。
既然进行了类型转换,那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
- MyEclipse中文乱码问题
0624chenhong
MyEclipse
一、设置新建常见文件的默认编码格式,也就是文件保存的格式。
在不对MyEclipse进行设置的时候,默认保存文件的编码,一般跟简体中文操作系统(如windows2000,windowsXP)的编码一致,即GBK。
在简体中文系统下,ANSI 编码代表 GBK编码;在日文操作系统下,ANSI 编码代表 JIS 编码。
Window-->Preferences-->General -
- 发送邮件
不懂事的小屁孩
send email
import org.apache.commons.mail.EmailAttachment;
import org.apache.commons.mail.EmailException;
import org.apache.commons.mail.HtmlEmail;
import org.apache.commons.mail.MultiPartEmail;
- 动画合集
换个号韩国红果果
htmlcss
动画 指一种样式变为另一种样式 keyframes应当始终定义0 100 过程
1 transition 制作鼠标滑过图片时的放大效果
css
.wrap{
width: 340px;height: 340px;
position: absolute;
top: 30%;
left: 20%;
overflow: hidden;
bor
- 网络最常见的攻击方式竟然是SQL注入
蓝儿唯美
sql注入
NTT研究表明,尽管SQL注入(SQLi)型攻击记录详尽且为人熟知,但目前网络应用程序仍然是SQLi攻击的重灾区。
信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明,目前黑客攻击网络应用程序方式中最流行的,要数SQLi攻击。报告对去年发生的60亿攻击 行为进行分析,指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中,SQLi攻击占
- java笔记2
a-john
java
类的封装:
1,java中,对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节(尤其是私有数据)
2,目的:使对象以外的部分不能随意存取对象的内部数据(如属性),从而使软件错误能够局部化,减少差错和排错的难度。
3,简单来说,“隐藏属性、方法或实现细节的过程”称为——封装。
4,封装的特性:
4.1设置
- [Andengine]Error:can't creat bitmap form path “gfx/xxx.xxx”
aijuans
学习Android遇到的错误
最开始遇到这个错误是很早以前了,以前也没注意,只当是一个不理解的bug,因为所有的texture,textureregion都没有问题,但是就是提示错误。
昨天和美工要图片,本来是要背景透明的png格式,可是她却给了我一个jpg的。说明了之后她说没法改,因为没有png这个保存选项。
我就看了一下,和她要了psd的文件,还好我有一点
- 自己写的一个繁体到简体的转换程序
asialee
java转换繁体filter简体
今天调研一个任务,基于java的filter实现繁体到简体的转换,于是写了一个demo,给各位博友奉上,欢迎批评指正。
实现的思路是重载request的调取参数的几个方法,然后做下转换。
- android意图和意图监听器技术
百合不是茶
android显示意图隐式意图意图监听器
Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递
显式意图:调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图,显式意图明确指定了Intent应该传递给哪个组件。
隐式意图;不指明调用的名称,根据设
- spring3中新增的@value注解
bijian1013
javaspring@Value
在spring 3.0中,可以通过使用@value,对一些如xxx.properties文件中的文件,进行键值对的注入,例子如下:
1.首先在applicationContext.xml中加入:
<beans xmlns="http://www.springframework.
- Jboss启用CXF日志
sunjing
logjbossCXF
1. 在standalone.xml配置文件中添加system-properties:
<system-properties> <property name="org.apache.cxf.logging.enabled" value=&
- 【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码
bit1129
centos
编译必需的软件
Firebugs3.0.0
Maven3.2.3
Ant
JDK1.7.0_67
protobuf-2.5.0
Hadoop 2.5.2源码包
Firebugs3.0.0
http://sourceforge.jp/projects/sfnet_findbug
- struts2验证框架的使用和扩展
白糖_
框架xmlbeanstruts正则表达式
struts2能够对前台提交的表单数据进行输入有效性校验,通常有两种方式:
1、在Action类中通过validatexx方法验证,这种方式很简单,在此不再赘述;
2、通过编写xx-validation.xml文件执行表单验证,当用户提交表单请求后,struts会优先执行xml文件,如果校验不通过是不会让请求访问指定action的。
本文介绍一下struts2通过xml文件进行校验的方法并说
- 记录-感悟
braveCS
感悟
再翻翻以前写的感悟,有时会发现自己很幼稚,也会让自己找回初心。
2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了;
2. 要改变自己,不能这样一直在原来区域,要突破安全区舒适区,才能提高自己,往好的方面发展;
3. 多反省多思考;要会用工具,而不是变成工具的奴隶;
4. 一天内集中一个定长时间段看最新资讯和偏流式博
- 编程之美-数组中最长递增子序列
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class LongestAccendingSubSequence {
/**
* 编程之美 数组中最长递增子序列
* 书上的解法容易理解
* 另一方法书上没有提到的是,可以将数组排序(由小到大)得到新的数组,
* 然后求排序后的数组与原数
- 读书笔记5
chengxuyuancsdn
重复提交struts2的token验证
1、重复提交
2、struts2的token验证
3、用response返回xml时的注意
1、重复提交
(1)应用场景
(1-1)点击提交按钮两次。
(1-2)使用浏览器后退按钮重复之前的操作,导致重复提交表单。
(1-3)刷新页面
(1-4)使用浏览器历史记录重复提交表单。
(1-5)浏览器重复的 HTTP 请求。
(2)解决方法
(2-1)禁掉提交按钮
(2-2)
- [时空与探索]全球联合进行第二次费城实验的可能性
comsci
二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验
至今给我们大家留下很多迷团.....
关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了
在这里,我的意思是,现在
- easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符
daizj
oracleORA-12154
用easy connect连接出现“tns无法解析指定的连接标示符”的错误,如下:
C:\Users\Administrator>sqlplus username/pwd@192.168.0.5:1521/orcl
SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012
Copyright (c) 198
- 简单排序:归并排序
dieslrae
归并排序
public void mergeSort(int[] array){
int temp = array.length/2;
if(temp == 0){
return;
}
int[] a = new int[temp];
int
- C语言中字符串的\0和空格
dcj3sjt126com
c
\0 为字符串结束符,比如说:
abcd (空格)cdefg;
存入数组时,空格作为一个字符占有一个字节的空间,我们
- 解决Composer国内速度慢的办法
dcj3sjt126com
Composer
用法:
有两种方式启用本镜像服务:
1 将以下配置信息添加到 Composer 的配置文件 config.json 中(系统全局配置)。见“例1”
2 将以下配置信息添加到你的项目的 composer.json 文件中(针对单个项目配置)。见“例2”
为了避免安装包的时候都要执行两次查询,切记要添加禁用 packagist 的设置,如下 1 2 3 4 5
- 高效可伸缩的结果缓存
shuizhaosi888
高效可伸缩的结果缓存
/**
* 要执行的算法,返回结果v
*/
public interface Computable<A, V> {
public V comput(final A arg);
}
/**
* 用于缓存数据
*/
public class Memoizer<A, V> implements Computable<A,
- 三点定位的算法
haoningabc
c算法
三点定位,
已知a,b,c三个顶点的x,y坐标
和三个点都z坐标的距离,la,lb,lc
求z点的坐标
原理就是围绕a,b,c 三个点画圆,三个圆焦点的部分就是所求
但是,由于三个点的距离可能不准,不一定会有结果,
所以是三个圆环的焦点,环的宽度开始为0,没有取到则加1
运行
gcc -lm test.c
test.c代码如下
#include "stdi
- epoll使用详解
jimmee
clinux服务端编程epoll
epoll - I/O event notification facility在linux的网络编程中,很长的时间都在使用select来做事件触发。在linux新的内核中,有了一种替换它的机制,就是epoll。相比于select,epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中,它是采用轮询来处理的,轮询的fd数目越多,自然耗时越多。并且,在linu
- Hibernate对Enum的映射的基本使用方法
linzx0212
enumHibernate
枚举
/**
* 性别枚举
*/
public enum Gender {
MALE(0), FEMALE(1), OTHER(2);
private Gender(int i) {
this.i = i;
}
private int i;
public int getI
- 第10章 高级事件(下)
onestopweb
事件
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/
- 孙子兵法
roadrunners
孙子兵法
始计第一
孙子曰:
兵者,国之大事,死生之地,存亡之道,不可不察也。
故经之以五事,校之以计,而索其情:一曰道,二曰天,三曰地,四曰将,五
曰法。道者,令民于上同意,可与之死,可与之生,而不危也;天者,阴阳、寒暑
、时制也;地者,远近、险易、广狭、死生也;将者,智、信、仁、勇、严也;法
者,曲制、官道、主用也。凡此五者,将莫不闻,知之者胜,不知之者不胜。故校
之以计,而索其情,曰
- MySQL双向复制
tomcat_oracle
mysql
本文包括:
主机配置
从机配置
建立主-从复制
建立双向复制
背景
按照以下简单的步骤:
参考一下:
在机器A配置主机(192.168.1.30)
在机器B配置从机(192.168.1.29)
我们可以使用下面的步骤来实现这一点
步骤1:机器A设置主机
在主机中打开配置文件 ,
- zoj 3822 Domination(dp)
阿尔萨斯
Mina
题目链接:zoj 3822 Domination
题目大意:给定一个N∗M的棋盘,每次任选一个位置放置一枚棋子,直到每行每列上都至少有一枚棋子,问放置棋子个数的期望。
解题思路:大白书上概率那一张有一道类似的题目,但是因为时间比较久了,还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子,并且消耗k步的概率(k≤i∗j),因为放置在i+1~n上等价与放在i+1行上,同理